【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(一)

这是机器未来的第52篇文章

原文首发地址：https://robotsfutures.blog.csdn.net/article/details/126899226

《Python数据科学快速入门系列》快速导航：

• 【Python数据科学快速入门系列 | 01】Numpy初窥——基础概念
• 【Python数据科学快速入门系列 | 02】创建ndarray对象的十多种方法
• 【Python数据科学快速入门系列 | 03】玩转数据摘取：Numpy的索引与切片
• 【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇
• 【Python数据科学快速入门系列 | 05】常用科学计算函数
• 【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门

---

---

写在开始：

• 博客简介：专注AIoT领域，追逐未来时代的脉搏，记录路途中的技术成长！
• 博主社区：AIoT机器智能, 欢迎加入！
• 专栏简介：从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
• 面向人群：AI初级学习者

前言

本文概述了matplotlib是什么，能做什么，怎么做的问题，是一篇matplotlib数据可视化入门文章，对于matplotlib的基础功能做了一个整体的使用说明。包含绘制第一个图表、绘图编程风格、Figure画布、axes绘图区，绘图样式等内容。

1. Matplotlib简介

Matplotlib是一个数据可视化综合绘图库，python三剑客(Numpy、Matplotlib、Pandas)之一，用于创建静态图、动态图和Python中的交互式可视化图像。

只需几行代码就可以生成图表，直方图，功率谱，条形图，误差图，散点图等。

说到数据可视化，我们为什么需要数据可视化？

如果将文本数据与图表数据相比较，人类的思维模式更适合于理解后者，原因在于图表数据更加直观且形象化，它对于人类视觉的冲击更强，这种使用图表来表示数据的方法被叫做数据可视化。

举个简单的例子：给你一只股票的分时数据，你认为一行行的数据直观呢，还是K线图直观呢？

2. Matplotlib的安装

有2种主流的安装方式：

• 第一种直接安装Anaconda就可以自动安装matplotlib库，可以参考博主之前的文章:Python零基础快速入门系列|01】人工智能序章：开发环境搭建Anaconda+VsCode+JupyterNotebook(零基础启动)

• 第二种直接使用命令安装

pip install matplotlib

或

conda install matplotlib

3. Matplotlib的基础使用

3.1 第一个Matplot例子：绘制折线图

#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt

#创建一个只有单个子图的画布
fig,ax=plt.subplots()#Create a figure containing a single axes.

#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
ax.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes.

plt.show()

可以看到仅仅4行代码就生成了非常好看的折线图，C语言开发工程师已经哭晕…

那么它到底怎么做的呢？

• 首先创建了一个画布fig
• 然后创建了一个绘图区域ax(axes)，这个绘图区域有2个坐标轴axis，分别在横轴和纵轴。
• 然后绘图区域对象ax调用了方法plot绘制了4个坐标点，形成折线图。

3.2 编码风格

有人可能注意到我们在网上看到的绘图代码好像不是这样的，直接使用plt就可以绘制了，就像这样：

#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt

#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
plt.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes. b

plt.show()

从结果来看，是一模一样的，好像更方便，仅仅3行代码就可以了。

第二种绘制方法绘制过程如下：

• 隐式创建一个画布，并创建一个绘图区域
• 然后绘制4个坐标点，绘制折线图

其实从编码风格来说，第一种是面向对象的编码风格，第二种是pyplot风格：依靠pyplot自动创建和管理图形和轴，并使用pyplot函数进行绘图。

一般来说，我们建议使用OO风格，特别是对于复杂的绘图，以及旨在作为更大项目的一部分重用的函数和脚本。但是，pyplot样式可以非常方便地进行快速交互工作。

3.2 绘图参数详解

3.2.1 Figure画布

首先创建的就是画布，创建画布的方式有多种

from matplotlib import pyplot as plt

#创建空白画布
fig = plt.figure()#an empty figure with no Axes
plt.show()

from matplotlib import pyplot as plt

#创建单个绘图区域的画布
fig,ax=plt.subplots()#a figure with a single Axes
plt.show()

​

​

from matplotlib import pyplot as plt

#创建2x2四个绘图区域的画布
fig,axs=plt.subplots(2,2)#a figure with a 2x2 grid of Axes
plt.show()

​

​

3.2.2 Axes绘图区域与Axis坐标轴

一个画布可以包含多个绘图区域，如上面的例子，一个画布包含4个绘图区域，每个绘图区域由2个(2D)或3个(3D)坐标轴组成。看下面的结构图的直观展示：

3.2.3 输入数据的类型

绘图函数需要 numpy.array 或 numpy.ma.masked_array 作为输入，或者可以传递给 numpy.asarray 的对象转换。

x, y array-like or scalar

3.2.4 绘图样式

3.2.4.1 标准表示

• color

  支持颜色英文名称和十六进制颜色代码，例如black和#000000

• linewidth

  浮点类型

• linestyle

linestyle	description
'-' or 'solid'	实线
'--' or 'dashed'	杠虚线
'-.' or 'dashdot'	点杠虚线
':' or 'dotted'	点虚线
'none', 'None', ' ', or ''	无

• marker

marker样式非常多，更多样式参考官方文档:https://matplotlib.org/stable/api/markers_api.html#module-matplotlib.markers

marker	symbol	description
"."		point
","		pixel
"o"		circle
"v"		triangle_down
"^"		triangle_up
"<"		triangle_left
">"		triangle_right
"1"		tri_down
"2"		tri_up
"3"		tri_left
"4"		tri_right
"8"		octagon
"s"		square
"p"		pentagon
"P"		plus (filled)
"*"		star
"h"		hexagon1
"H"		hexagon2
"+"		plus
"x"		x
"X"		x (filled)
"D"		diamond
"d"		thin_diamond
"|"		vline
"_"		hline

"""
曲线样式例子1
"""

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

fig, ax = plt.subplots(figsize=(8, 5))
# 生成0~2π之间的等差数列，数据元素为30个
x = np.linspace(0, 2*np.pi, 30)
y1 = np.cos(x)
y2 = np.sin(x)
y3 = np.cos(2*x)
y4 = np.sin(2*x)
# 绘制余弦曲线，颜色为黑色，线宽3，线样式为杠虚线，点标记为小三角
ax.plot(x, y1, color='#000000', linewidth=3, linestyle='--', marker='^')
# 绘制正弦函数曲线，颜色为橙色，线宽2，点标记为星号
l, = ax.plot(x, y2, color='orange', linewidth=2, marker='*')
# 单独设置线样式为点虚线
l.set_linestyle(':')
# 绘制2x余弦函数曲线，线宽为8，线样式为杠点虚线
ax.plot(x, y3, color='red', linewidth=6, linestyle='-.')
# 绘制2x正弦函数曲线，颜色为绿色，线宽为1，线样式为实线
ax.plot(x, y4, color='green', linewidth=2, linestyle='-')
plt.show()

​

​

3.2.4.2 简写表示

除了上面的设置方式之外，还有一种简写设置方式。

plot([x], y, [fmt], *, data=None, **kwargs)

fmt = '[marker][line][color]'
或
fmt = '[color][marker][line]'

fmt的内容本身没有限定顺序，可以自由组合。

line指的是line_style，marker和line_style的取值和上面的表描述是一样的，颜色代码简写表示如下：

颜色

支持的颜色缩写是单字母代码

特点	颜色
'b'	蓝色的
'g'	绿色
'r'	红色的
'c'	青色
'm'	品红
'y'	黄色
'k'	黑色的
'w'	白色的

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np

# 生成0~2π之间的等差数列，数据元素为30个
x = np.linspace(0, 2*np.pi, 30)
y1 = np.cos(x)
y2 = np.sin(x)
y3 = np.cos(2*x)

# g-green,o-cycle圆点标记，--为杠杠虚线，其它样式需要单独指定
plt.plot(x, y1, 'go--', linewidth=2, markersize=6)
# c-青色，^-三角标志，:为点虚线
plt.plot(x, y2, 'c^:', linewidth=2, markersize=3)
# b-blue，*-star标志，-.为杠点虚线
plt.plot(x, y3, 'b*-.', linewidth=2, markersize=3)

[]

​

未完待续，后续详见下一篇文章：
【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(二)

— 博主热门专栏推荐 —

• Python零基础快速入门系列
• 深入浅出i.MX8企业级开发实战系列
  
• MQTT从入门到提高系列
• 物体检测快速入门系列
• 自动驾驶模拟器AirSim快速入门
• 安全利器SELinux入门系列
• Python数据科学快速入门系列