Python Matplotlib库用法笔记

用于日常学习的积累，如有不足请多多指教。

一、了解Matplotlib库

1 Matplotlib是什么

Matplotlib可以看成是3个缩写单词拼接而成：
·mat（matrix） 矩阵
·plot 绘图
·lib（library）库

Matplotlib 是一个 Python 的二维图表库。

2 Matplotlib的作用

将数据可视化，是数据更加置换

3利用Matplotlib做一个简单的画图

3.1matplotlib.pyplot模块

matplotlib.pyplot模块包含了一系列类似于matlab的画图函数。

import matplotlib.pyplot as plt

3.2画图

import matplotlib.pyplot as plt

plt.figure() #创建画布
plt.plot([1, 2, 3, 4, 5, 6], [1, 4, 9, 16, 25, 36]) #绘制图像
plt.show()	#显示图像

4 Matplotlib的三层结构

4.1容器层

1. 画板层Canvas（位于最底层，一般用户接触不到）
   位于最底层的系统层，充当画板的角色。
2. 画布层Figure（在Canvas层之上）
   是用户操作的第一层应用层，充当画布的角色。

plt.figure()

3. 绘图区/坐标系Axes（在Figure层之上）
   应用层的第二层。

plt.subplots()

4. 相互关系

• 一个figure可以包含多个axes，一个axes只能属于一个figure。
• 一个axes（绘图区/坐标系）可以包含多个axis（坐标轴）。

4.2 辅助显示层

辅助显示层为Axes(绘图区)内的除了根据数据绘制出的图像以外的内容，主要包括Axes外观(facecolor)、边框线(spines)、坐标轴(axis)、坐标轴名称(axis label)、坐标轴刻度(tick)、坐标轴刻度标签(tick label)、网格线(grid)、图例(legend)、标题(title)等内容。

4.3图像层

图像层指Axes内通过plot、scatter、bar、histogram、pie等函数根据数据绘制出的图像。

二、折线图

1 折线图的绘制与显示

1. 折线图绘制的步骤
   1. 创建画布
   2. 绘制图像
   3. 显示图像
      具体和上面的做一个简单的画图的代码一致：

import matplotlib.pyplot as plt

plt.figure() #创建画布
plt.plot([1, 2, 3, 4, 5, 6], [1, 4, 9, 16, 25, 36]) #绘制图像
plt.show()	#显示图像

1.1设置图形的风格

plt.plot(x,y,color='k',linestyle=':') 
#color设置线条颜色
#linestyle设置线条风格

对上述代码进行修改：

import matplotlib.pyplot as plt

x=[1,2,3,4,5,6]
y=[1,4,9,16,25,36]

plt.figure() #创建画布

plt.plot(x,y,color='k',linestyle=':') #绘制图像

plt.show() #显示图像

结果：

2 设置画布属性

plt.figure(figsize=(),dpi=)
#figsize：指定图的长宽
#dpi：图像的清晰度

2.1 代码示例

import matplotlib.pyplot as plt

plt.figure(figsize=(5,5),dpi=100) #创建画布
plt.plot([1, 2, 3, 4, 5, 6], [1, 4, 9, 16, 25, 36]) #绘制图像
plt.show()	#显示图像

3 图片的保存

import matplotlib.pyplot as plt

plt.figure(figsize=(5,5),dpi=100) #创建画布
plt.plot([1, 2, 3, 4, 5, 6], [1, 4, 9, 16, 25, 36]) #绘制图像

plt.savefig("1.png") #保存在相对路径上

plt.show() #显示图像

注意：plt.savefig(path)不能写在plt.show() 之后。（plt.show()会释放figgure的资源，此时在保存图片就是空图片）

4 设置辅助显示层

4.1 自定义x，y刻度

#自定义x轴
plt.xticks(x,tick labels) #刻度标签(tick labels)可以对应替换x
#自定义y轴
plt.yticks(y,tick labels) #刻度标签(tick labels)可以对应替换y

• 代码示例：

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
y=[1,4,9,16,25]

plt.figure(figsize=(5,5),dpi=100) 
plt.plot(x,y)

plt.xticks(x,["一","二","三","四","五"])

plt.show()

结果：

注意：默认字体不支持中文，会变成上图的白色框框。

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
y=[1,4,9,16,25]

plt.rcParams['font.sans-serif'] = ['SimHei'] #解决中文显示问题

plt.figure(figsize=(5,5),dpi=100) 
plt.plot(x,y)
plt.xticks(x,["一","二","三","四","五"])

plt.show()

结果：

4.2 添加网格显示

plt.grid(True,linestyle,alpha)
#linestyle是指线条风格
#alpha是指透明度

• 代码示例：

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
y=[1,4,9,16,25]

plt.figure(figsize=(5,5),dpi=100) 
plt.plot(x,y)

plt.grid(True,linestyle="--",alpha=0.8)	#添加网格显示

plt.show()

结果：

4.3添加描述信息

plt.xlabel(str)
plt.ylabel(str)
plt.title(str)

• 代码示例：

import matplotlib.pyplot as plt

x=[1,2,3,4,5]
y=[1,4,9,16,25]

plt.figure(figsize=(5,5),dpi=100) 
plt.plot(x,y)

plt.xlabel("x")
plt.ylabel("x的平方")
plt.title("x平方的函数图像")
plt.grid(True,linestyle="--",alpha=0.8)

plt.show()

结果：

5 设置图像层

5.1 再添加一条折线

再次使用plt.plot()就可以再添加一条曲线。
其中，可以在plot()中设置对应曲线的标签：

plt.plot(x,y_2x,label='2x') 

并加入以下图像层的代码将其展示出来：

plt.legend()

• 代码示例：

import matplotlib.pyplot as plt

x=[0,1,2,3,4,5]
y_2x=[2*i for i in range(6)]
y_3x=[3*i for i in range(6)]

#创建画布
plt.figure(figsize=(5,5),dpi=100) 
#绘制图像
plt.plot(x,y_2x,label='2x') 
plt.plot(x,y_3x,label='3x') #再添加一条折线

plt.legend()

plt.show() #显示图像

结果：

6 多个坐标系显示折线图

figure, axes = plt.subplots(nrows=1, ncols=2)
#nrows:行
#ncols:列

注意：此时为面向对象的编程，注意代码的不同。

• 代码示例：

import matplotlib.pyplot as plt

x=[0,1,2,3,4,5]
y_2x=[2*i for i in range(6)]
y_3x=[3*i for i in range(6)]

#创建画布
#plt.figure(figsize=(5,5),dpi=100) 
figure, axes = plt.subplots(nrows=1, ncols=2,figsize=(10,5),dpi=100)

#绘制图像
#plt.plot(x,y_2x,label='2x') 
axes[0].plot(x,y_2x,label='2x') 
#plt.plot(x,y_3x,label='3x') 
axes[1].plot(x,y_3x,label='3x') 

#显示图例
#plt.legend()
axes[0].legend()
axes[1].legend()

#修改刻度
axes[0].set_xticks(x[::1])
axes[0].set_yticks(range(0,20)[::2])
axes[1].set_xticks(x[::1])
axes[1].set_yticks(range(0,20)[::2])

#添加描述信息
axes[0].set_xlabel("x")
axes[0].set_ylabel("2x")
axes[0].set_title("y=2x")

axes[1].set_xlabel("x")
axes[1].set_ylabel("3x")
axes[1].set_title("y=3x")

#显示图像
plt.show() 

三、散点图

分析不同变量之间的关系/规律

plt.scatter(x,y)

3.1散点图的绘制

import matplotlib.pyplot as plt

#数据
math_score=[140,96,134,108,88]
physics_score=[95,78,86,81,72]

#创建画布
plt.figure()

#绘制散点图
plt.scatter(math_score,physics_score)

#显示图像
plt.show()

结果：

四、柱状图

统计不同类别的数量大小，比较数据之间的差异

plt.bar(x,width,...)
#x为数据
#width为柱宽

4.1一个类别单个柱状图

• 代码示例：

import matplotlib.pyplot as plt

#数据
students=["小明","小红","小刚","小智","小华"]
math_score=[140,96,134,108,88]

#创建画布
plt.figure()

#绘制图像
plt.bar(range(0,5),math_score,color=['r','y','g','c','b']) #采用不同颜色绘制柱状图

#修改刻度
plt.xticks(range(0,5),students)

#添加标题
plt.title("数学成绩")

#添加网格显示
plt.grid(linestyle=":",alpha=0.5)

#显示图像
plt.show()

结果：

4.2一个类别多个柱状图

• 代码示例：

import matplotlib.pyplot as plt

#数据
students=["小明","小红","小刚","小智","小华"]
math_score=[i/150 for i in [140,96,134,108,88]]
physics_score=[i/100 for i in [95,78,86,81,72]]

#创建画布
plt.figure()

#绘制图像
plt.bar(range(0,5),math_score,color='r',width=0.2)
plt.bar([i-0.2 for i in range(0,5)],physics_score,color='b',width=0.2)#注意刻度要作出调整，不然会重叠在一起

#修改刻度
plt.xticks([i-0.1 for i in range(0,5)],students) 

#添加标题
plt.title("数学和物理成绩得分情况")

#添加网格显示
plt.grid(linestyle=":",alpha=0.5)

#显示图像
plt.show()

结果：

五、直方图

表示数据分布状况

plt.hist(x,bins,density,...)
#x为数据
#bins为组数
#density为是否显示频率(默认不显示)

5.1 直方图与柱状图的区别

直方图	柱状图
展示数据的分布	比较数据的大小
x轴展示的是数字区间	x轴展示的是分类数据
柱子间无间隔	柱子间有间隔
柱子宽度有意义

5.2 直方图的绘制

import matplotlib.pyplot as plt

#数据
math_score=[140,96,134,108,138,128,128,117,126,116,100,114,115,116,112,116,101,102,89,96,85,108,92,75,116,92,124,150]

#创建画布
plt.figure(figsize=(20,10),dpi=100)

#绘制图像
d=3
group_num = (max(math_score)-min(math_score))//d #组数=（最大值-最小值）//组距
plt.hist(math_score,bins=group_num,density=True)

#修改刻度
plt.xticks(range(min(math_score),max(math_score)+d,d))

#添加标题
plt.title("数学成绩直方图")

#添加网格显示
plt.grid(linestyle=":",alpha=0.5)

#显示图像
plt.show()

结果：

六、饼图

不同数据占比情况（类别太多不建议使用）

plt.pie(x,labels,autopct,colors,...)
#x:数量
#labels：每部分的名称
#autopct：占比显示
#colors：每部分颜色

6.1 饼图的绘制

import matplotlib.pyplot as plt

#数据
students=["小明","小红","小刚","小智","小华"]
duty_days=[3,5,8,6,8]

#创建画布
plt.figure()

#绘制图像
plt.pie(duty_days,labels=students,autopct="%1.2f%%",colors=['r','y','c','b','g'])
plt.axis('equal')#保证饼图长宽一致

#显示图例
plt.legend()

#修改刻度
plt.xticks()

#添加标题
plt.title("上月同学值日天数")

#添加网格显示
plt.grid(linestyle=":",alpha=0.5)

#显示图像
plt.show()

结果：