Matplotlib库的简单用法

Matplotlib库的简单用法

Matplotlib是python科学计算中最基础、最重要的绘图库，是Python中最流行的数据可视化库之一，它提供了大量的绘图函数和工具，可以让用户创建各种类型的图表和图形，一般使用matpltlib完全可以满足我们绘图需求，当然现在也出现了seaborn这样的构建在matplotlib之上绘图库，能够一定程度上简化我们绘图过程。但是它的基础还是matplotlib，所有利用python进行数据分析可视化，学习matplotlib是必须要打的基础。

安装Matplotlib

在使用Matplotlib之前，我们需要先安装它。可以通过pip命令来安装Matplotlib：

pip install matplotlib

如果你使用的是Anaconda环境，也可以通过Anaconda Navigator来安装Matplotlib。

导入Matplotlib

安装完Matplotlib后，我们需要将其导入到Python脚本中：

import matplotlib.pyplot as plt

这行代码会将Matplotlib的pyplot模块导入，并将其重命名为plt。

绘制图形

Matplotlib提供了多种绘图函数，其中常用的有以下几种：

1.折线图：plot()

折线图是一种显示数据变化趋势的类型。我们使用plot()函数来创建折线图，示例代码如下：

import matplotlib.pyplot as plt
 
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
 
plt.plot(x, y)
plt.show()

这个程序会生成一个简单的折线图，其中x轴表示1到5的整数，y轴表示x的平方值。

除了以上代码，还可以通过format字符串来设置线条颜色和样式，例如’dashed’、‘dotted’、'solid’等。示例代码如下：

import matplotlib.pyplot as plt

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

plt.plot(x, y, 'r--')
plt.show()

其中’r’表示红色，'–'表示虚线。

2.散点图：scatter()

散点图是一种显示两个变量之间关系的类型。我们使用scatter()函数来创建散点图，示例代码如下：

import matplotlib.pyplot as plt
 
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
 
plt.scatter(x, y)
plt.show()

这个程序会生成一个简单的散点图，显示x和y之间的关系。

除了以上代码，还可以通过c参数来设置点的颜色，s参数来设置点的大小，alpha参数来设置点的透明度等。示例代码如下：

import matplotlib.pyplot as plt

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

plt.scatter(x, y, c='red', s=50, alpha=0.5)
plt.show()

3.柱状图：bar()

柱状图是一种用于比较不同变量值之间差异的类型。我们使用bar()函数来创建柱状图，示例代码如下：

import matplotlib.pyplot as plt
 
x = ['A', 'B', 'C', 'D', 'E']
y = [5, 7, 3, 8, 4]
 
plt.bar(x, y)
plt.show()

这个程序会生成一个简单的柱状图，显示x和y之间的差异。

除了以上代码，还可以通过width参数来设置柱子的宽度，color参数来设置颜色等。示例代码如下：

import matplotlib.pyplot as plt

x = ['A', 'B', 'C', 'D', 'E']
y = [5, 7, 3, 8, 4]

plt.bar(x, y, width=0.5, color='red')
plt.show()

4.直方图：hist()

直方图是一种用于展示数据分布情况的类型。我们使用hist()函数来创建直方图，示例代码如下：

import matplotlib.pyplot as plt
 
data = [1, 2, 3, 3, 4, 5, 5, 5, 6, 7]
 
plt.hist(data)
plt.show()

这个程序会生成一个简单的直方图，显示data中数据的分布情况。

5.饼状图：pie()

饼状图是一种用于展示数据占比情况的类型。我们使用pie()函数来创建饼状图，示例代码如下：

import matplotlib.pyplot as plt
 
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
 
plt.pie(sizes, labels=labels)
plt.show()

这个程序会生成一个简单的饼状图，显示不同标签占据的百分比。

除了以上代码，还可以通过explode参数来突出某些扇形，autopct参数来显示百分比等。示例代码如下：

import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

explode = (0.1, 0, 0, 0)
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%')
plt.show()

设置图形属性

在绘图时，我们可以通过设置图形属性来调整其外观和样式。

1.图形标题、坐标轴标签：title(), xlabel(), ylabel()

我们可以使用title()函数来添加图形标题，xlabel()函数来添加x轴标签，ylabel()函数来添加y轴标签。示例代码如下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.title('My Plot')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.plot(x, y)
plt.show()

2.图例：legend()

当我们在一个图中绘制多个数据系列时，可以使用legend()函数添加图例。示例代码如下：

import matplotlib.pyplot as plt
 
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [1, 2, 3, 4, 5]
 
plt.plot(x, y1, label='series1')
plt.plot(x, y2, label='series2')
plt.legend()
plt.show()

这个程序会生成一个带有图例的折线图，其中显示了两个数据系列。

除了以上代码，还可以通过loc参数来设置图例位置，例如’upper right’、'lower left’等。示例代码如下：

plt.legend(loc='upper right')

3.图形大小：figure()

我们可以使用figure()函数来调整图形大小。示例代码如下：

import matplotlib.pyplot as plt
 
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
 
plt.figure(figsize=(8, 6))
plt.plot(x, y)
plt.show()

这个程序会生成一个大小为8x6英寸的折线图。

除了以上代码，还可以通过dpi参数来设置图形分辨率等。

保存图形

最后，我们可以使用savefig()函数将已经创建好的图形保存为图片文件。例如：

import matplotlib.pyplot as plt
 
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
 
plt.plot(x, y)
plt.savefig('myplot.png')

这个程序会生成一个名为myplot.png的PNG图片文件，其中包含了我们所绘制的折线图。

结论

Matplotlib是一个非常强大的数据可视化库，可以让我们轻松地创建各种类型的图表和图形。在本文中，我们介绍了如何安装和导入Matplotlib，并介绍了一些常用的绘图函数和设置图形属性的方法，以及如何将已经创建好的图形保存为图片文件。这些知识可以帮助你更好地使用Matplotlib来实现数据可视化。

在下期将介绍Matplotlib更为详细的用法，敬请期待。