Matplotlib

系列文章目录

第一章 python数据挖掘基础环境安装和使用

---

---

一、Matplotlib是什么

是一个画二维图表的python工具库。

• mat - matrix 矩阵
  • 二维数组 - 二维图表
• plot - 画图
• lib - library 库
• 开源的

模仿matlab（矩阵实验室）

• mat - matrix

• lab - 实验室

• 为什么不用它？

  • 有自己独立的语言
  • 花钱
    

• 专门用于开发 2D 图表（包括 3D 图表）的 python 库

• 使用起来及其简单

• 以渐进、交互式方式实现数据可视化

对应的 JS 库有 D3、echarts
官网：Matplotlib

二、为什么要学Matplotlib

可视化是在整个数据挖掘的关键辅助工具，可以清晰的理解数据，从而调整我们的分析方法。

• 能将数据进行可视化，更直观的呈现
• 使数据更加客观、更具说服力

三、实现一个简单的Matplotlib画图

新建一个notebook

import matplotlib.pyplot as plt
%matplotlib inline

plt.figure()
plt.plot([1,0,9],[4,5,61])
plt.show()

分析代码：

• import matplotlib.pyplot as plt ：导包，pyplot 重新命名为 plt

• %matplotlib inline ：是看环境情况，有的环境是不需要这行也能画出图，有的环境需要加入这行。它是一个魔法函数（Magic Functions）。官方给出的定义是：IPython有一组预先定义好的所谓的魔法函数（Magic Functions），你可以通过命令行的语法形式来访问它们。可见“%matplotlib inline”就是模仿命令行来访问magic函数的在IPython中独有的形式。

  我的加不加这行都可以

• plt.figure() ：figure英文是图像的意思，创建一个画布，我们在画布上画东西。

• plt.plot([1,0,9],[4,5,61]) ：plot英文是画图的意思，他是里面有两个参数，第一个参数[1,0,9]、第二个参数[4,5,61] 两个列表，其实它画图就是画的这些数据，这个数据和图之间是怎样的关系的？观察可得出，第一个参数传的是横坐标、第二个传的是纵坐标数据，相当于plot把这些点画出来之后再把这些点连起来，连成线。
  

• plt.show() ：把图最终呈现出来。

四、Matplotlib图像结构

五、三层结构（了解）

• 容器层
• 辅助显示层
• 图像层

容器层

容器层主要由Canvas、Figure、Axes组成。

• 画板层 Canvas
  • Canvas是位于最底层的系统层，在绘图的过程中充当画板的角色，即放置画布(Figure)的工具。
• 画布层 Figure
  • Figure是Canvas上方的第一层，也是需要用户来操作的应用层的第一层，在绘图的过程中充当画布的角色。
  • Figure: 指整个图形(可以通过plt.figure()设置画布的大小和分辨率等)
  • plt.figure(figsize=(长,宽), dpi=)
• 绘图层/坐标系
  • Axes是应用层的第二层，在绘图的过程中相当于画布上的绘图区的角色 。
  • Axes(坐标系): 数据的绘图区域。figure , axes = plt.subplots(nrows=行,ncols=列, figsize=, dpi=)
  • Axis(坐标轴): 坐标系中的一条轴，包含大小限制、刻度和刻度标签

特点：

1. 一个figure(画布)可以包含多个axes(坐标系 / 绘图区)，但是一个axes只能属于一个figure。
2. 一个axes(坐标系/绘图区)可以包含多个axis(坐标轴)，包含两个即为2d坐标系，3个即为3d坐标系

总结

• 容器层
  • 画板层 Canvas（位于最底层，用户一般接触不到）
  • 画布层 Figure（画板层之上创建画布层）
  • 绘图层/坐标系 Axes（画布层上创建多个绘图区 或者 坐标系 ）
    • x、y轴张成的区域
    • 辅助显示层（添加一些功能）
    • 图像层（画图）
    • 坐标轴 Axis、图例 legend 等辅助显示层以及图像层都是建立在Axes之上

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。

该层的设置可使图像显示更加直观更加容易被用户理解，但又不会对图像产生实质的影响。
plt.x/yticks()
plt.x/ylabel()
plt.title()
plt.grid()
plt.legend()

# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

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。

图像层任务就是用来画不同的图标，包括设置颜色和风格。

六、折线图 plot

以折线的上升或下降来表示统计数量的增减变化的统计图

特点：能够显示数据的变化趋势，反映事物的变化情况。（变化）

6.1 matplotlib.pyplot模块

matplotlib.pyplot 包含了一系列类似于matlab的画图函数。它的函数作用于当前图形（figure）的当前坐标系（axes）。

import matplotlib.pyplot as plt

6.2 折线图绘制与显示

展现东莞一周的天气，比如从星期一到星期日的天气温度如下

# (1) 创建画布(客器组)
plt.figure()
# (2)绘制折线(图像层)
plt.plot([1, 2, 3, 4, 5, 6 ,7], [30, 32, 30, 31, 30, 32, 31])
# (3)显示围像
plt.show()

运行Ctrl+Enter

可以看到这样显示效果并不好，我们可以加入更多的功能。

设置画布属性

plt.figure(figsize=(长,宽), dpi=)
   figsize: 指定图的长宽
   dpi: dot per inch 每英寸多少个点，图像的清晰度
   返回fig对象

代码：

plt.figure(figsize=(20,8),dpi=80)

可以看到，图变打了，也变清晰了。

图片保存

1. 最简单的方法： 对着图片右键 --> 保存
   
2. 代码进行保存： plt.savefig(path)，path是路径

# (1) 创建画布(客器组)
plt.figure(figsize=(20,8),dpi=80)
# (2)绘制折线(图像层)
plt.plot([1, 2, 3, 4, 5, 6 ,7], [30, 32, 30, 31, 30, 32, 31])
# 保存图像
plt.savefig("东莞一周的天气.png")
# (3)显示围像
plt.show()

注意: plt.show()会释放figure资源，如果在显示图像之后保存图片将只能保存空图片。

添加自定义x，y刻度

• plt.xticks(x, **kwargs)
  x: 要显示的刻度值
  **kwargs x刻度说明
• plt.yticks(y, **kwargs)
  x: 要显示的刻度值
  **kwargs y刻度说明

plt.xticks(range(60)[::5],["11分{}秒".format(i) for i in x][::5])

plt.yticks(range(40)[::5])
# 或者
plt.yticks(range(0,40,5))

中文问题解决

如果没有解决过中文问题的话，会显示这个样子：

mac 的一次配置，一劳永逸
ubantu 每创建一次新的虚拟环境，需要重新配置

下载中文字体（黑体，看准系统版本）

• 下载 SimHei 字体 (或者其他的支持中文显示的字体也行)
• 链接：https://pan.baidu.com/s/1WzsrpPEyix5v_oM6-Kth3w?pwd=6666
  提取码：6666

1）安装字体

• windows和mac下:双击安装

• linux下:拷贝字体到 usr/share/fonts 下:

  sudo cp ~/SimHei.ttf /usr/share/fonts/SimHei.ttf
  

  注意：Linux如果用ubantu也可以通过双击安装

2）删除matplotlib缓存文件
Mac系统的解决方案：

• 删除~/.matplotlib中的缓存文件

  cd ~/.matplotlib
  rm -r *
  

Linux系统的解决方案：

• 删除~/.cache/matplotlib中的缓存文件

  cd ~/.cache/matplotlib
  rm -r *
  

3）修改配置文件matplotlib
Mac系统的解决方案：

• 修改配置文件matplotlib

  vi ~/.matplotlib/matplotlibrc
  

  将文件内容修改为：

  font.family        : sans-serif
  font.sans-serif        : SimHei
  axes.unicode_minus : False
  

Linux系统的解决方案

• 修改配置文件

  sudo find -name matplotlibrc
  

  返回结果：

  ./.virtualenvs/ai/lib/python3.5/site-packages/matplotlib/mpl-data/matplotlibrc
  

  打开配置文件：

  vi ./.virtualenvs/ai/lib/python3.5/site-packages/matplotlib/mpl-data/matplotlibrc
  

  将配置文件中下面3项改为如下所示

font.family        : sans-serif
font.sans-serif        : SimHei
axes.unicode_minus : False

Windows系统的小伙伴可以在代码里加上
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False
这两句就行，不用下载那个字体

添加网格

plt.grid(True, linestyle='--', alpha=0.5)

• 第一个参数默认是True，意思是 是否添加网格，写不写都行，一般都是按默认。
• linestyle，线条风格，如果是想显示成虚线，那就是’–’
• alpha，透明度，如果不想网格影响原始图片的显示效果，就用上透明度

添加描述信息

添加 x轴、y轴 描述信息 及 标题

plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海、北京11点0分到12点之间的温度变化图示")

多次plot

plt.plot(x, y_shanghai, color="r",linestyle='-.',label="上海")
plt.plot(x, y_beijing, color="b",label="北京")

• 第一个参数传的是横坐标
• 第二个传的是纵坐标数据
• color 颜色，“r” 红色、“b” 蓝色
• linestyle 线条风格，默认实线，如果是想显示成虚线，那就是’–’
• label 显示图例
  • 注意：如果只在plt.plot()中设置label还不能最终显示出图例，我们只在 图像层 层面进行修改，还需要在 辅助显示层 层面进行修改（显示图例），通过plt.legend() # 显示图例

设置图形风格

颜色字符	风格字符
r 红色	- 实线
g 绿色	- - 虚线
b 蓝色	-. 点划线
w 白色	: 点虚线
c 青色	’ ’ 留空、空格
m 洋红
y 黄色
k 黑色

显示图例

plt.legend()
或者
plt.legend(loc="best")
或者
plt.legend(loc=0)

用 字符串 去传还是用 数字 去传都可以，默认“best”。

Location String	Location Code
‘best’	0
‘upper right’	1
‘upper left’	2
‘lower left’	3
‘lower right’	4
‘right’	5
‘center left’	6
'center right‘	7
'lower center‘	8
'upper center’	9
'center‘	10

案例: 显示温度变化状况

需求: 画出某城市11点到12点1小时内每分钟的温度变化折线图，温度范围在15度~18度

# 温度变化折线图
import matplotlib.pyplot as plt
%matplotlib inline
import random

# 1、准备数据
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

# 2、创建画布
plt.figure(figsize=(20,8),dpi=80)

# 3、绘制图像
plt.plot(x, y_shanghai, color="r",linestyle='-.',label="上海")
plt.plot(x, y_beijing, color="b",label="北京")

# 显示图例
plt.legend()
# plt.legend(loc="lower left")
# plt.legend(loc=4)

# 修改x y刻度
x_label = ["11分{}秒".format(i) for i in x]
plt.xticks(x[::5],x_label[::5])
plt.yticks(range(0,40,5))

# 显示网格
plt.grid(linestyle='--', alpha=0.5)

# 添加描述 标题
plt.xlabel("时间")
plt.ylabel("温度")
plt.title("上海、北京11点0分到12点之间的温度变化图示")

# 4、显示图像
plt.show()

random.uniform(15,18) 均匀分布的意思

多个坐标系显示-plt.subplots(面向对象的画图方法)

可以通过subplots函数实现(旧的版本中有subplot，使用起来不方便)，推荐subplots函数。

• figure , axes = matplotlib.pyplot.subplots(nrows=1,ncols=1,**fig_kw) 创建一个带有多个axes(坐标系 / 绘图区)的图
  • nrows 行
  • ncols 列
  • 返回值：两个对象

Parameters:

nrows, ncols : int, optional, default: 1, Number of rows/columns of the subplot grid.
**fig_kw : All additional keyword arguments are passed to the figure() call.

Returns:
fig : 图对象
ax :
	设置标题等方法不同:
	set_xticks
	set_yticks
	set_xlabel
	set_ylabel

关于axes子坐标系的更多方法: 可以参考https://matplotlib.org/stable/api/axes_api.html#matplotlib.axes.Axes

注意: plt.函数名() 相当于面向过程的画图方法，axes.set_方法名() 相当于面向对象的画图方法。

# 温度变化折线图
import matplotlib.pyplot as plt
%matplotlib inline
import random

# 1、准备数据
x = range(60)
y_shanghai = [random.uniform(15,18) for i in x]
y_beijing = [random.uniform(1,3) for i in x]

# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

# 2、创建画布
# plt.figure(figsize=(20,8),dpi=80)
figure, axes = plt.subplots(nrows=1, ncols=2, figsize=(20, 8), dpi= 80)

# 3、绘制图像
# plt.plot(x, y_shanghai, color="r",linestyle='-.',label="上海")
# plt.plot(x, y_beijing, color="b",label="北京")
axes[0].plot(x, y_shanghai, color="r",linestyle='-.',label="上海")# 第一个绘图区
axes[1].plot(x, y_beijing, color="b",label="北京")# 第二个绘图区

# 显示图例
# plt.legend()
# plt.legend(loc="lower left")
# plt.legend(loc=4)
axes[0].legend()
axes[1].legend()

# 修改x y刻度
x_label = ["11分{}秒".format(i) for i in x]
# plt.xticks(x[::5],x_label[::5])
# plt.yticks(range(0,40,5))
axes[0].set_xticks(x[::5],x_label[::5])
axes[0].set_yticks(range(0,40,5))
axes[1].set_xticks(x[::5],x_label[::5])
axes[1].set_yticks(range(0,40,5))

# 显示网格
# plt.grid(linestyle='--', alpha=0.5)
axes[0].grid(linestyle='--', alpha=0.5)
axes[1].grid(linestyle='--', alpha=0.5)

# 添加描述 标题
# plt.xlabel("时间")
# plt.ylabel("温度")
# plt.title("上海、北京11点0分到12点之间的温度变化图示")
axes[0].set_xlabel("时间")
axes[0].set_ylabel("温度")
axes[0].set_title("上海11点0分到12点之间的温度变化图示")
axes[1].set_xlabel("时间")
axes[1].set_ylabel("温度")
axes[1].set_title("北京11点0分到12点之间的温度变化图示")

# 4、显示图像
plt.show()

PS：老版本可能会不显出来

如果你的横坐标没有像我一样正常显出来，可以查看https://matplotlib.org/stable/api/axes_api.html#matplotlib.axes.Axes


用set_xticklabels方法

# 修改x y刻度
x_label = ["11分{}秒".format(i) for i in x]
axes[0].set_xticks(x[::5])
axes[0].set_xticklabels(x_label[::5])
axes[0].set_yticks(range(0,40,5))
axes[1].set_xticks(x[::5])
axes[1].set_xticklabels(x_label[::5])
axes[1].set_yticks(range(0,40,5))

折线图的应用场景

• 某事物、某指标随时间的变化状况
• 呈现公司产品(不同区域)每天活跃用户数
• 呈现app每天下载数量
• 呈现产品新功能上线后, 用户点击次数随时间的变化
• 拓展: 画各种数学函数图像
  • 注意: plt.plot()除了可以画折线图，也可以用于画各种数学函数图像

import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np

# 1、准备x、y数据
x = np.linspace(-1,1,1000)# 生成-1到1之间等距离的生成一千个数  [-1,...,1]
y = 2 * x * x  # 2乘x的平方

# 2、创建画布
plt.figure(figsize=(20,8), dpi=80)

# 3、绘制图像
plt.plot(x, y)

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

plt.show()

七、散点图 scatter

常见图形种类及意义

Matplotlib能够绘制折线图、散点图、柱状图、直方图、饼图。

• 折线图 plot：以折线的上升或下降来表示统计数量的增减变化的统计图
  特点：能够显示数据的变化趋势，反映事物的变化情况。（变化）
• 散点图 scatter：用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。
  特点：判断变量之间是否存在数量关联趋势，展示离群点（分布规律 / 关系）
• 柱状图 bar：排列在工作表的列或行中的数据可以绘制到柱状图中。
  特点：绘制连离散的数据，能够一眼看出名个数据的大小，比较数据之间的差别（统计/对比）
• 直方图 histogram：由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据范围，纵轴表示分布情况。
  特点：绘制连续性的数据展示一组或者多组数据的分布状况（统计）
• 饼图 pie：用于表示不同分类的占比情况，通过弧度大小来对比各种分类。
  特点：分类数据的占比情况（占比）

散点图绘制

# 需求:探究房屋面积和房屋价格的关系
import matplotlib.pyplot as plt
%matplotlib inline
# 1、准备数据
# 房屋面积数据:
x = [225.98, 247.07, 253.14, 457.85, 241.58, 301.01,  20.67, 288.64,
       163.56, 120.06, 207.83, 342.75, 147.9 ,  53.06, 224.72,  29.51,
        21.61, 483.21, 245.25, 399.25, 343.35]
# 房屋价格数据:
y = [196.63, 203.88, 210.75, 372.74, 202.41, 247.61,  24.9 , 239.34,
       140.32, 104.15, 176.84, 288.23, 128.79,  49.64, 191.74,  33.1 ,
        30.74, 400.02, 205.35, 330.64, 283.45]
# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制图像
plt.scatter(x, y)

# 4、显示图像
plt.show()

散点图应用场景
探究不同变量之间的内在关系

八、柱状图 bar

matplotlib.pyplot.bar(x, height, width=0.8, align='center', **kwargs)

• https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.bar.html#matplotlib.pyplot.bar
• x： 有几个类别
• height：对应类别的数量
• width：柱状图的宽度
• align：对齐方式
• **kwargs 其他（用的不是特别多）
  • color 选择柱状图的颜色

案例1. 对比每部电影的票房收入

import matplotlib.pyplot as plt
%matplotlib inline
# 对比每部电影的票房收入
# 1、准备数据
movie_names = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴', '降魔传','追捕','七十七天','密战','狂兽','其它']
tickets = [73853,57767,22354,15969,14839,8725,8716,8318,7916,6764,52222]

# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制柱状图
x_ticks = range(len(movie_names))
plt.bar(x_ticks, tickets, color=['b','r','g','y','c','m','y','k','c','g','b'])

# 修改x刻度
plt.xticks(x_ticks, movie_names)

# 添加标题
plt.title("电影票房收入对比")

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

# 4、显示图像
plt.show()

案例2. 如何对比电影票房收入才更能加有说服力?

比较相同天数的票房
有时候为了公平起见，我们需要对比不同电影首日和首周的票房

import matplotlib.pyplot as plt
%matplotlib inline
# 对比每部电影的票房收入
# 1、准备数据
movie_names = ['雷神3：诸神黄昏','正义联盟','寻梦环游记']
first_day = [10587.6, 10062.5, 1275.7]
first_weekend = [36224.9, 34479.6, 11830]
# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制柱状图
plt.bar(range(3), first_day, width=0.2, label='首日票房',color=["#309fb6"])
plt.bar([0.2,1.2,2.2], first_weekend, width=0.2,label="首周票房",color="#f68084")

# 显示图例
plt.legend()

# 修改x刻度
plt.xticks([i+0.1 for i in range(3)], movie_names)

# 添加标题
plt.title("电影票房收入对比")

# 4、显示图像
plt.show()

柱状图应用场景
适合用在分类数据对比场景上

• 数量统计
• 用户数量对比分析

九、直方图 histogram

由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据范围，纵轴表示分布情况。

特点：绘制连续性的数据展示一组或者多组数据的分布状况（统计）

直方图牵涉统计学的概念，首先要对数据进行分组，然后统计每个分组内数据元的数量。在坐标系中，横轴标出每个组的端点，纵轴表示频数，每个矩形的高代表对应的频数，称这样的统计图为频数分布直方图。

相关概念

• 组数:在统计数据时，我们把数据按照不同的范围分成几个组，分成的组的个数称为组数
• 组距:每一组两个端点的差

直方图与柱状图的对比

• 柱状图是以矩形的长度表示每一组的频数或数量，其宽度(表示类别)则是固定的，利于较小的数据集分析。
• 直方图描述的是一组数据的频次分布，是以矩形的长度表示每一组的频数或数量，宽度则表示各组的组距，因此其高度与宽度均有意义，利于展示大量数据集的统计结果。例如把年龄分成“0-5，5-10，…，80-85” 17个组，统计一下中国人口年龄的分布情况。直方图有助于我们知道数据的分布情况，诸如众数、中位数的大致位置、数据是否存在缺口或者异常值。

1. 直方图展示数据的分布，柱状图比较数据的大小。
2. 直方图X轴为定量数据，柱状图X轴为分类数据。
3. 直方图柱子无间隔，柱状图柱子有间隔
4. 直方图柱子宽度可不一，柱状图柱子宽度须一致

matplotlib.pyplot.hist(x, bins=None, density=False, **kwargs)

• x 数据

• bins 组数

• **kwargs 其他

  • density Y轴是否显示频率 ：默认False 显示频数 ； True 频率 (频数/总次数)

• https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.hist.html#matplotlib-pyplot-hist

  Parameters:
  x: (n,) array or sequence of (n,) arrays
  
  bins: int or sequence or str, default: rcParams["hist.bins"] (default: 10)  数组的意思
  

案例 电影时长分布状况

• 设置组距
• 设置组数(通常对于数据较少的情况，分为5~12组，数据较多，更换图形显示方式)
  • 通常设置组数会有相应公式: 组数=极差/组距=(max-min)/bins
  • x = time
    因为组数是整数，用 / 不行会有小数点, 所以用//整除，bins 组数 = (max(time) - min(time)) // 组距

import matplotlib.pyplot as plt
%matplotlib inline
# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
# 1、准备数据
time = [131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制直方图
distance = 2 # 组距
group_num = int((max(time) - min(time)) / distance)
# group_num = (max(time) - min(time)) // distance

plt.hist(time, bins=group_num, density=True)

# 修改x轴刻度
plt.xticks(range(min(time), max(time) + distance, distance))

# 添加网格
plt.grid(linestyle="--", alpha=0.5)

# 添加标题
plt.title("电影时长分布状况")

# 4、显示图像
plt.show()

直方图注意点

1.注意组距
组距会影响直方图呈现出来的数据分布，因此在绘制直方图的时候需要多次尝试改变组距

2.注意Y轴所代表的变量
Y轴上的变量可以是 频次 (数据出现了多少次) 、频率 (频次/总次数) 、频率/组距，不同的变量会让直方图描述的数据分布意义不同。


直方图的应用场景

• 用于表示分布情况
• 通过直方图还可以观察和估计哪些数据比较集中，异常或者孤立的数据分布在何处

例如:用户年龄分布，商品价格分布

十、饼图 pie

用于表示不同分类的占比情况，通过弧度大小来对比各种分类。

特点：分类数据的占比情况（占比）

案例 显示不同的电影的排片占比

matplotlib.pyplot.pie(x, labels=None, autopct=None, colors=None)

• 注意显示的百分比的位数
• x： 数量，自动算百分比
• labels： 每部分名称
• autopct：占比显示指定%1.2f%%
  • printf(“%1.2f%%”) 长度1，小数部分2位，%%显示%
• colors： 每部分颜色
• https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.pie.html#matplotlib.pyplot.pie

添加axis
为了让显示的饼图保持圆形，需要添加axis保证长宽一样
plt.axis('equal')

import matplotlib.pyplot as plt
%matplotlib inline
# 中文显示问题
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
# 1、准备数据
movie_name = ['雷神3：诸神黄昏','正义联盟','东方快车谋杀案','寻梦环游记','全球风暴','降魔传','追捕','七十七天','密战','狂兽','其它']

place_count = [60605,54546,45819,28243,13270,9945,7679,6799,6101,4621,20105]

# 2、创建画布
plt.figure(figsize=(20, 8), dpi=80)

# 3、绘制饼图
plt.pie(place_count, labels=movie_name, colors=['#b3c1ed','#de6a75','#d5e1e7','#c7f781','#42eb84','#f8d8e4','#06ecfe','#7357b3','#fbad7d','#a3ea98','#fedb45'], autopct="%1.2f%%")

# 显示图例
plt.legend()

plt.axis('equal')# 保证长宽一样,让圆饼看起来圆
# 添加标题
plt.title("不同的电影的排片占比")

# 4、显示图像
plt.show()

饼图应用场景

• 分类的占比情况（不超过9个分类）

例如：班级男女分布占比，公司销售额占比，这种时候用柱状图就可以了。