第八章、使用 matplotlib 绘制高级图表

学习目标

★了解常见的高级图表

★掌握高级图表的绘制方法

matplotlib 除了可以绘制简单的图表，还可以绘制一些常见的高级图表，包括等高线图、

矢量场流线图、棉棒图、哑铃图、甘特图、人口金字塔图、漏斗图、桑基图、树状图和华夫饼图。

下面将对 matplotlib 中绘制高级图表的相关知识进行详细介绍。

8.1　绘制等高线图

等高线图是地形图上高程相等的相邻各点所连成的闭合曲线，它会将地面上海拔高度相

同的点连成环线，之后将环线垂直投影到某一水平面上，并按照一定的比例缩绘到图纸上，

常见于山谷、山峰或梯度下降算法的场景。例如，某座山的等高线图如图 8-1 所示。

图 8-1 的等高线中标注的数字代表海拔高度。等高线图包含 3 个主要的信息，分别为坐

标点的 x 值、 y 值及高度。假设坐标点的高度为 h ，则 h 、 x 、 y 之间的关系如下所示 ：

h =(1 − x /2+ x 5 + y 3 )e − x 2 − y 2

在 matplotlib 中，pyplot 可以使用 contour()、contourf() 函数分别绘制和填充等高线图。

contour() 函数的语法格式如下所示 ：

contour([X, Y,]Z, [levels,] ** kwargs)

该函数的常用参数的含义如下。

·X，Y ：表示坐标点的网格数据。

·Z ：表示坐标点对应的高度数据。

·levels ：表示等高线的数量。若 levels 为 n ，则 说明绘制 n + 1 条等高线。

·colors ：表示不同高度的等高线颜色。

·cmap ：表示颜色映射表。

·linewidths ：表示等高线的宽度。

·linestyles ：表示等高线的线型。

需要注意的是，参数 X、Y 需要接收网格数据，即以坐标矩阵批量描述点的位置。

numpy 模块的 meshgrid() 函数可以生成网格数据。contourf() 与 contour() 函数的参数相似，此

处不再赘述。

此外，Axes 类的对象也可以使用 contour()、contourf() 方法绘制和填充等高线图。

下面使用 numpy 生成一组位于 -2 ～ 2 之间的样本数据，计算出等高线的高度，绘制并

填充等高线图，示例代码如下。

In [1]:

import numpy as np

import matplotlib.pyplot as plt

# 计算高度

def calcu_elevation(x1, y1):

　　 h = (1-x1/2 + x1 ** 5 + y1 ** 3) * np.exp(-x1 ** 2 - y1 ** 2)

　　 return h

n = 256

x = np.linspace(-2, 2, n)

y = np.linspace(-2, 2, n)

# 利用 meshgrid() 函数生成网格数据

x_grid, y_grid = np.meshgrid(x, y)

fig = plt.figure()

ax = fig.add_subplot(111)

# 绘制等高线

con = ax.contour(x_grid, y_grid, calcu_elevation(x_grid, y_grid),

　　　 8, colors='black')

# 填充等高线的颜色

ax.contourf(x_grid, y_grid, calcu_elevation(x_grid, y_grid),

8, alpha=0.75, cmap=plt.cm.copper)

# 为等高线添加文字标签

ax.clabel(con, inline=True, fmt='%1.1f', fontsize=10)

ax.set_xticks([])

ax.set_yticks([])

plt.show()

以上示例首先定义了一个计算等高线高度的 calcu_elevation() 函数，其次生成了一组样本

数据，并将这些数据转换为网格数据，然后分别调用 contour() 和 contourf() 方法绘制和填充等

高线，最后调用 clabel() 方法为等高线添加标注，以及隐藏 x 轴和 y 轴的刻度。

运行程序，效果如图 8-2 所示。

8.2　绘制矢量场流线图

矢量场流线图可以表现矢量场的流态，常见于科学和自然学科中的磁场、万有引力和流

体运动等场景。例如，某磁场的流线图如图 8-3 所示。

由图 8-3 可知，矢量场流线图包含多条带有箭头的线条，其中线条的长度表示矢量场的

强度，箭头的方向表示矢量场的方向。此外，矢量场的强度也可以用线条的密度来表示。

在 matplotlib 中，pyplot 可以使用 streamplot() 函数绘制矢量场流线图。streamplot() 函数的

语法格式如下所示 ：

streamplot(x, y, u, v, density=1, linewidth=None, col=None, cmap=None,

norm=None, arrowsize=1, arrowstyle='-|>', minlength=0.1,

transform=None, zorder=None, start_points=None, maxlength=4.0,

integration_direction='both', * , data=None)

该函数常用参数的含义如下。

·x，y ：表示间距均匀的网格数据。

·u，v ：表示 (x,y) 速率的二维数组。

·density ：表示流线的密度。

·linewidth ：表示流线的宽度。

·arrowsize ：表示箭头的大小。

·arrowstyle ：表示箭头的类型。

·minlength ：表示流线的最小长度。

·maxlength ：表示流线的最大长度。

此外，Axes 类的对象也可以使用 streamplot() 方法绘制矢量场流线图。

下面根据一组模拟某磁场的网格数据绘制一个矢量场流线图，示例代码如下。

In [2]:

import numpy as np

import matplotlib.pyplot as plt

y, x = np.mgrid[0:5:50j, 0:5:50j]

u = x

v = y

fig = plt.figure()

ax = fig.add_subplot(111)

# 绘制矢量场流线图

ax.streamplot(x, y, u, v)

plt.show()

运行程序，效果如图 8-4 所示。

 由图 8-4 可知，右侧的流线密度较大，说明该处磁场较强。

8.3　绘制棉棒图

棉棒图亦称为火柴杆图、大头针图或棒棒糖图，由线段（茎）与标记符号（茎头，默认

为圆点）连接而成。其中，线段表示数据点到基线的距离，标记符号表示数据点的数值。棉

棒图是柱形图或条形图的变形，主要用于比较标记符号的相对位置，而非比较线段的长度。

例如，某公司全年盈利情况的棉棒图如图 8-5 所示。

在 matplotlib 中，pyplot 可以使用 stem() 函数绘制棉棒图。stem() 函数的语法格式如下

所示 ：

stem([x,] y, linefmt=None, markerfmt=None, basefmt=None, bottom=0,

label=None, use_line_collection=False, data=None)

该函数常用参数的含义如下。

·x，y ：表示茎的 x 值和茎头的 y 值。

·linefmt ：表示茎属性的字符串。

·markerfmt ：表示茎头属性的字符串。

·basefmt ：表示基线属性的字符串。

·bottom ：表示基线的 y 值。

·label ：表示应用于图例的标签。

·use_line_collection ：若设为 True，则将棉棒图的所有线段存储到一个 LineCollection 类

对象中 ；若设为 False，则将棉棒图的所有线段存储到列表中。

stem() 函数会返回一个形如 (markerline, stemlines, baseline) 的元组，其中元组的第 1 个元

素 markerline 为代表棉棒图标记的 Line2D 对象，第 2 个元素 stemlines 为代表棉棒图线段的

Line2D 对象，第 3 个元素 baseline 为代表基线的 Line2D 对象。

此外，Axes 类的对象也可以使用 stem() 方法绘制棉棒图。

假设汽车生产商生产了一批小型轿车，并测试了这批小型轿车的燃料消耗量，结果如

表 8-1 所示。

 注 ：表 8-1 中所列轿车的燃料消耗量数据来源于网络，不能确定其真实性。

根据表 8-1 的数据，将“轿车品牌”一列的数据作为 x 轴的标签，将“燃料消耗量”一

列的数据作为 y 轴的数据，使用 stem() 绘制不同品牌轿车燃料消耗量的棉棒图，具体代码如下。

In [3]:

import numpy as np

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False

x = np.arange(1, 16)

y = np.array([5.9, 6.2, 6.7, 7.0, 7.0, 7.1, 7.2, 7.4,

　　　　　　　　 7.5, 7.6, 7.7, 7.7, 7.7, 7.8, 7.9])

labels = np.array([' 宝骏 310', ' 宝马 i3', ' 致享 ', ' 焕驰 ', ' 力帆 530',

' 派力奥 ', ' 悦翔 V3', ' 乐风 RV', ' 奥迪 A1', ' 威驰 FS',

' 夏利 N7', ' 启辰 R30', ' 和悦 A13RS', ' 致炫 ', ' 赛欧 '])

fig = plt.figure(figsize=(10, 6), dpi= 80)

ax = fig.add_subplot(111)

# 绘制棉棒图

markerline, stemlines, baseline = ax.stem(x, y, linefmt='--',

markerfmt='o', label='TestStem', use_line_collection=True)

# 设置棉棒图线段的属性

plt.setp(stemlines, lw=1)

ax.set_title(' 不同品牌轿车的燃料消耗量 ', fontdict={'size':18})

ax.set_ylabel(' 燃料消耗量 (L/km)')

ax.set_xticks(x)

ax.set_xticklabels(labels, rotation=60)

ax.set_ylim([0, 10])

for temp_x, temp_y in zip(x, y):

　　 ax.text(temp_x, temp_y + 0.5, s='{}'.format(temp_y), ha= 'center',

va='bottom', fontsize=14)

plt.show()

运行程序，效果如图 8-6 所示。

 

图 8-6 中，每个茎头上方都添加了注释文本。由图 8-6 可知，赛欧轿车的燃料消耗量最大，

为 7.9 L/km。

8.4　绘制哑铃图

哑铃图又名 DNA 图（图表横着看像哑铃，竖着看像 DNA），主要用于展示两个数据点之

间的变化。哑铃图可以看作散点图与线形图的组合，适用于比较各种项目“前”与“后”的

位置及项目的等级排序等场景。例如，2017 年与 2018 年某公司各部门活动经费的使用情况

如图 8-7 所示。

已知美国在 2013 年和 2014 年分别对部分城市的人口 PCT 指标进行了统计，并将统计的

结果整理到 health.xlsx 文件中。health.xlsx 文件的内容如图 8-8 所示。

 

下面使用 pandas 读取 health.xlsx 文件的数据，并根据读取的数据绘制由散点和线组成的

哑铃图，示例代码如下。

In [4]:

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib.lines as mlines

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['axes.unicode_minus'] = False

df = pd.read_excel(r"C:\Users\admin\Desktop\health.xlsx")

df.sort_values('pct_2014', inplace=True)

df.reset_index(inplace=True)

df = df.sort_values(by="index")

def newline(p1, p2, color='black'):

　　ax = plt.gca()　　# 获取当前的绘图区域

　 l = mlines.Line2D([p1[0], p2[0]], [p1[1],p2[1]], color='skyblue')

　　 ax.add_line(l)

　　 return l

fig, ax = plt.subplots(1, 1, figsize=(8, 6))

# 绘制散点

ax.scatter(y=df['index'], x=df['pct_2013'], s=50,

color='#0e668b', alpha=0.7)

ax.scatter(y=df['index'], x=df['pct_2014'], s=50,

color='#a3c4dc', alpha=0.7)

# 绘制线条

for i, p1, p2 in zip(df['index'], df['pct_2013'], df['pct_2014']):

　　 newline([p1, i], [p2, i])

ax.set_title("2013 年与 2014 年美国部分城市人口 PCT 指标的变化率 ", fontdict={'size':12})

ax.set_xlim(0, .25)

ax.set_xticks([.05, .1, .15, .20])

ax.set_xticklabels(['5%', '10%', '15%', '20%'])

ax.set_xlabel(' 变化率 ')

ax.set_yticks(df['index'])

ax.set_yticklabels(df['city'])

ax.grid(alpha=0.5, axis='x')

plt.show()

运行程序，效果如图 8-9 所示。

图 8-9 中，每个杠铃图形左端的圆点代表 2013 年美国部分城市人口 PCT 指标的变化率，

右端的圆点代表 2014 年美国部分城市人口 PCT 指标的变化率。由图 8-9 可知，洛杉矶市人

口 PCT 指标的变化率最大，圣路易斯市人口 PCT 指标的变化率最小。

8.5　绘制甘特图

甘特图亦称为横道图、条状图，它通过活动列表和时间刻度表示特定项目的顺序与持续

时间。甘特图一般以时间为横轴、项目为纵轴，可以直观地展示每个项目的进展情况，以便

于管理者了解项目的剩余任务及评估工作进度。例如，某公司于 12 月份跟踪了某项目进度，

如图 8-10 所示。

 

观察图 8-10 可知，甘特图类似于条形图，它们的图形都是横向的矩形条，但甘特图中

每个矩形条的起始位置是不同的。使用 pyplot 模块的 barh() 函数可以绘制一个甘特图，只需

要给 left 参数传入值，指定每个矩形条 x 坐标值即可。

已知某公司准备开辟一个新项目，为确保项目的可行性，将该项目划分为“项目确定”“问

卷设计”“试访”“问卷确定”“实地执行”“数据录入”“数据分析”“报告提交”共 8 个任务，

并指定了各任务的周期。下面使用 barh() 绘制一个甘特图，示例代码如下。

In [5]:

import numpy as np

import matplotlib.pyplot as plt

ticks = np.array([' 报告提交 ', ' 数据分析 ', ' 数据录入 ', ' 实地执行 ',

　　　　 ' 问卷确定 ', ' 试访 ', ' 问卷设计 ', ' 项目确定 '])

y_data = np.arange(1, 9)

x_data = np.array([0.5, 1.5, 1, 3, 0.5, 1, 1,2])

fig,ax = plt.subplots(1, 1)

ax.barh(y_data, x_data, tick_label=ticks,

　　 left=[7.5, 6, 5.5, 3, 3, 2, 1.5, 0], color='#CD5C5C')

[ax.spines[i].set_visible(False) for i in ['top', 'right']]

ax.set_title(" 任务甘特图 ")

ax.set_xlabel(" 日期 ")

ax.grid(alpha=0.5, axis='x')

plt.show()

运行程序，效果如图 8-11 所示。

图 8-11 中，每个深灰色的条形代表任务的周期，条形越长代表周期越长。由图 8-11 可知，“实地执行”任务的周期最长，共计 3 天。