任务1：绘制人口统计图

1.从 populations.npz 中读取数据

2.提取总人口、男性人口、女性人口、城镇人口、乡村人口等数据，绘制折线图

链接: https://pan.baidu.com/s/1CNlDRT9G8I_ewtoSpTBYAw 提取码: ra1j

简要来说，我们需要绘制如下的图表。

import numpy as np
import matplotlib.pyplot as plt
#为了能够使我们的matplotlib正常使用中文，我们需要写下面两行代码，当前博主测试的环境为mac，
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
#Windows的话需要使用以下两句代码
# plt.rcParams["font.family"] = ["sans-serif"]
# plt.rcParams["font.sans-serif"] = ['SimHei']#将我们的文件放到我们Python文件的同级目录下，然后使用我们下面的代码读取我们population.npz文件中的具体数据。，
data=np.load('populations.npz',allow_pickle=True)
#设置我们的画布大小为30，8，其大小的单位为英寸
fig=plt.figure(figsize=(30,8))
#在我们的画布上创建一行一列的一张图表（也就是整张画布上我们只创建一张图表。）
ax=fig.add_subplot(1,1,1)
#使用切片的代码，从我们已经读取到数据的data数据中获取数据到my_data中，但是我们的数据中最后两行的数据为NAN，只有前面的0-19行有数据，
#此时我们需要数据清洗，将我们最后两行的数据进行删除
my_data=data['data'][0:20,:]
#当然我们也可以使用data['colunms']来查看我们列表中的字段名称是什么#将我们第一条折线的数据从我们my_data的大数据表中读取出来，如果查看过我们的columns之后，我们知道我们所需要的第一组数据为my_data中的第2列（下标从0开始）的数据
data1=my_data[0:20,1]
#但是当我们查看具体的数据之后，我们发现数据的年份和我们需要的年份是相反的，所以我们需要将取出的数据表首尾倒转
data1=np.fliplr([data1])[0]
#给我们第一组数据用折线图绘制，其标签名为total
ax.plot(data1,label='total')#以下为第二条折线图的创建，其原理与第一张图类似
data2=my_data[0:20,2]
data2=np.fliplr([data2])[0]
ax.plot(data2,label='man')#第三张折线图
data3=my_data[0:20,3]
data3=np.fliplr([data3])[0]
ax.plot(data3,label='women')#第四张折线图
data4=my_data[0:20,4]
data4=np.fliplr([data4])[0]
ax.plot(data4,label='city')#第五章折线图
data5=my_data[0:20,5]
data5=np.fliplr([data5])[0]
ax.plot(data5,label='urban')#设置我们图标的xy轴范围
ax.set_ylim(36000,140000)
ax.set_xticks(np.arange(20))#在我们图标的特定位置打上箭头和注释
ax.annotate('total',xy=(6,128000),xytext=(5,120000),arrowprops=dict(facecolor='b', shrink=0.05))#在我们图标的最适合的位置放置我们的示例图
ax.legend(loc='best')#将我们的整张图标的标题命名为“人口统计图”）
ax.set_title('人口统计示例')#将我们横轴的标签全部替换为具体的年份
ax.set_xticklabels(['1996年','1997年','1998年','1999年','2000年','2001年','2002年','2003年','2004年','2005年','2006年','2007年','2008年','2009年','2010年','2011年','2012年','2013年','2014年','2015年'])
#生成我们的图标
plt.show()

任务2：绘制经济统计图

从 gdp.npz 中读取数据

提取国内生产总值、第一产业增加值、第二产业增加值_当季值、第三产业增加值等数据，绘制折线图

链接: https://pan.baidu.com/s/1CNlDRT9G8I_ewtoSpTBYAw 提取码: ra1j

简要来说，我们需要绘制如下的图表。

第一种形式

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
data=np.load("gdp.npz",allow_pickle=True)
my_data=data['values']
#设置画布的尺寸为10，,8，单位为英寸
fig=plt.figure(figsize=(10,8))
#创建两行一列的图标，ax1为第一张图标
ax1=fig.add_subplot(2,1,1)#第一张图
#从我们的my_data的总数据表中分别取出我们第一产业，第二产业，第三产业的数据
first=my_data[:,3]
second=my_data[:,4]
third=my_data[:,5]
#分别绘制我们第一、二、三、产业的折线图，并设置不同的折线类型来使我们的图标有所区别，并给我们的不同的折线打上标签
ax1.plot(first,label='第一产业')
ax1.plot(second,'-.',label='第二产业',)
ax1.plot(third,'--',label='第三产业')
#设置我们y轴的标签
ax1.set_ylabel('生产总值（亿元）')
#设置我们第一张图标的标题
ax1.set_title('2000-2017年各产业季度生产总值折线图')
#将我们的图例显示
ax1.legend(loc='best')#第二张图
#ax2为我们两行两列的第二张图
ax2=fig.add_subplot(2,1,2)
#分别提取我们不同的行业的数据
farm=my_data[:,6]
industry=my_data[:,7]
architecture=my_data[:,8]
sell=my_data[:,9]
transport=my_data[:,10]
eating=my_data[:,11]
money=my_data[:,12]
house=my_data[:,13]
other=my_data[:,14]
#设置我们纵轴的标签
ax2.set_ylabel('生产总值（亿元）')
#设置我们纵轴的范围
ax2.set_ylim(0,70000)
#分别绘制我们不同产业的折线图，并设置不同的折线类型加以区分并打上标签
ax2.plot(farm,label='农业')
ax2.plot(industry,'-.',label='工业')
ax2.plot(architecture,label='建筑业')
ax2.plot(sell,label='零售业')
ax2.plot(transport,label='运输业')
ax2.plot(eating,label='餐饮业')
ax2.plot(money,label='金融业')
ax2.plot(house,label='房地产')
ax2.plot(other,label='其他')
#打上示例
ax2.legend(loc='best')
#在我们的x轴的特定的位置打上我们的数字，为下面替换为具体的文字做准备
ax2.set_xticks(np.arange(18)*4)#将我们的a的列表设置为从2000到2017年+第一季度的形式
a=[]
for i in range(2000,2018):a.append((str(i)+"年第一季度"))
#为了避免我们的横轴的列表之间的重叠，我们将我们横轴的每个标签都旋转30度。
ax2.set_xticklabels(a,rotation=30)
plt.show()

第二种形式

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
data=np.load("gdp.npz",allow_pickle=True)
my_data=data['values']
fig=plt.figure(figsize=(10,8))
ax1=fig.add_subplot(2,1,1)#当前的我们的图表中一共有69个数据，我们的点状图需要具体的x轴和y轴，所以我们需要创建一个0-68的数组来作为我们的x轴
s=np.arange(69)#第一张图
#分别提取第一产业、第二产业、第三产业的数据
first=my_data[:,3]
second=my_data[:,4]
third=my_data[:,5]
#分别绘制第一产业，第二产业，第三产业的点状图，并为我们不同的点状图设置不同的样式来进行区分
ax1.scatter(s,first,label='第一产业',color='r')
ax1.scatter(s,second,label='第二产业',marker='*')
ax1.scatter(s,third,label='第三产业',marker='d')
#给我们的y轴打上标签
ax1.set_ylabel('生产总值（亿元）')
#给我们的图表打上标题
ax1.set_title('2000-2017年各产业季度生产总值折线图')
#给我们的图表创建示例
ax1.legend(loc='best')#第二张图
#在我们的两行一列的数据表的第二个位置创建我们的第二张图表(ax2)
ax2=fig.add_subplot(2,1,2)
#分别提取出我们不同行业的数据
farm=my_data[:,6]
industry=my_data[:,7]
architecture=my_data[:,8]
sell=my_data[:,9]
transport=my_data[:,10]
eating=my_data[:,11]
money=my_data[:,12]
house=my_data[:,13]
other=my_data[:,14]
#给我们y轴打上标签
ax2.set_ylabel('生产总值（亿元）')
#限制我们y轴的范围
ax2.set_ylim(0,70000)#给我们不同行业绘制具体的点状图，注意点状图需要具体的坐标，就是说scatter函数会从第一个列表中提取x轴，从第二个列表中提取我们的y轴，然后我们也可以根据自己的喜好来给我们的图表设置不同的样式
ax2.scatter(s,farm,label='农业')
ax2.scatter(s,industry,label='工业',marker='d')
ax2.scatter(s,architecture,label='建筑业',marker='*')
ax2.scatter(s,sell,label='零售业',marker='s')
ax2.scatter(s,transport,label='运输业',marker='h')
ax2.scatter(s,eating,label='餐饮业',marker='p')
ax2.scatter(s,money,label='金融业',marker='>')
ax2.scatter(s,house,label='房地产',marker='<')
ax2.scatter(s,other,label='其他',marker='^')
#给我们图标打上示例
ax2.legend(loc='best')
#给我们图表的x轴的一定位置打上数字（一共有18个数据，然后我们*4来让我们数据标签分散一些）
ax2.set_xticks(np.arange(18)*4)
#创建我们标签列表，使我们的标签中的每一个都是2000年-2017年+第一季度的形式
a=[]
for i in range(2000,2018):a.append((str(i)+"年第一季度"))
#为了方式我们的x坐标重叠，我们将我们的坐标旋转30度
ax2.set_xticklabels(a,rotation=30)
#将我们的x轴打上标签
ax2.set_xlabel('年份')
plt.show()

第三种形式

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
data=np.load("gdp.npz",allow_pickle=True)
my_data=data['values']
x=data['columns']
fig=plt.figure(figsize=(10,8))#第一张图
#在我们两行两列的第一张图的位置绘制我们的第一张图表
ax1=fig.add_subplot(2,2,1)
#分别提取出我们第一产业，第二产业，第三产业的数据
first=my_data[0,3]
second=my_data[0,4]
third=my_data[0,5]
#将我们具体数据组合成一个列表
all=[first,second,third]
#将我们的具体的横坐标和纵坐标的数据来绘制我们的柱状图
ax1.bar([1,2,3],all,label='第一产业')
#在我们的横坐标的1，2，3的位置打上刻度，为我们下面替换为第几产业做准备
ax1.set_xticks([1,2,3])
#将我们1，2，3的位置替换为具体的第几产业
ax1.set_xticklabels(['第一产业','第二产业','第三产业'])
#给我们的图表打上标题
ax1.set_title('2000年第一季度国民生产总值产业构成分布直方图')
#给我们的图标的y轴打上标签
ax1.set_ylabel('生产总值（亿元）')
#给我们图标的X轴打上标签
ax1.set_xlabel('产业')#第二张图
#（第二张图的创建方式与第一张图类似，不再解释）
ax2=fig.add_subplot(2,2,2)
first2=my_data[68,3]
second2=my_data[68,4]
third2=my_data[68,5]
all2=[first2,second2,third2]
ax2.bar([1,2,3],all2,label='第一产业')
ax2.set_xticks([1,2,3])
ax2.set_xticklabels(['第一产业','第二产业','第三产业'])
ax2.set_title('2017年第一季度国民生产总值产业构成分布直方图')
ax2.set_ylabel('生产总值（亿元）')
ax2.set_xlabel('产业')#第三张图
#我们在两行两列的画布的第三张图的位置绘图
ax3=fig.add_subplot(2,2,3)
#获取我们的数据
z=my_data[0,6:]
#提取我们的标签。x为我们的字段名，对x进行切片处理，就可以得到我们所需要的标签
biaoqian=x[6:]
#由于提取出来的标签太长了，我们将对我们的标签进行简短化处理，只取前两个字，但是房地产需要单独判断，取三个字
biaoqian2=[]
for i in biaoqian:if i=='房地产业增加值_当季值(亿元)':biaoqian2.append(i[0:3])continuebiaoqian2.append(i[0:2])
#给我们的第三张图打上标签
ax3.set_title('2000年第一季度国民生产总值行业构成分布直方图')
#设置一条从0-8的数据作为我们的x轴
b=np.arange(9)
#生成我们的条形图
ax3.barh(b,z)
#给我们的y轴打上0-8的刻度
ax3.set_yticks([0,1,2,3,4,5,6,7,8])
#将我们y轴上的刻度替换为具体的标签名称
ax3.set_yticklabels(biaoqian2)
#分别给我们的xy轴打上标签
ax3.set_xlabel('生产总值（亿元）')
ax3.set_ylabel('行业')#第四张图
#第四张图与第三张图类似，我们在此处不再做解释
ax4=fig.add_subplot(2,2,4)
z=my_data[68,6:]
biaoqian=x[6:]
biaoqian2=[]
for i in biaoqian:if i=='房地产业增加值_当季值(亿元)':biaoqian2.append(i[0:3])continuebiaoqian2.append(i[0:2])b=np.arange(9)
ax4.set_title('2017年第一季度国民生产总值行业构成分布直方图')
ax4.barh(b,z)
ax4.set_yticks([0,1,2,3,4,5,6,7,8])
ax4.set_yticklabels(biaoqian2)
ax4.set_xlabel('生产总值（亿元）')
ax4.set_ylabel('行业')
#因为我们的图标存在一定的重叠情况，所以我们使用下面的代码将我们的图标的位置分开
plt.subplots_adjust(wspace=0.3, hspace=0.3)
plt.show()

第四种形式

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
data=np.load("gdp.npz",allow_pickle=True)
my_data=data['values']
x=data['columns']
fig=plt.figure(figsize=(10,8))
ax1=fig.add_subplot(2,2,1)#第一张图
#分别获取我们第一产业，第二产业，第三产业的数据
first=my_data[0,3]
second=my_data[0,4]
third=my_data[0,5]
#将我们具体的数据组合为一个列表
all=[first,second,third]
#创建我们的饼图，all为数据，并用labels为我们的不同的饼块打上标签，autopct指的是给我们的饼图的数据保留一维小数的百分数，explode能够设置我们不同的饼块之间的距离
ax1.pie(all,labels=['第一产业','第二产业','第三产业'],autopct='%1.1f%%',explode=(0.03,0.03,0.03))
#为我们的饼图打上标签
ax1.set_title('2000年第一季度国民生产总值产业构成分布饼图')#第二张图
#第二张图与第一张图类似，此处不再做出解释
ax2=fig.add_subplot(2,2,2)
first2=my_data[68,3]
second2=my_data[68,4]
third2=my_data[68,5]
all2=[first2,second2,third2]
ax2.pie(all2,labels=['第一产业','第二产业','第三产业'],autopct='%1.1f%%',explode=(0.03,0.03,0.03))
ax2.set_title('2017年第一季度国民生产总值产业构成分布饼图')#第三张图
ax3=fig.add_subplot(2,2,3)
z=my_data[0,6:]
#创建我们具体的标签列表
biaoqian=x[6:]
biaoqian2=[]
for i in biaoqian:if i=='房地产业增加值_当季值(亿元)':biaoqian2.append(i[0:3])continuebiaoqian2.append(i[0:2])
ax3.set_title('2000年第一季度国民生产总值行业构成分布饼图')
b=np.arange(9)
#创建我们的饼图
ax3.pie(z,labels=biaoqian2,autopct='%1.1f%%',explode=(0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01))#第四张图
ax4=fig.add_subplot(2,2,4)
z=my_data[68,6:]
biaoqian=x[6:]
biaoqian2=[]
for i in biaoqian:if i=='房地产业增加值_当季值(亿元)':biaoqian2.append(i[0:3])continuebiaoqian2.append(i[0:2])b=np.arange(9)
ax4.set_title('2017年第一季度国民生产总值行业构成分布饼图')
ax4.pie(z,labels=biaoqian2,autopct='%1.1f%%',explode=(0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01,0.01))
#将我们的图标的位置分开
plt.subplots_adjust(wspace=0.3, hspace=0.3)
plt.show()

第五种形式

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
data=np.load("gdp.npz",allow_pickle=True)
my_data=data['values']
x=data['columns']
fig=plt.figure(figsize=(8,8))
ax1=fig.add_subplot(2,1,1)#第一张图
first=my_data[:,3]
second=my_data[:,4]
third=my_data[:,5]
#创建我们的箱线图
ax1.boxplot((first,second,third),labels=['第一产业','第二产业','第三产业'])
#给我们的第一张图表打上标签
ax1.set_title('2000-2017年第一季度国民生产总值产业构成分布箱线图')#第二张图
ax2=fig.add_subplot(2,1,2)
#分别获取各个产业的数据
z1=my_data[:,6]
z2=my_data[:,7]
z3=my_data[:,8]
z4=my_data[:,9]
z5=my_data[:,10]
z6=my_data[:,11]
z7=my_data[:,12]
z8=my_data[:,13]
z9=my_data[:,14]
#制作标签列表
biaoqian=x[6:]
biaoqian2=[]
for i in biaoqian:if i=='房地产业增加值_当季值(亿元)':biaoqian2.append(i[0:3])continuebiaoqian2.append(i[0:2])
ax2.set_title('2000-2017年第一季度国民生产总值行业构成分布箱线图')
#创建我们的箱线图
ax2.boxplot((z1,z2,z3,z4,z5,z6,z7,z8,z9),labels=biaoqian2)
plt.show()

matplotlib的简单练习相关推荐

python画函数图像要用到的模块_教你如何绘制数学函数图像——numpy和matplotlib的简单应用...
numpy和matplotlib的简单应用一.numpy库 1.什么是numpy NumPy系统是Python的一种开源的数值计算扩展.这种工具可用来存储和处理大型矩阵,比Python自身的嵌套列表 ...
使用 matplotlib绘制简单图形，保存图片的方法
本博客介绍如何使用 matplotlib 绘制简单的图形,并介绍保存图片的方法. matplotlib 可以绘制出很高级,很复杂的图形,本篇博客不做介绍,可以查看官方文档,写的很清楚,这里仅对部分使用 ...
海豚php如何添加节点,python+matplotlib绘制简单的海豚（顶点和节点的操作）
海豚本文例子主要展示了如何使用补丁.路径和转换类绘制和操作给定的顶点和节点的形状. 测试可用. import matplotlib.cm as cm import matplotlib.pyplot ...
用html4绘制海豚,python+matplotlib绘制简单的海豚（顶点和节点的操作）
海豚本文例子主要展示了如何使用补丁.路径和转换类绘制和操作给定的顶点和节点的形状. 测试可用. import matplotlib.cm as cm import matplotlib.pyplot ...
c#split方法拆分为数据_Dexplot：基于pandas，比matplotlib更简单的数据可视化和数据分析工具...
Dexplot:建议准备学matplotlib和seaborn的数据可视化新手或者数据可视化爱好者食用适用于长数据比如网站用户留言的统计特色是不用matplotlib 而用pandas导入数据( ...
【Python-3.5】matplotlib做简单折线图
在matplotlib中使用plot()函数可以做出简单折线图,预期效果如下: 代码如下: # 导入pyplot模块 import matplotlib.pyplot as plt# 输入横纵坐标数据 ...
python中matplotlib 的简单使用
1.简单折线图的画图,轴标签.图的颜色,风格,等等参数,本文只介绍最常用的几个参数: 1 import matplotlib.pyplot as plt 2 import numpy as np 3 ...
在python中使用matplotlib画简单折线图
live long and prosper 在python中安装matplotlib实现数据可视化(简单折线图) 1.安装matplotlib 在Windows平台上,试用win+R组合键打开命令行窗 ...
python第三方库matplotlib绘制简单折线图
一.绘制简单折线图代码如下: import numpy as np import matplotlib.pyplot as plt X = [0, 1, 2, 3, 4, 5] Y = [222, ...

matplotlib的简单练习

任务1：绘制人口统计图

任务2：绘制经济统计图

第一种形式

第二种形式

第三种形式

第四种形式

第五种形式

matplotlib的简单练习相关推荐

最新文章

热门文章