目 录

%matplotlib inline

  这是一个魔法函数（只能在ipython和jupyter环境下使用），使用%matplotlib命令可以将matplotlib的图表直接嵌入到Notebook之中，或者使用指定的界面库显示图表，它有一个参数指定matplotlib图表的显示方式。inline表示将图表嵌入到Notebook中。可以试着运行一段生成图片的命令，如果前面没有这行代码，输出的是一个图片对象，需要重新运行该段程序才能正常显示，如果有这行代码第一次运行程序块就可以显示图片了。在使用jupyter时的用处不大，因为可以轻松地重复执行程序快。

import matplotlib.pyplot as pltplt.figure()
plt.title("666")
plt.show()

plt.figure()
plt.title("666")
plt.show()

  重启jupyter后执行下面代码

%matplotlib inline
import matplotlib.pyplot as pltplt.figure()
plt.title("666")
plt.show()

matplotlib图例中文乱码以及坐标负号显示

  在图片的标签名，标题名或者图例中出现中文时，直接运行会出现乱码，文字显示为框框

import matplotlib.pyplot as pltplt.figure()
plt.title("哈哈")
plt.show()

快速解决办法

  在导入模块后加入下面代码

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

import matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=Falseplt.figure()
plt.title("哈哈")
plt.show()

永久解决办法

找到自己想要的中文字体

1. 在系统中查找已有的字体（好处是不需要安装）：在“C:\Windows\Fonts”中选择后缀为“.ttf”的中文字体并复制，这一步我选择了黑体

2. 在 fontpalace 上下载对应版本的后缀为“.ttf”的字体，复制到“C:\Windows\Fonts”中安装

把字体复制到matplotlib的字体文件中

  输入下面命令找到matplotlib配置文件

print(matplotlib.matplotlib_fname())

在“c:\program files\python37\lib\site-packages\matplotlib\mpl-data\matplotlibrc”的“font/ttf”文件夹中粘贴刚刚复制的字体，然后修改配置文件matplotlibrc，去掉以下三行代码开头的#

font.family         : sans-seriffont.sans-serif     : SimHei, DejaVu Sans, Bitstream Vera Sans, ...    # 这里注意要把字体名称SimHei放在第一个axes.unicode_minus  : False    # 修改为False，作用是解决负号的乱码问题

还要注意有的字体名称并不是字体文件的名称，可以查看字体文件的属性（标题）确认一下

重新加载字体

  做完以上操作后执行下面命令

from matplotlib.font_manager import _rebuild_rebuild()

之后重启python，很多时候这样就解决了。

删除matplotlib缓存文件

  如果仍然不能正常显示输入以下代码

matplotlib.get_cachedir()

在’C:\Users\sunch\.matplotlib’找到缓存文件夹并删除该文件夹，之后重启python，如果还是不行可以试试重启电脑，我就是重启了才可以，果然没有什么是一次重启解决不了的，如果有那就两次

import matplotlib.pyplot as pltplt.figure()
plt.title("哈哈")
plt.show()

什么是plt、fig和ax

  这是我们看到作图程序中最常见的几个词。plt是matplotlib.pyplot的简称，我们一般都会用它来代替导入的模块；fig一般出现在
fig = plt.figure()这个命令中，是常用来表示当前画布的一个变量，虽然可以用别的但是大家一般都用fig（figure的缩写）；ax一般和fig一起出现在fig, ax = plt.subplots()命令中，或者单独出现在ax = plt.subplot()命令中，表示当前画布的当前子图对象

设置画布fig = plt.figure()

  plt.figure(num, figsize, dpi, facecolor, edgecolor, frameon, FigureClass, clear)的参数说明如下

参数名称	参数类型	参数说明
num	integer or string	画布的名称或序号，默认为从1开始的升序序列
figsize	(float, float)	画布尺寸，默认6.4 x 4.8
dpi	integer	分辨率，默认100
facecolor	color spec	背景色，默认白色（‘w’）
edgecolor	color spec	边界色，默认白色（‘w’）
frameon	bool	是否有边界，默认为True
FigureClass	subclass of Figure	使用自定义的画布对象（没什么用的参数）
clear	bool	是否对存在的画布进行清除，默认为False，即自动创建新画布

函数返回一个Figure对象，也就是fig，它有很多内置的属性和方法，比如set()方法，可以设置更多画布参数

  我们也可以不设置fig变量，但是声明fig变量可以增强程序的可读性

import matplotlib.pyplot as pltfig = plt.figure('lalala', figsize = (7, 7), dpi = 100, facecolor = 'y', edgecolor = 'r')
plt.plot([1, 2, 3], [1, 2, 3])
plt.show()

设置轴（子图）fig, ax = plt.subplots()

  fig, ax = plt.subplots()等价于fig, ax = plt.subplots(11)，注意这里的轴不是数学意义上的坐标轴，而是指子图的位置。plt.subplot()函数返回一个Figure对象和一个子图对象的列表：fig, axes = plt.subplots(23)即表示一次性在figure上创建成2*3的网格，然后指定子图的位置进行作图，同fig一样也可以省去对变量的声明，并且也可以直接设置类似figure()函数的参数

fig = plt.figure(figsize = (12, 7))
ax = plt.subplot(231)
ax = plt.subplot(232)
ax = plt.subplot(233)
ax = plt.subplot(234)
ax = plt.subplot(235)
ax = plt.subplot(236)

matplotlib.pyplot入门

官网1

官网2

数值

import matplotlib.pyplot as pltplt.plot([1,2,3,4])
plt.ylabel('some numbers')
plt.show()

  如果 p l o t ( ) plot() plot() 函数只传入一个列表，那么这个列表的值会默认为y轴的值，x轴会自动创建和列表对应的值，从0开始

import matplotlib.pyplot as pltplt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.show()

点的属性

   p l o t ( ) plot() plot() 函数可以指定一个字符串参数来设置传入点的颜色和形状，如默认为" b − b- b−"，其中 b b b 表示蓝色 − - − 表示折线，也可以指定为其他颜色和形状

import matplotlib.pyplot as pltplt.plot([1,2,3,4], [1,4,9,16], 'ro')    # 红色圆点
plt.plot([1,2,3,4], [1,2,3,4], 'bx')   # 蓝色x点
plt.plot([1,2,3,4], [1,3,6,9], 'g-')    # 绿色折线plt.axis([0, 6, 0, 20])    # 设置坐标轴的限制[xmin, xmax, ymin, ymax]
plt.show()

import numpy as np
import matplotlib.pyplot as pltt = np.arange(0., 5., 0.2)plt.plot(t, t, 'r--', t, t**2, 'bs', t, t**3, 'g^')    # 可以直接在一个函数中传入多个图像参数
plt.show()

  更多关于 p l o t ( ) plot() plot() 的点的参数设置（如颜色和形状）查阅plot()

线的属性

  下面看一下如何控制线的属性

• 直接传入实参

import matplotlib.pyplot as pltplt.plot(range(3), range(3), linewidth=7.0)
plt.show()

• 用Line2D对象的方法

  plot()返回一个Line2D对象的列表，如果想要对其中的某个线的属性进行控制，需要进行序列解包

import matplotlib.pyplot as pltline, = plt.plot(range(3), range(3), '-')
line.set_antialiased(False)    # 关闭抗锯齿
plt.show()

- 使用setp()命令设置多条属性  可以直接使用setp()查看可以设置的属性

plt.setp(lines)

agg_filter: a filter function, which takes a (m, n, 3) float array and a dpi value, and returns a (m, n, 3) array
alpha: float
animated: bool
antialiased: bool
clip_box: .Bbox
clip_on: bool
clip_path: [(~matplotlib.path.Path, .Transform) | .Patch | None]
color: color
contains: callable
dash_capstyle: {‘butt’, ‘round’, ‘projecting’}
dash_joinstyle: {‘miter’, ‘round’, ‘bevel’}
dashes: sequence of floats (on/off ink in points) or (None, None)
drawstyle: {‘default’, ‘steps’, ‘steps-pre’, ‘steps-mid’, ‘steps-post’}
figure: .Figure
fillstyle: {‘full’, ‘left’, ‘right’, ‘bottom’, ‘top’, ‘none’}
gid: str
in_layout: bool
label: object
linestyle: {’-’, ‘–’, ‘-.’, ‘:’, ‘’, (offset, on-off-seq), …}
linewidth: float
marker: unknown
markeredgecolor: color
markeredgewidth: float
markerfacecolor: color
markerfacecoloralt: color
markersize: float
markevery: unknown
path_effects: .AbstractPathEffect
picker: float or callable[[Artist, Event], Tuple[bool, dict]]
pickradius: float
rasterized: bool or None
sketch_params: (scale: float, length: float, randomness: float)
snap: bool or None
solid_capstyle: {‘butt’, ‘round’, ‘projecting’}
solid_joinstyle: {‘miter’, ‘round’, ‘bevel’}
transform: matplotlib.transforms.Transform
url: str
visible: bool
xdata: 1D array
ydata: 1D array
zorder: float

  关于线的更多属性查阅matplotlib.lines.Line2D

创建子图

  每次画图时都会默认创建一个画布（figure(1)）和子图位置（subplot(111)），为了创建子图，我们需要创建一个画布并给出每个子图的位置。

  使用gcf()和gca()可以查看当前画布和子图位置

import matplotlib.pyplot as pltprint(plt.gcf())    # get current figureprint(plt.gca())    # get current axes

Figure(432x288)
AxesSubplot(0.125,0.125;0.775x0.755)

subplot()

  使用subplot()指定下一个子图的位置，标准写法为plt.subplot(nrows=r, ncols=c, index=i)，当子图数量小于10时，可以简写为plt.subplot(rci)

import numpy as np
import matplotlib.pyplot as pltdef f(t):return np.exp(-t) * np.cos(2*np.pi*t)t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)plt.figure(1)    # 这个命令是可以省略的，因为会默认创建一个画布，1代表画布的序号
#print(plt.gcf())
plt.subplot(211)    # 指定为2行1列画布的第一个位置
#print(plt.gca())
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')plt.subplot(212)    # 指定为2行1列画布的第二个位置
#print(plt.gca())
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()

Figure(432x288)
AxesSubplot(0.125,0.536818;0.775x0.343182)
AxesSubplot(0.125,0.125;0.775x0.343182)

import matplotlib.pyplot as plt# 第一块画布
plt.figure(1)
plt.subplot(211)
plt.plot([1, 2, 3])
plt.subplot(212)
plt.plot([4, 5, 6])# 第二块画布
plt.figure(2)
plt.plot([4, 5, 6])          # 修改第一块画布
plt.figure(1)    # 指定画布序号
plt.subplot(211)    # 指定子图位置
plt.title('Easy as 1, 2, 3')    # 修改图片内容
plt.show()

"""Examples illustrating the use of plt.subplots().This function creates a figure and a grid of subplots with a single call, while
providing reasonable control over how the individual plots are created.  For
very refined tuning of subplot creation, you can still use add_subplot()
directly on a new figure.
"""import matplotlib.pyplot as plt
import numpy as np# Simple data to display in various forms
x = np.linspace(0, 2 * np.pi, 400)
y = np.sin(x ** 2)plt.close('all')# Just a figure and one subplot
f, ax = plt.subplots()
ax.plot(x, y)
ax.set_title('Simple plot')# Two subplots, the axes array is 1-d
f, axarr = plt.subplots(2, sharex=True)
axarr[0].plot(x, y)
axarr[0].set_title('Sharing X axis')
axarr[1].scatter(x, y)# Two subplots, unpack the axes array immediately
f, (ax1, ax2) = plt.subplots(1, 2, sharey=True)
ax1.plot(x, y)
ax1.set_title('Sharing Y axis')
ax2.scatter(x, y)# Three subplots sharing both x/y axes
f, (ax1, ax2, ax3) = plt.subplots(3, sharex=True, sharey=True)
ax1.plot(x, y)
ax1.set_title('Sharing both axes')
ax2.scatter(x, y)
ax3.scatter(x, 2 * y ** 2 - 1, color='r')
# Fine-tune figure; make subplots close to each other and hide x ticks for
# all but bottom plot.
f.subplots_adjust(hspace=0)
plt.setp([a.get_xticklabels() for a in f.axes[:-1]], visible=False)# row and column sharing
f, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, sharex='col', sharey='row')
ax1.plot(x, y)
ax1.set_title('Sharing x per column, y per row')
ax2.scatter(x, y)
ax3.scatter(x, 2 * y ** 2 - 1, color='r')
ax4.plot(x, 2 * y ** 2 - 1, color='r')# Four axes, returned as a 2-d array
f, axarr = plt.subplots(2, 2)
axarr[0, 0].plot(x, y)
axarr[0, 0].set_title('Axis [0,0]')
axarr[0, 1].scatter(x, y)
axarr[0, 1].set_title('Axis [0,1]')
axarr[1, 0].plot(x, y ** 2)
axarr[1, 0].set_title('Axis [1,0]')
axarr[1, 1].scatter(x, y ** 2)
axarr[1, 1].set_title('Axis [1,1]')
# Fine-tune figure; hide x ticks for top plots and y ticks for right plots
plt.setp([a.get_xticklabels() for a in axarr[0, :]], visible=False)
plt.setp([a.get_yticklabels() for a in axarr[:, 1]], visible=False)# Four polar axes
f, axarr = plt.subplots(2, 2, subplot_kw=dict(projection='polar'))
axarr[0, 0].plot(x, y)
axarr[0, 0].set_title('Axis [0,0]')
axarr[0, 1].scatter(x, y)
axarr[0, 1].set_title('Axis [0,1]')
axarr[1, 0].plot(x, y ** 2)
axarr[1, 0].set_title('Axis [1,0]')
axarr[1, 1].scatter(x, y ** 2)
axarr[1, 1].set_title('Axis [1,1]')
# Fine-tune figure; make subplots farther from each other.
f.subplots_adjust(hspace=0.3)plt.show()

  可以用命令clf()和cla()清除当前图片和轴，作用是清理内存。如果不是编写包含非常多图片的程序，该命令可以省略。

subplot2grid()

  相比subplot()可以实现跨区域的子图，其参数如下：

参数名称	参数类型	参数说明
shape	sequence of 2 ints	子图的区域形状，如(x, y)表示x行y列的子区域
loc	sequence of 2 ints	子图开始的区域
rowspan	int	子图跨越的行数
colspan	int	子图跨越的列数
fig	Figure, optional	子图所在的画布，默认为当前画布

import matplotlib.pyplot as pltdef annotate_axes(fig):for i, ax in enumerate(fig.axes):ax.text(0.5, 0.5, "ax%d" % (i+1), va="center", ha="center")ax.tick_params(labelbottom=False, labelleft=False)fig = plt.figure(dpi = 100)
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3)
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax5 = plt.subplot2grid((3, 3), (2, 1))annotate_axes(fig)plt.show()

axes()

  axes([left, bottom, width, height]) 可以指定子图的具体位置，其中每个参数都应该是[0, 1]上的数字。和subplot()不同的是，axes()是在主图上叠加其他的子图，主图可以有自己的内容，而subplot()是子图的并列，没有主图。

import matplotlib.pyplot as plt
import numpy as np# create some data to use for the plot
dt = 0.001
t = np.arange(0.0, 10.0, dt)
r = np.exp(-t[:1000]/0.05)               # impulse response
x = np.random.randn(len(t))
s = np.convolve(x, r)[:len(x)]*dt  # colored noise# the main axes is subplot(111) by default
plt.plot(t, s)
plt.axis([0, 1, 1.1*np.amin(s), 2*np.amax(s)])    # 指定坐标系的范围，相当于plt.xlim(0, 1); plt.ylim(1.1*np.amin(s), 2*np.amax(s))
plt.xlabel('time (s)')
plt.ylabel('current (nA)')
plt.title('Gaussian colored noise')# this is an inset axes over the main axes
a = plt.axes([.65, .6, .2, .2], facecolor='y')
n, bins, patches = plt.hist(s, 400, density=1)
plt.title('Probability')
plt.xticks([])
plt.yticks([])# this is another inset axes over the main axes
a = plt.axes([0.2, 0.6, .2, .2], facecolor='y')
plt.plot(t[:len(r)], r)
plt.title('Impulse response')
plt.xlim(0, 0.2)
plt.xticks([])
plt.yticks([])plt.show()

插入文字

import numpy as np
import matplotlib.pyplot as pltnp.random.seed(20190522)mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)# the histogram of the data
n, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)plt.xlabel('Smarts')    # 横坐标标签
plt.ylabel('Probability', fontsize=14, color='red')    # 纵坐标标签并指定文字属性
plt.title('Histogram of IQ')    # 标题
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')    # 指定位置插入文字，若无坐标则表示在当前范围内的比值，如(0.5, 0.5, 'xx')表示在中央插入xx
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

  更多文字的属性查阅Text properties and layout

  更多Tex数学表达式的写法查阅Writing mathematical expressions

import matplotlib.pyplot as pltx = [1,2,3]
y = [5,7,4]x2 = [1,2,3]
y2 = [10,14,12]plt.plot(x, y, label='First Line')    # 声明图例内容
plt.plot(x2, y2, label='Second Line')
plt.title('Interesting Graph\nCheck it out')
plt.legend()    # 插入图例
plt.show()

  更多图例的设置查阅legend()

注释文本

  使用annotate()可以实现一些更加高级的注释功能

import numpy as np
import matplotlib.pyplot as pltax = plt.subplot(111)t = np.arange(0.0, 5.0, 0.01)
s = np.cos(2*np.pi*t)
line, = plt.plot(t, s, lw=2)plt.annotate('local max', xy=(2, 1), xytext=(3, 1.5),arrowprops=dict(facecolor='black', shrink=0.05),)    # xy表示被注释点的位置，xytext表示注释文本的位置plt.ylim(-2,2)
plt.show()

  更多高级功能请查阅annotate()

*非线性坐标轴

  就是把y轴映射到另一种表达式如log(y)等，目的是使数据能展示的更全面。更多内容查阅creating scales and transformations

import numpy as np
import matplotlib.pyplot as pltfrom matplotlib.ticker import NullFormatter  # useful for `logit` scale# Fixing random state for reproducibility
np.random.seed(20190522)# make up some data in the interval [0, 1]
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))# plot with various axes scales
plt.figure(1)# linear
plt.subplot(221)
plt.plot(x, y)
plt.yscale('linear')
plt.title('linear')
plt.grid(True)# log
plt.subplot(222)
plt.plot(x, y)
plt.yscale('log')    # 对数坐标轴
plt.title('log')
plt.grid(True)# symmetric log
plt.subplot(223)
plt.plot(x, y - y.mean())
plt.yscale('symlog', linthreshy=0.01)
plt.title('symlog')
plt.grid(True)# logit
plt.subplot(224)
plt.plot(x, y)
plt.yscale('logit')
plt.title('logit')
plt.grid(True)
# Format the minor tick labels of the y-axis into empty strings with
# `NullFormatter`, to avoid cumbering the axis with too many labels.
plt.gca().yaxis.set_minor_formatter(NullFormatter())
# Adjust the subplot layout, because the logit one may take more space
# than usual, due to y-tick labels like "1 - 10^{-3}"
plt.subplots_adjust(top=0.92, bottom=0.08, left=0.10, right=0.95, hspace=0.25,wspace=0.35)plt.show()

matplotlib.pyplot进阶

条形图/柱状图

  条形图是对分类变量进行描述的图形，函数为matplotlib.pyplot.bar()，主要参数如下，更多参数查阅matplotlib.pyplot.bar。或者
matplotlib.pyplot.barh()函数绘制横向的条形图，参数和bar()相同

参数名称	参数类型	参数说明
x	sequence of scalars	条形的坐标序列，长度为条形的个数
height	scalar or sequence of scalars	条形的高度序列，也就是每个条形对应的值序列
width	scalar or array-like	条形的宽度，默认0.8
bottom	scalar or array-like	每个条形关于纵坐标的起始点，默认为0或者None
align	{‘center’, ‘edge’}	条形与x轴的对齐位置，center表示条形中心对齐x轴坐标，edge为左边缘对齐x轴坐标，若要设置右对齐，需要设置为edge并且width同时为负。默认为center
color	scalar or array-like	条形颜色
edgecolor	scalar or array-like	条形边界颜色
linewidth	scalar or array-like	条形边界的宽度，若为0则不画边界
tick_label	string or array-like	条形的标签，默认为None
xerr, yerr	scalar or array-like of shape(N,) or shape(2,N)	误差线，在条形顶部添加水平或垂直的某长度的误差线，水平的误差线很少使用，两者都默认为None，即不添加误差线。误差线也有一些自己的设置如颜色长度等
orientation	{‘vertical’, ‘horizontal’}	条形图垂直或者水平，默认垂直

import matplotlib.pyplot as pltfig = plt.figure(figsize = (7, 7))x = [1,2,3,4,5]
h = [20, 14, 38, 27, 9]
w = [0.1, 0.2, 0.3, 0.4, 0.5]
b = [1,2,3,4,5]
c = ['b','g','r','c','m']
ye = [1, 2, 3, 4, 5]plt.bar(x, h, w, b, color = c, yerr = ye)
plt.show()

import numpy as np
import matplotlib.pyplot as pltfig = plt.figure(figsize = (7, 7))N = 5
menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
menStd = (2, 3, 4, 1, 2)
womenStd = (3, 5, 2, 3, 3)
ind = np.arange(N)    # the x locations for the groups
width = 0.35       # the width of the bars: can also be len(x) sequencep1 = plt.bar(ind, menMeans, width, yerr=menStd)
p2 = plt.bar(ind, womenMeans, width,bottom=menMeans, yerr=womenStd)    # 设置bottom实现堆叠条形图plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.xticks(ind, ('G1', 'G2', 'G3', 'G4', 'G5'))
plt.yticks(np.arange(0, 81, 10))
plt.legend((p1[0], p2[0]), ('Men', 'Women'))    # 这里可以直接用(p1, p2)plt.show()

  更多例子查阅bar

直方图

  直方图是对连续变量进行统计的图表，函数为matplotlib.pyplot.hist()，主要参数如下，更多参数查阅matplotlib.pyplot.bar。或者使用hist2d

参数名称	参数类型	参数说明
x	(n,) array or sequence of (n,) arrays	数据，可以是一个数组或者多个不定长数组
bins	int or sequence or str	如果传入一个数字，那么表示直方的数量为bins + 1；如果传入一个列表[x1, x2, x3,…,xn]，那么表示人为设置的断点，直方区间为[x1, x2), [x2, x3),…,[xn-1, xn]；如果传入一些字符串如’auto’,'fd’等，更多查阅numpy.histogram_bin_edges
range	tuple or None	限制展示在图表上的数据界限，若不指定默认为(x.min(), x.max())，若bins为1个序列那么range无效
density	bool	若为1调整为频率分布直方图
weights	(n, ) array_like or None	数据的权值（很少用到）
cumulative	bool	直方累加，比如第二个直方显示前两个bin的总和，第三个直方显示前三个bin的总和，以此类推
bottom	array_like, scalar	规定直方关于纵轴的起始点，可以为1个数字或者与bins等长的数组
histtype	{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}	直方图类型，默认为bar
align	{‘left’, ‘mid’, ‘right’}	直方中心与每个bin对应的位置，默认mid
orientation	{‘horizontal’, ‘vertical’}	直方图方向，默认垂直。或者使用barh()函数的直方图类型
rwidth	scalar or None	直方相对于bin的宽度，调整使得直方是否连续
color	color or array_like of colors or None	直方颜色，注意不是每个直方的颜色，而是每一个x对应一个颜色
stacked	bool	是否进行堆叠
label	str or None	数据标签，为了展示图里使用

import numpy as np
import matplotlib.pyplot as plt# Fixing random state for reproducibility
np.random.seed(20190523)mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)# the histogram of the data
plt.hist(x, 50, density=True, facecolor='g', alpha=0.75)plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()

import numpy as np
import matplotlib.pyplot as pltnp.random.seed(20190523)dt = np.random.randint(1, 101, 100)
#bins = np.arange(0, 101, 10)
bins = 20
xrange = (20, 80)fig = plt.figure(figsize = (7, 7))
plt.hist(x = dt, bins = bins, range = xrange, cumulative = True, rwidth = 0.5, color = 'g')
plt.show()

import numpy as np
import matplotlib.pyplot as pltnp.random.seed(20190523)dt = np.random.randint(1, 101, (100, 2))
bins = np.arange(0, 101, 10)
#bins = 20
#xrange = (20, 80)fig = plt.figure(figsize = (7, 7))
plt.hist(x = dt, bins = bins, rwidth = 0.5, stacked = True, color = ['b', 'r'], label = ['man', 'woman'])
plt.legend()
plt.show()

散点图

  前面已经用过plot()函数画散点图，现在有一个更专业的函数可以画散点图，就是matplotlib.pyplot.scatter()，主要参数如下，更多可以查阅matplotlib.pyplot.scatter

参数名称	参数类型	参数说明
x, y	array_like, shape (n, )	数据
s	scalar or array_like, shape (n, )	点的大小
c	color, sequence, or sequence of color	点的颜色，可以是一个颜色，可以是长度n的颜色序列，可以是n长的使用cmap和norm映射到颜色的数字序列，或者是用RGB或RGBA表示行的2维数组
marker	MarkerStyle	点的形状，更多参阅markers
cmap	Colormap	颜色映射，仅当c为数字序列时有效
norm	Normalize	规范化，仅当c为数字序列时有效
vmin, vmax	scalar	配合norm使用
alpha	scalar	透明度，在0~1之间
linewidths	scalar or array_like	点的边界宽度
edgecolors	{‘face’, ‘none’, None} or color or sequence of color	点的边界颜色，默认为face，即背景色

import numpy as np
import matplotlib.pyplot as plt# Fixing random state for reproducibility
np.random.seed(20190523)x = np.random.rand(10)
y = np.random.rand(10)
z = np.sqrt(x**2 + y**2)fig = plt.figure(figsize = (8, 12))
plt.subplot(321)
plt.scatter(x, y, s=80, c=z, marker=">")plt.subplot(322)
plt.scatter(x, y, s=80, c=z, marker=(5, 0))verts = np.array([[-1, -1], [1, -1], [1, 1], [-1, -1]])
plt.subplot(323)
plt.scatter(x, y, s=80, c=z, marker=verts)plt.subplot(324)
plt.scatter(x, y, s=80, c=z, marker=(5, 1))plt.subplot(325)
plt.scatter(x, y, s=80, c=z, marker='+')plt.subplot(326)
plt.scatter(x, y, s=80, c=z, marker=(5, 2))plt.show()

import numpy as np
import matplotlib.pyplot as plt# Fixing random state for reproducibility
np.random.seed(20190523)N = 50
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2  # 0 to 15 point radiiplt.figure(figsize = (7, 7))
plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()

  更多例子查阅scatter

堆叠图

  堆叠图一般用来显示各部分随时间变化的比重的变化，函数为matplotlib.pyplot.stackplot。部分参数说明如下

参数名称	参数类型	参数说明
x	1d array of dimension N	时间序列
y	2d array (dimension MxN), or sequence of 1d arrays (each dimension 1xN)	每个时间序列下的占比，如(x, y)或(x, y1, y2, y3)，其中y为MxN的数组，yi为N维数组
baseline	{‘zero’, ‘sym’, ‘wiggle’, ‘weighted_wiggle’}	计算堆叠的方式，zero为基本堆叠，sym为零对称方式，更多参阅stackplot
labels	Length N sequence of strings	每个部分的标签
colors	Length N sequence of colors	每个部分的颜色

import matplotlib.pyplot as plttime = ['19/01', '19/02', '19/03', '19/04', '19/05']eat = [0.6, 0.5, 0.7, 0.9, 0.8]
game = [0.2, 0.2, 0.1, 0.0, 0.1]
shopping = [0.1, 0.2, 0.1, 0.1, 0.1]
travel = [0.1, 0.1, 0.1, 0.0, 0.0]plt.figure(figsize = (10, 7))
plt.stackplot(time, [eat, game, shopping, travel], labels = ['吃', '游戏', '购物', '旅游'])    # 这里不把yi放到[]里也是可以的
plt.legend()
plt.title('消费占比')
plt.show()

饼图

  函数为matplotlib.pyplot.pie()，更多内容查阅pie。部分参数如下

参数名称	参数类型	参数说明
x	array-like	每部分扇形比例
explode	array-like, optional, default: None	每个扇形偏移的百分比
labels	list, optional, default: None	每个扇形的标签，显示在扇形外
colors	array-like, optional, default: None	每个扇形的颜色
autopct	None (default), string, or function, optional	若非默认会用数字来标记扇形（显示在扇形上），若为格式化字符串会显示为百分比，若为函数会被调用
pctdistance	float, optional, default: 0.6	当auopct有效时表示数字标签与饼图中心的距离
shadow	bool, optional, default: False	显示饼图阴影
labeldistance	float or None, optional, default: 1.1	标签的径向距离，若为None不显示标签但可以用legend()展示
startangle	float, optional, default: None	开始画扇形的角度，默认从x轴即0度开始
radius	float, optional, default: None	饼图半径，默认为1
counterclock	bool, optional, default: True	画图方向，默认逆时针
wedgeprops	dict, optional, default: None	扇形属性，如边缘颜色粗细等，如wedgeprops = {‘linewidth’: 3}
textprops	dict, optional, default: None	文字属性
center	list of float, optional, default: (0, 0)	中心位置
frame	bool, optional, default: False	是否显示边框
rotatelabels	bool, optional, default: False	若为True，将标签旋转到每个切片的角度

import matplotlib.pyplot as plt# Pie chart, where the slices will be ordered and plotted counter-clockwise:
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
sizes = [15, 30, 45, 10]    # 比例
explode = (0, 0.1, 0, 0)  # 偏移fig1, ax1 = plt.subplots(figsize = (7, 7), dpi = 100)
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',shadow=True, startangle=90)    # 从90度开始画图，标签
ax1.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.plt.show()

import matplotlib.pyplot as pltlabels = 'Frogs', 'Hogs', 'Dogs', 'Logs'
fracs = [15, 30, 45, 10]fig, axs = plt.subplots(2, 2, figsize = (7, 7), dpi = 200)# 标准饼图
axs[0, 0].pie(fracs, labels=labels, autopct='%1.1f%%', shadow=True)# 设置偏移
axs[0, 1].pie(fracs, labels=labels, autopct='%.0f%%', shadow=True, explode=(0, 0.1, 0, 0))# 调整文字属性和扇形半径，这里声明变量是为了对扇形进行更多的设置
patches, texts, autotexts = axs[1, 0].pie(fracs, labels=labels, autopct='%.0f%%', textprops={'size': 'smaller'}, shadow=True, radius=0.5)
# 进一步设置文字属性，注意这里是对上一个而不是下一个扇形的设置
plt.setp(autotexts, size='x-small')
autotexts[0].set_color('white')# 去掉阴影
patches, texts, autotexts = axs[1, 1].pie(fracs, labels=labels,autopct='%.0f%%',textprops={'size': 'smaller'},shadow=False, radius=0.5,explode=(0, 0.05, 0, 0))
plt.setp(autotexts, size='x-small')
autotexts[0].set_color('white')plt.show()

  更多例子查阅pie

  未完待续

【python数据可视化笔记】——matplotlib.pyplot()相关推荐

1. 《Python数据可视化之matplotlib实践》配套代码

   向AI转型的程序员都关注了这个号???????????? 机器学习AI算法工程   公众号:datayx <Python数据可视化之matplotlib实践> 借助matplotlib讲解 ...

2. Python数据可视化笔记02--折线图、散点图实战

   Python数据可视化笔记01--Matplotlib基础 本文索引: 折线图实战 散点图实战 实验环境:Windows10+jupyter notebook 一.折线图 折线图通常用来表示数据随时间 ...

3. Python数据可视化——使用Matplotlib创建散点图

   Python数据可视化--使用Matplotlib创建散点图 2017-12-27 作者:淡水化合物 转载请注明网址:https://www.cnblogs.com/pengsky2016/p/812 ...

4. python数据可视化（matplotlib条形图、饼图、箱状图、直方图、折线图）（代码）

   python数据可视化(matplotlib条形图.饼图.箱状图.直方图.折线图) matplotlib(条形图) 一.简单条形图 1.简单垂直条形图 2.简单水平条形图 二.水平交错条形图 三.垂直 ...

5. [转载] Python数据可视化库-Matplotlib——折线图绘制

   参考链接: Python Matplotlib数据可视化 plot折线图 # coding:utf-8 import pandas as pd import numpy as np from matp ...

6. python 数据可视化工具--matplotlib

   数据可视化工具--matplotlib 1. 条形图 1.1 垂直条形图 1.2 水平条形图 1.3 堆叠条形图 1.4 水平交错条形图 2.饼状图 3. 直方图与核密度曲线 4. 箱线图 5. 折线 ...

7. Python数据可视化库Matplotlib折线图（一）

   今天我们来学习一下python的数据可视化库,Matplotlib,是一个Python的2D绘图库 通过这个库,开发者可以仅需要几行代码,便可以生成绘图,直方图,功率图,条形图,错误图,散点图等等 废 ...

8. python数据可视化（matplotlib,seaborn,plotly）

   文章目录 资料链接 Matplotlib绘图基础 简单图形绘制 1.饼图 2.条形图 3.直方图 4.散点图 图形基本设置 统计图形实战 1.柱状图(堆积柱状图) 2.直方图(直方图,核密度图,正态分 ...

9. python画曲线图例-Python数据可视化之Matplotlib(折线图)

   一.使用Matplotlib生成数据图:是Python上的一个2D绘图库,它可以在跨平台上边出很多高质量的图像. 1.Pycharm安装Matplotlib库 (1)点击菜单上的"file& ...

最新文章

1. tomcat高并发的配置
2. java坐标移动题目case_坐标移动
3. OP07高级电路图-摘自：Reza Moghim
4. hive的一些常见内置函数
5. 关于CSS兼容IE与Firefox要点分析
6. Less 混合（mixin）
7. ORA-12514, TNS:listener does not currently know of service requested in connect descriptor
8. mysql 表结构反转_一道经典的MySQL面试题，答案出现三次反转
9. psql json操作符合函数
10. 如何用TensorFlow生成令人惊艳的分形图案
11. Android开发之自定义UI组件和属性
12. c语言程序设计 实验五数组,C语言实验五 数组程序设计（二）
13. mmdetection(2)： DeformableConvNets(DCN)
14. 数据库mongodb效率测试
15. Numpy掩码数组masked arrays
16. 【程序设计训练】棋盘
17. IP地址分配和IP地址的划分
18. STM32G4外设之GPIO
19. 时间管理黄金法则笔记
20. 每日一题——整数除法

热门文章

1. mip-NeRF代码debug
2. 外交学院计算机考研,外交学院考研经验
3. 2013年十大免费云空间排行榜-给开发者建站用的免费云主机
4. 1.0.使用matplotlib模块简单绘图
5. Python全栈学习笔记day 40.5+：线程池和线程池的Python标准模块--concurrent.futures
6. c++读取文件夹下的多个txt.文件并计算每个txt数据的平均值
7. 解决：python爬取豆瓣电影遇到的KeyError: 'subject_collection_items'错误
8. 4年外包终上岸，我只能说这类公司能不去就不去..
9. 数据结构之栈，栈是很多算法的基础知识，本文带你从0开始了解栈并手写一个栈
10. MySQLdb的安装与使用