转自：Python数据分析实战与AI干货

导语

Seaborn和Matplotlib是Python最强大的两个可视化库。Seaborn其默认主题让人惊讶，而Matplotlib可以通过其多个分类为用户打造专属功能。

01导入包

1

02参数介绍

Figure：面板(图)，matplotlib中的所有图像都是位于figure对象中，一个图像只能有一个figure对象。

Subplot：子图，figure对象下创建一个或多个subplot对象(即axes)用于绘制图像。

font: 字体集(font family)、字体大小和样式设置
line: 设置线条(颜色、线型、宽度等)和标记。

xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。

03点图、线图为例

 1#使用numpy产生数据 2x=np.arange(-5,5,0.1) 3y=x*3 4 5#创建窗口、子图 6#方法1：先创建窗口，再创建子图。(一定绘制) 7fig = plt.figure(num=1, figsize=(15, 8),dpi=80)     #开启一个窗口，同时设置大小，分辨率 8ax1 = fig.add_subplot(2,1,1)  #通过fig添加子图，参数：行数，列数，第几个。 9ax2 = fig.add_subplot(2,1,2)  #通过fig添加子图，参数：行数，列数，第几个。10print(fig,ax1,ax2)11#方法2：一次性创建窗口和多个子图。(空白不绘制)12fig,axarr = plt.subplots(4,1)  #开一个新窗口，并添加4个子图，返回子图数组13ax1 = axarr[0]    #通过子图数组获取一个子图14print(fig,ax1)15#方法3：一次性创建窗口和一个子图。(空白不绘制)16ax1 = plt.subplot(1,1,1,facecolor='white')      #开一个新窗口，创建1个子图。facecolor设置背景颜色17print(ax1)18#获取对窗口的引用，适用于上面三种方法19# fig = plt.gcf()   #获得当前figure20# fig=ax1.figure   #获得指定子图所属窗口2122# fig.subplots_adjust(left=0)                         #设置窗口左内边距为0，即左边留白为0。2324#设置子图的基本元素25ax1.set_title('python-drawing')            #设置图体，plt.title26ax1.set_xlabel('x-name')                    #设置x轴名称,plt.xlabel27ax1.set_ylabel('y-name')                    #设置y轴名称,plt.ylabel28plt.axis([-6,6,-10,10])                  #设置横纵坐标轴范围，这个在子图中被分解为下面两个函数29ax1.set_xlim(-5,5)                           #设置横轴范围，会覆盖上面的横坐标,plt.xlim30ax1.set_ylim(-10,10)                         #设置纵轴范围，会覆盖上面的纵坐标,plt.ylim3132xmajorLocator = MultipleLocator(2)   #定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本33ymajorLocator = MultipleLocator(3)   #定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本3435ax1.xaxis.set_major_locator(xmajorLocator) #x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式36ax1.yaxis.set_major_locator(ymajorLocator) #y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式3738ax1.xaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式39ax1.yaxis.grid(True, which='major')      #x坐标轴的网格使用定义的主刻度格式4041ax1.set_xticks([])     #去除坐标轴刻度42ax1.set_xticks((-5,-3,-1,1,3,5))  #设置坐标轴刻度43ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small')  #设置刻度的显示文本，rotation旋转角度，fontsize字体大小4445plot1=ax1.plot(x,y,marker='o',color='g',label='legend1')   #点图：marker图标46plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2')   #线图：linestyle线性，alpha透明度，color颜色，label图例文本4748ax1.legend(loc='upper left')            #显示图例,plt.legend()49ax1.text(2.8, 7, r'y=3*x')                #指定位置显示文字,plt.text()50ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5),  #添加标注，参数：注释文本、指向点、文字位置、箭头属性51            arrowprops=dict(facecolor='black', shrink=0.05),52            )53#显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both'54ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2)5556axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')       #在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间57axes1.plot(x,y)  #在子图上画图58plt.savefig('aa.jpg',dpi=400,bbox_inches='tight')   #savefig保存图片，dpi分辨率，bbox_inches子图周边白色空间的大小59plt.show()    #打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制

04一个窗口多个图

 1#一个窗口，多个图，多条数据 2sub1=plt.subplot(211,facecolor=(0.1843,0.3098,0.3098))  #将窗口分成2行1列，在第1个作图，并设置背景色 3sub2=plt.subplot(212)   #将窗口分成2行1列，在第2个作图 4sub1.plot(x,y)          #绘制子图 5sub2.plot(x,y)          #绘制子图 6 7axes1 = plt.axes([.2, .3, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高] 8plt.plot(x,y)           #绘制子坐标系， 9axes2 = plt.axes([0.7, .2, .1, .1], facecolor='y')  #添加一个子坐标系，rect=[左, 下, 宽, 高]10plt.plot(x,y)11plt.show()

05柱形图

 1plt.figure(3) 2x_index = np.arange(5)   #柱的索引 3x_data = ('A', 'B', 'C', 'D', 'E') 4y1_data = (20, 35, 30, 35, 27) 5y2_data = (25, 32, 34, 20, 25) 6bar_width = 0.35   #定义一个数字代表每个独立柱的宽度 7 8rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1')            #参数：左偏移、高度、柱宽、透明度、颜色、图例 9rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') #参数：左偏移、高度、柱宽、透明度、颜色、图例10#关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了11plt.xticks(x_index + bar_width/2, x_data)   #x轴刻度线12plt.legend()    #显示图例13plt.tight_layout()  #自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔14plt.show()

06直方图

1fig,(ax0,ax1) = plt.subplots(nrows=2,figsize=(9,6))     #在窗口上添加2个子图2sigma = 1   #标准差3mean = 0    #均值4x=mean+sigma*np.random.randn(10000)   #正态分布随机数5ax0.hist(x,bins=40,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75)   #normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度6ax1.hist(x,bins=20,normed=1,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) #bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度7plt.show()  #所有窗口运行

07散点图

1fig = plt.figure(4)          #添加一个窗口2ax =fig.add_subplot(1,1,1)   #在窗口上添加一个子图3x=np.random.random(100)      #产生随机数组4y=np.random.random(100)      #产生随机数组5ax.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none')  #x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度6plt.show()  #所有窗口运行

08导入Seaborn

1import seaborn as sns

09直方图barplot

1x = np.arange(8)2y = np.array([1,5,3,6,2,4,5,6])3df = pd.DataFrame({"x-axis": x,"y-axis": y})4sns.barplot("x-axis","y-axis",palette="RdBu_r",data=df)5plt.xticks(rotation=90)6plt.show()

010相关热力图

以tips数据为例：

1# 相关性热力图2sns.heatmap(tips.corr())

#看图说话：热力图可用来显示两变量之间的相关性，在这里两变量间对应的矩形框的颜色越浅，代表两者之间越具有相关性

011核密度估计图

1#kde plot图2sns.kdeplot(tips['total_bill'], shade=True)

012总结

相信介绍到这里，大家对Matplotlib和Seaborn常用图形有充分的了解了，下面通过一些案例去实践可视化操作吧！我也会在后续实战中带来更多的应用。

感谢阅读

推荐阅读：

1：真实的上海IT圈：张江男vs漕河泾男

2：真实的北京IT圈：后厂村姑 vs 后厂村花？

3：为什么你的提问没人解答？

4：Python爱好者社区历史文章合集

好看请点这里~