在数据分析过程中，数据及模型可视化是无可避免的，同时这也是展示我们数据分析成果的最佳方式。因此，熟悉掌握绘图库的使用，对精进我们的数据分析技能起着不可替代的作用。

今天，我们就来了解一下python强大的绘图库——Matplotlib及Seaborn的使用。

首先我们先来了解一下这两个强大的库。

Matplotlib

支持 Python 语言的开源绘图库（可以说是python里最优秀的绘图库了），因为其支持丰富的绘图类型、简单的绘图方式以及完善的接口文档，深受 Python 工程师、科研学者、数据工程师等各类人士的喜欢。

Seaborn

是以 Matplotlib 为核心的高阶绘图库，无需经过复杂的自定义即可绘制出更加漂亮的图形，非常适合用于数据可视化探索。

（两者的联系？区别？）

Matplotlib 应该是基于 Python 语言最优秀的绘图库了，但是它也有一个十分令人头疼的问题，那就是太过于复杂了。3000 多页的官方文档，上千个方法以及数万个参数，属于典型的你可以用它做任何事，但又无从下手。尤其是，当你想通过 Matplotlib 调出非常漂亮的效果时，往往会伤透脑筋，非常麻烦。

Seaborn 基于 Matplotlib 核心库进行了更高阶的 API 封装，可以让你轻松地画出更漂亮的图形。Seaborn 的漂亮主要体现在配色更加舒服、以及图形元素的样式更加细腻。

一句话：

Matplotlib是python绘图的基础，而Seaborn是在基础上，针对实际工作进一步的精炼与提升~

我们还是要从基础开始说起：

1、首先，导入库：

from matplotlib import pyplot as plt

pyplot模块是 Matplotlib 最核心的模块，几乎所有样式的 2D 图形都是经过该模块绘制出来的。

在这里，将pyplot 缩写成 plt，是约定俗成的方式（大家都是这么用的~）

这里有个要注意的~

在Jupyter Notebook 里使用Matplotlib绘图时，要加上下面这一条代码：

%matplotlib inline

注：

这条命令的作用是将 Matplotlib 绘制的图形嵌入在当前页面中。而在桌面环境中绘图时，不需要添加此命令，而是在全部绘图代码之后追加plt.show( )。

2、画个最简单的折线图：

a=[1,2,3,4,5,6,7,6,5,4,3,2,1]
plt.plot(a)

在这里，我们导入了一个列表，Matplotlib 会默认将该列表作为y值，而x值会从0开始依次递增。而plt.plot( )是pyplot模块下绘制（折线图）的方法类。

一个简单的折线图就绘制出来了~

我们也可以自己定义横坐标：

a_x=[11,12,13,14,15,16,17,18,19,20,21,22,23]
plt.plot(a_x,a)

当然了，这是一个最最简单的例子，在 Matplotlib 中，还有各式各样很有趣的图，大部分图形样式的绘制方法都存在于pyplot模块中，我们只要更改后面的方法类名就可以更改图形的样式啦~

这里是一些常用的图：

柱状图：pyplot.bar

直方图：pyplot.barh

水平直方图：pyplot.broken_barh

等高线图：pyplot.contour

误差线：pyplot.errorbar

柱形图：pyplot.hist

水平柱状图：pyplot.hist2d

饼状图：pyplot.pie

量场图：pyplot.quiver

散点图：pyplot.scatter

我们还是以原来的数据为例，看看其他图的效果：

柱状图：

水平直方图：

我们还可以用plot画一个常见的正弦函数图：

import numpy as np
# 在 -2PI 和 2PI 之间等间距生成 1000 个值，也就是 X 坐标
x = np.linspace(-2*np.pi, 2*np.pi, 1000)
# 计算 y 坐标
y = np.sin(x)
plt.plot(x, y)

注意了~

尽管我们绘制出来的函数很像一条曲线，但实际上，在两点之间依旧是直线。这里看起来像曲线，是因为样本点相互挨得很近（我们取的是1000个点，因此会挨得很近）。

2、会最基本的绘制操作后，我们需要对我们的图形进行进一步的优化（让图更美观~）

在matplotlib里，我们可以通过设置参数，来达到美化的效果。

下面是在折线图里，一些比较常用的参数：

alpha=设置线型的透明度，从 0.0 到 1.0

color=设置线型的颜色

fillstyle=设置线型的填充样式

linestyle=设置线型的样式

linewidth=设置线型的宽度

marker=设置标记点的样式

想要了解更多参数的小伙伴可以到官网看看哦（包括查看其它图形的）~

https://matplotlib.org/3.1.0/api/_as_gen/matplotlib.pyplot.plot.html​matplotlib.org

我们还是用原来的正弦函数来试验一下，这次再加上一条余弦函数。

x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
plt.plot(x, y2, color='g',  linewidth=2)

看上去好像挺不错的样子~

下面我们用饼状图来做个小例子（效果会更明显哦~）

首先我们先简单地绘制一个饼图：

list_pie=[2,4,6,8,10]
plt.pie(list_pie)

下面，我们进行参数设置：

explode = (0, 0, 0.1, 0, 0.2)  # 各类别的偏移半径
color = ['b', 'y', 'g', 'r', 'g']
plt.pie(list_pie, colors=color, explode=explode,shadow=True, autopct='%1.1f%%')     #设置阴影，偏移度，颜色
# 饼状图呈正圆
plt.axis('equal')

对比一下，是不是瞬间高大上了~

3、同时绘制多个图形（组合图形）

x=[1,2,3,4,5,6,7]
y1=[3,6,9,12,9,6,3]
y2=[2,9,11,8,6,4,3]
plt.bar(x, y1)
plt.plot(x, y2, '-o', color='r')

在这里，y1是柱状图，y2是折线图。只要将两个图形的代码放置在一起就可以绘制成组合图形了。

注意~

并不是任何的代码放在一起都是组合图。两张图的横坐标必须共享，才能够被 Matplotlib 自动判断为组合图效果~

4、确立图形位置

首先我们来看看这个图：

和我们日常的画架结构一样，在Matplotlib 中，也是有类似“画板”和“画布”的区别的。

figure：相当于绘画用的画板，

axes：相当于铺在画板上的画布。

也就是说，在同一块画板上，我们可以设置不同的画布，用来展示不同的图片。

让我们先来看一个小例子：

x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
fig = plt.figure()  # 新建画板
axes1 = fig.add_axes([0.1, 0.1, 0.9, 0.9])  # 大画布
axes2 = fig.add_axes([0.2, 0.2, 0.3, 0.2])  # 小画布axes1.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)  # 大画布
axes2.plot(x, y2, color='g',  linewidth=2)  # 小画布

可以看到，我们的图形被放在了不同大小的画布上。

那如何控制我们的画布大小及位置呢？

大家可以看下图中add_axes的参数设置：

除此之外也可以看到，add_axes的主要功能，就是向我们设置的画板figure中添加画布。

当然，还有一种更常见的添加画布的方法，就是——subplots( )。

比如，在subplots(2,2,1 )中，

第一、二个参数代表共创建了2*2个画布，其中subplots(2,2,1 )表示第一个画布。

我们来看看下面这个例子：（注意看subplots的设置哦~）

x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
plt.subplot(2,1,1)
plt.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
plt.subplot(2,1,2)
plt.plot(x, y2, color='g',  linewidth=2)

5、如何添加图表题目、坐标轴标题、以及图例等图表基本内容。

我们直接从例子出发：

fig, axes = plt.subplots()
plt.rcParams['font.sans-serif']=['SimHei']
axes.set_xlabel('X轴')  # 横坐标标题
axes.set_ylabel('Y轴') #纵坐标标题
axes.set_title('三角函数')  # 图表标题x= np.linspace(-2 * np.pi, 2 * np.pi, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
axes.plot(x, y1, color='r', linestyle='--', linewidth=2, alpha=0.7)
axes.plot(x, y2, color='g',  linewidth=2)axes.legend(["sin", "cos"], loc=0)  # 图例

set_xlabel：横坐标标题

set_ylabel：纵坐标标题

set_title： 图表标题

loc：标记图例位置，1，2，3，4依次代表：右上角、左上角、左下角，右下角；0代表自适应。

效果图：

注意~

在这里我多添加了一条代码：

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

这是因为我们输出的图例等包含中文，需要对格式进行设置。

然后，也有另一种方式，下面是我以前做的另一个图：

import matplotlib
from matplotlib import pyplot as plt
myfont = matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')
y_beijing=[8180.900,7659.100,8130.400,7199.500,7818.500,7638.200,7969.500,8225.400,8266.400,8444.600,8103.500,8119.700]
x=range(1,13)
plt.figure(figsize=(8,6),dpi=80,num=4)
plt.plot(x,y_beijing,label='旅客人数月变化',color='yellow')
xtick_labels=['{}月'.format(i) for i in x]
plt.xticks(x,xtick_labels,FontProperties=myfont)
plt.yticks( range(7000,8500,500))
plt.title('北京机场吞吐量',FontProperties=myfont,fontsize=15)
plt.xlabel('月份',FontProperties=myfont,fontsize=15)
plt.ylabel('旅客人数/千人',FontProperties=myfont,fontsize=15)
plt.grid(alpha=0.3)
for x, y in zip(x, y_beijing):plt.text(x, y+0.4, '%.0f'%y, ha='center', va='bottom', fontsize=10)
plt.legend(prop=myfont)
plt.show()

可以看到，代码有一点点不同，但是仍然达到同样的效果。

其中，myfont=matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')这条代码也是由于中文输入的原因。

6、如何规范我们画图的习惯

1、通过plt.figure()或者plt.subplots()管理一个完整的图形对象。

2、在图形对象的基础上，再添加图表题目、坐标轴标题、以及图例等图表基本内容。

以上便是<python绘图库——Matplotlib及Seaborn使用（入门篇1）>的内容，感谢大家的细心阅读，同时欢迎感兴趣的小伙伴一起讨论、学习，想要了解更多内容的可以看我的其他文章，同时可以持续关注我的动态~