Matplotlib常用图形绘制

Matplotlib绘制的常用图形包括散点图、线性图、柱状图、直方图、饼图、箱线图和子图。

1.散点图

散点图又称为散点分布图，是以利用坐标点（散点）的分布形态反映特征间的相关关系的一种图形。散点图的绘图函数为：scatter(x, y, [可选项])。其中x表示横轴坐标数据列，y表示纵轴坐标数据列，可选项包含颜色、透明度等。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
path='一、车次上车人数统计表.xlsx';
data=pd.read_excel(path);
tb=data.loc[data['车次'] == 'D02',['日期','上车人数']].sort_values('日期');
x=np.arange(1,len(tb.iloc[:,0])+1)
y1=tb.iloc[:,1]
plt.rcParams['font.sans-serif'] = 'SimHei'     # 设置字体为SimHei
plt.scatter(x,y1)
plt.xlabel('日期')
plt.ylabel('上车人数')
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)
plt.title('D02车次上车人数散点图')

Text(0.5,1,'D02车次上车人数散点图')

2.线性图

线性图的绘图函数为plot(X,Y,[可选项])，其中X表示横轴坐标数据列，Y表示纵轴坐标数据列，可选项为绘图设置，包括图形类型：散点图、虚线图、实线图等；线条颜色：红、黄、蓝、绿等；数据点形状：星型、圆圈、三角形等。可选项一些示例说明如下：
r*-- 表示数据点为星型，图形类型为虚线图，线条颜色为红色
b*-- 表示数据点为星型，图形类型为虚线图，线条颜色为蓝色
bo 表示数据点为圆圈，图形类型为实线图（默认），线条颜色为蓝色
. 表示散点图
更多的设置说明及plot函数的使用方法，可以通过help()函数查看系统帮助

#读取数据
path='一、车次上车人数统计表.xlsx';
data=pd.read_excel(path);
#筛选数据
tb=data.loc[data['车次'] == 'D02',['日期','上车人数']];
tb=tb.sort_values('日期');
tb1=data.loc[data['车次'] == 'D03',['日期','上车人数']];
tb1=tb1.sort_values('日期');
#构造绘图所需的横轴数据列和纵轴数据列
x=np.arange(1,len(tb.iloc[:,0])+1)
y1=tb.iloc[:,1]
y2=tb1.iloc[:,1]
# 定义绘图figure界面
plt.figure(1)
#在figure界面上绘制两个线性图
plt.rcParams['font.sans-serif'] = 'SimHei'     # 设置字体为SimHei
plt.plot(x,y1,'r*--')  #红色“*”号连续图，绘制D02车次
plt.plot(x,y2,'b*--')  #蓝色“*”号连续图，绘制D03车次
# 对横轴和纵轴打上中文标签
plt.xlabel('日期')
plt.ylabel('上车人数')
#定义图像的标题
plt.title('上车人数走势图')
#定义两个连续图的区别标签
plt.legend(['D02','D03'])
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)
#保存图片，命名为myfigure1。
plt.savefig('myfigure1')

3.柱状图

柱状图的绘图函数为bar(x,y,[可选项])，其中X表示横轴坐标数据列，Y表示纵轴坐标数据列，可选项为绘图设置。

plt.figure(2)
plt.bar(x,y1)
plt.xlabel('日期')
plt.ylabel('上车人数')
plt.title('D02车次上车人数柱状图')
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)
plt.savefig('myfigure2')

4.直方图

直方图的绘图函数为hist(X,[可选项])，其中X表示横轴坐标数据列，可选项为绘图设置。

plt.figure(3)
plt.hist(y1)
plt.xlabel('上车人数')
plt.ylabel('频数')
plt.title('D02车次上车人数直方图')
plt.savefig('myfigure3')

5.饼图

饼图的绘制函数为pie(X,Y,[可选项])，其中X表示待绘制的数据序列，Y表示对应的标签，可选项表示绘图设置。这里常用的绘图设置为百分比的小数位，可以通过autopct属性类设置。

plt.figure(4)
# 1.计算D02~D06车次同期的上车人数总和，并用list1来保存其结果
D=data.iloc[:,0]
D=list(D.unique())  #车次号D02~D06
list1=[]    #预定义每个车次的上车人数列表
for d in D:dt=data.loc[data['车次'] == d,['上车人数']]s=dt.sum()list1.append(s['上车人数']) #或者s[0]
# 2.绘制饼图
plt.pie(list1,labels=D,autopct='%1.2f%%') #绘制饼图，百分比保留小数点后两位
plt.title('各车次上车人数百分比饼图')
plt.savefig('myfigure4')

6.箱线图

箱线图是利用数据中的最小值、上分位数、中位数、下四分位数与最大值这5个统计量来描述连续型特征变量的一种方法。它也可以粗略地看出数据是否具有对称性，分布的分散程度等信息，特别可以用于对几个样本的比较。

plt.figure(5)
plt.boxplot([y1.values,y2.values])
plt.xticks([1,2], ['D02','D03'], rotation = 0)
plt.title('D02、D03车次上车人数箱线图')
plt.ylabel('上车人数')
plt.xlabel('车次')
plt.savefig('myfigure5')

7.多图展示

在同一个绘图界面上，绘制不同类型的图像

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt  #导入绘图库中的pyplot模块，并且简称为plt。
#读取数据
path='一、车次上车人数统计表.xlsx';
data=pd.read_excel(path);
#筛选数据
tb=data.loc[data['车次'] == 'D02',['日期','上车人数']];
tb=tb.sort_values('日期');
tb1=data.loc[data['车次'] == 'D03',['日期','上车人数']];
tb1=tb1.sort_values('日期');
#构造绘图所需的横轴数据列和纵轴数据列
x=np.arange(1,len(tb.iloc[:,0])+1)
y1=tb.iloc[:,1]
y2=tb1.iloc[:,1]
plt.rcParams['font.sans-serif'] = 'SimHei'     # 设置字体为SimHei
plt.figure('子图')
plt.figure(figsize=(10,8))plt.subplot(3,2,1)
plt.scatter(x,y1)
plt.xlabel('日期')
plt.ylabel('上车人数')
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)
plt.title('D02车次上车人数散点图')plt.subplot(3,2,2)
plt.plot(x,y1,'r*--')
plt.plot(x,y2,'b*--')
plt.xlabel('日期')
plt.ylabel('上车人数')
plt.title('上车人数走势图')
plt.legend(['D02','D03'])
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)plt.subplot(3,2,3)
plt.bar(x,y1)
plt.xlabel('日期')
plt.ylabel('上车人数')
plt.title('D02车次上车人数柱状图')
plt.xticks([1,5,10,15,20,24], tb['日期'].values[[0,4,9,14,19,23]], rotation = 45)plt.subplot(3,2,4)
plt.hist(y1)
plt.xlabel('上车人数')
plt.ylabel('频数')
plt.title('D02车次上车人数直方图')plt.subplot(3,2,5)
D=data.iloc[:,0]
D=list(D.unique())  #车次号D02~D06
list1=[]    #预定义每个车次的上车人数列表
for d in D:dt=data.loc[data['车次'] == d,['上车人数']]s=dt.sum()list1.append(s['上车人数']) #或者s[0]
plt.pie(list1,labels=D,autopct='%1.2f%%') #绘制饼图，百分比保留小数点后两位
plt.title('各车次上车人数百分比饼图')plt.subplot(3,2,6)
plt.boxplot([y1.values,y2.values])
plt.xticks([1,2], ['D02','D03'], rotation = 0)
plt.title('D02、D03车次上车人数箱线图')
plt.ylabel('上车人数')
plt.xlabel('车次')
plt.tight_layout()
plt.savefig('子图')

<Figure size 432x288 with 0 Axes>

本节所使用数据为人民邮电出版社Python金融数据分析与挖掘实战中例题数据，数据附后

金融数据分析与挖掘实战 4.2 Matplotlib（二）相关推荐

金融数据分析与挖掘实战4.1 Matplotlib（一）
数据可视化包Matplotlib Matplotlib是Python中一个二维绘图包,能够非常简单的实现数据可视化.Matplotlib最早由John Hunter于2002年启动开发,其目的是为了构 ...
金融数据分析余挖掘实战1.9-1.10补充
# 1.9.2 有返回值的函数 def sumt(t): #求1一直加到t的和s = 0while t > 0:s = s + tt = t - 1return s s = sumt(30) # ...
金融数据分析与挖掘实战5.6-5.7
# 5.6 支持向量机 #汽车评价数据,6个特征变量,1个分类标签,共1728条记录 #要求取1690条记录作为训练集,余下的作为测试集,计算预测准确率 import numpy as np impo ...
金融数据分析与挖掘实战练习2.10
# 2.10矩阵及线性代数的运算 # 2.10.1 创建矩阵 import numpy as np mat1 = np.mat("1 2 3 ; 4 5 6 ; 7 8 9") p ...
金融数据分析与挖掘实战练习2.5-2.9
# 2.5.1数组切片 #满足条件的切片 import numpy as np D = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12],[13,14,15,16] ...
金融数据分析与挖掘实战练习2.1-2.4
#逻辑运算符 3 and 4 4 3 and 5 and 8 # 如果用and连接多个正整数,那么将显示最后的那个 8 3 and 8 and 5 5 3 or 5 or 8 #如果用or连接多个正整 ...
金融数据分析与挖掘实战练习-1.9
# if while 的综合运用 # 猜数字 #请猜我心中的那个数字(假如是10) s = input("请猜测我心中记住的那个数字是:") guess = int(s) if g ...
金融数据分析与挖掘实战1.7-1.8
#1.7练习:如果成绩为60分以下,记为E,60-70 记为D,70-80 记为C ,80-90记为B, # 90-100记为A,某个同学成绩为75分,请设计一个if语句打印输出结果 #采用if语句进 ...
金融数据分析与挖掘实战1.5.2-1.5.3
# 列表的元素排序 L1 = [1,3,2,6,8,4,3,9,7] L1.sort() print(L1) [1, 2, 3, 3, 4, 6, 7, 8, 9] L1[3] = 5 #把L1列表中 ...

金融数据分析与挖掘实战 4.2 Matplotlib（二）