6 Matplotlib库实现数据可视化

6.1 Matplotlib的简述及安装

Matplotlib是Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松的将数据图形化，并且提供多样化的输出格式。

安装：Windows+R快捷键，打开cmd，输入：pip install Matplotlib，等待几秒就安装成功了

解决中文乱码问题：Matplotlib中文乱码解决方案（两种方式）_睿科知识云的博客-CSDN博客_matplotlib乱码在配置文件找到axes.unicode_minus = True 改为False，有可能在布置虚拟环境的时候是针对某一个项目导入的Matplotlib库（配置文件地址可能不同所以查看一下用代码地址）

import matplotlib
print(matplotlib.matplotlib_fname())  # 获得配置文件：matplotlibrc文件路径

6.2 Matplotlib的组成

画布：在Matplotlib被称为figure，在figure中可以包含一个或多个axes/plots；
纸：绘图区，Matplotlib被称为axes/subplot；
axis：轴axis用于限制绘制图的边界，xaxis表示横轴或x轴，yaxis表示竖轴或y轴；
artist：一个Matplotlib生成的图形中的一切都是artist对象，也可以说artist是所有其他类的父类，大多数artist对象都是在axes上所绑定，包括文本对象、Line2D对象等。

在绘图区里面有（来自1 小时入门 python 绘图库 matplotlib_哔哩哔哩_bilibili视频的截图）：

其中：

marker（标记点）的样式有以下参数

符号	对应点样式
o	圆点
^	角朝上的三角形
>	角朝右的三角形
<	角朝左的三角形
v	角朝下的三角形
1	角朝下的三角架
2	角朝上的三角架
3	角朝左的三角架
4	角朝右的三角架
s	正方形
p	五边形
P	加号（填充）标记
h	六边形1
H	六边形2
8	八边形
D	宽菱形
d	小菱形
*	以星号作为点
x	以乘号作为点
X	以乘号（填充）标记
+	以加号作为点
\|	以短竖线作为点
-	以短横线作为点

linestyle参数

符号	对应的线条样式
-	实线
--	虚线
-.	点画线
:	点线
.	点
,	像素点

颜色参数，还有一些颜色对应的十六进制编码（不举例了）

符号	颜色
b	蓝色（blue）
g	绿色（green）
r	红色（red）
c	青色（cyan）
m	品红色（magenta）
y	黄色（yellow）
k	黑色（black）
w	白色（white）

这样看可用的颜色不多，想用RGB调色，但是Matplotlib库暂时不支持RGB，所用可以使用扩展库Seaborn，但Seaborn还依赖第三方库SciPy（提供线性代数计算的相关方法比如傅里叶变换、稀疏矩阵等），所以可以再cmd窗口下使用pip安装这两个库：

pip install seaborn

pip install scipy（这个库很大可能需要几分钟）

参数示例：

参数合并	解释
b	默认形状的蓝色标记
or	红色圆点
-g	绿色实线
--	带有默认颜色的虚线
^k	角朝上的黑色三角形

6.3 图像元素设置

6.3.1 画布属性

matplotlib.figure.Figure(figsize=None, dpi=None, *, facecolor=None, edgecolor=None, linewidth=0.0, frameon=None, subplotpars=None, tight_layout=None, constrained_layout=None, layout=None, **kwargs)

常用的参数说明：

figsize（画布大小）：(float, float)，一对浮点型坐标，宽度、高度以英寸我i单位。默认为(6.4, 4.8)
dpi（分辨率）：float，画布的分辨率以每英寸点数为单位，默认为：100（相同的figsize，dpi越大，画布越大）
facecolor（画布背景色）：color，默认为白色

6.3.2 标题

plt.title('title_name')：添加画布标题

title常用参数说明：

fontsize：设置字体大小，默认12，可选参数['x-small , 'x-small , 'small , ' medium ', 'arget', 'sx-large', 'sx-large']
fontweight：设置字体粗细，可选参数['light', 'normal', 'medium ', 'semibold , 'bold , ' heavy ', 'black']
fontstyle：设置字体类型，可选参数[ 'normal' | 'italic' | 'oblique' ]，italic斜体，oblique倾斜
verticalalignment：设置水平对齐方式，可选参数:'center', 'top', 'bottom' ,'baseline'
horizontalalignment：设置垂直对齐方式，可选参数:left,right,center
rotation(旋转角度)：可选参数为:vertical,horizontal也可以为数字
alpha：透明度,参数值0至1之间
backgroundcolor：标题背景颜色
bbox：给标题增加外框，常用参数如下: boxstyle方框外形，facecolor(简写fc)背景颜色，edgecolor(简写ec)边框线条颜色，edgewidth边框线条大小

6.3.3 轴

轴开关

plt.axis('off')

轴显示范围

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot([1, 2, 3, 4],[100, 200, 300, 400])
ax.set_xlim(0, 8)
ax.set_ylim(0, 6000)
ax.get_xlim()  # 获取当前轴显示范围
ax.get_ylim()

设置axes脊柱（坐标系）

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
# 去掉脊柱（坐标系）
ax.spines['top'].set_visible(False)  # 去掉上边框
ax.spines['bottom'].set_visible(False)  # 去掉下边框
ax.spines['left'].set_visible(False)  # 去掉左边框
ax.spines['right'].set_visible(False)  # 去掉右边框# 移动脊柱
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
as.spines('bottom').set_position(('data', 0))  # 移动x轴，data为数据
ax.yaxis.set_ticks_position('left')
as.spines('left').set_position(('data', 0))  # 移动y轴data为数据# 设置边框线颜色
ax = plt.gca()  # 获取当前的axes
spines['right'].set_color('blue')
spines['top'].set_color('none')# 设置边框线宽
ax.spines['left'].set_linewidth(5)# 设置边框线型
spines['left'].set_linestyle('--')

6.3.4 隐藏刻度线

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.tic_params(bottom=False, top=False, left=False, right=False)

6.3.5 网格线

grid(b, which, axis, color, linestyle, linewidth, **kwargs)

参数说明：

b：布尔值
which：取为'major'，'both'默认为'major'
axis：取为'both'
x/y linestyle：设置网格线风格，简写为ls

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
ax.plot([1, 2, 3], [10, 40, 80])
# 只开横向网格线
plt.grid(True, axis='y')
# 只开纵向网格线
plt.grid(True, axis='x')  # == ax.grid(True, axis='x')

6.3.6 图例

图例可以让图像更清晰

plt.legend(*args, **kwargs)

**kwargs包含的参数有：

loc：图例位置，可取：‘best’、 ‘upper right’、‘upper left’、‘lower left’、‘lower right’、‘right’、‘center left’、‘center’、'right’、‘lower center’、‘upper center’、‘center’)；
borderpad：图例的内边距，None或者float；
fontsize：int或float或{‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’}，用于设置字体大小；
frameon：是否显示图例边框，None或者bool；
fancybox：是否将图例框的边角设为圆形，None或者bool；
framealpha：控制图例框的透明度，None或者float；
ncol：图例列的数量，默认为1；
title：图例的标题；
shadow：是否为图例边框添加阴影，None或者bool；
markerfirst：bool量，True表示图例标签在句柄右侧，false反之；
markerscale：图例标记为原图的多少倍；
labelspacing：图例中条目之间的距离，None或者float；
handlelength：图例中句柄的长度；
handles：填写用于添加到图例里的线条；
labels：对应着添加到图例里线条的标签。

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1,1,50)
y1 = 2*x + 1
y2 = x**2
plt.figure(num=1,figsize=(8,5))
# 用于设置x轴的范围
plt.xlim((-1,1))
# 用于设置y轴的范围
plt.ylim((-2,5))
# 设置x轴的名称
plt.xlabel('I am x label')
# 设置y轴的名称
plt.ylabel('I am y label')
# 将新的x轴上的坐标设置为-1到1间隔数为10
newTicks = np.linspace(-1,1,10)
plt.xticks(newTicks)
# 将y轴坐标按照一定格式设置字符，-2对应really bad，-1对应little bad
plt.yticks([-2,-1.0,0,1.5,3], ['really bad','little bad','normal','little good','pretty good'])
# 按照一定格式画线
line1, = plt.plot(x,y2,color = 'red',linewidth = 1.0,linestyle = '--',label = 'curve')
line2, = plt.plot(x,y1,label = 'straight line')
# 设置图例
plt.legend(loc = 'best', handles = [line1,line2,],labels = ['curve one','straight one'],shadow = True,fancybox = True,markerfirst = True,borderpad = 1.5,framealpha = 1,title = 'legend',labelspacing = 1.2)
plt.show()

6.3.7 辅助直线

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
# 水平线
ax.hlines('y轴坐标', 'x轴最小值', 'x轴最大值', '颜色', '线条样式', label='')
# 垂直线
ax.vlines('x轴坐标', 'y轴最小值', 'y轴最大值', '颜色', '线条样式', label='')

6.3.8 数据标注（文本注释）

1.plt.annotate( text, xy, xytext=None, xycoords='data', textcoords=None, arrowprops=None, annotation_clip=None, **kwargs)，常用参数：

text：要标注的内容
xy：被标注的坐标，通过xycoords设置偏移偏移
xytext：标注文字的坐标，通过textcoords设置偏移方式
xycoords：用于设置xy的偏移方式

xycoords的参数有：

值	描述
figure points	图中左下角的点
figure pixels	图中左下角的像素
figure fraction	图中的左下部分
axes points	相对坐标轴左下角的点
axes pixels	相对坐标轴左下角的像素
axes fraction	坐标轴的左下一点
data	使用被注释对象（参数为xy）的坐标系统（默认），相对坐标系
polar(theta,r)	if not native ‘data’ coordinatest

textcoords：用于设置xytext的偏移方式

textcoords参数有：

值	描述
offset points	从xy值偏移，以点为单位
offset pixels	从xy值偏移，以像素为单位

color：设置字体颜色
arrowprops：箭头参数,参数类型为字典dict

参数有：

width：箭头的宽度，以点为单位
headwidth：箭头底部的宽度，以点为单位
headlength：箭头的长度，以点为单位
shrink：从两端“收缩”的分数
facecolor：箭头颜色
arrowstyle：箭头的样式
connectionstyle：用于设置连接方式，可以设置弧度等，可以用字符串代表一个箭头的样式，用于arrowstyle

值	属性
'-'	None
‘->’	head_length=0.4, head_width=0.2
'-['	widthB=1.0, widthB=0.2, angleB=None
'\|-\|'	widthA=1.0, widthB=1.0
'-\|>'	head_length=0.4, head_width=0.2
'<-'	head_length=0.4, head_width=0.2
'<->'	head_length=0.4, head_width=0.2
'<\|-'	head_length=0.4, head_width=0.2
'<\|-\|>'	head_length=0.4, head_width=0.2
'fancy'	head_length=0.4, head_width=0.4, tail_width=0.4
'simple'	head_length=0.5, head_width=0.5, tail_width=0.2
'wedge'	tail_width=0.3, shrink_factor=0.5

2. plt.text( x, y, s, fontdict=None, withdash=<deprecated parameter>, **kwargs)，参数说明：

x,y：代表标记所处的坐标值
s：代表标记的文字
fontsize：代表字体大小
verticalalignment：垂直对齐方式，可以选择(‘center’ , ‘top’ , ‘bottom’ , ‘baseline’ )
horizontalalignment：水平对齐方式，可以选择( ‘center’ , ‘right’ , ‘left’ )
xycoords：选择指定的坐标轴系统，与annotate函数参数类似
arrowprops：增加箭头，与annotate函数参数类似
bbox：增加边框样式（boxstyle：方框外形；facecolor：背景颜色；edgecolor：边框线条颜色；edgewidth：边框线条大小）

# 使用例子
import matplotlib.pyplot as plt
import numpy as npx = np.linspace(-1, 1, 50)
y1 = 2*x + 1plt.xlim((-1, 1))
plt.ylim((-2, 5))
plt.xlabel('I am x label')
plt.ylabel('I am y label')
newTicks = np.linspace(-1,1,11)
plt.xticks(newTicks)
# y轴字体差别，设置成斜体
plt.yticks([-2, -1.0, 0, 1.5, 3],[r'$really\ bad$', r'$little\ bad$', r'$normal$', r'$little\ good$', r'$pretty\ good$'])
plt.plot(x, y1)
# 获得当前的axis
ax = plt.gca()
# 设置图像的上边、右边axis为无色
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')# 设置x轴坐标在下部
ax.xaxis.set_ticks_position('bottom')
# 设置x轴位于图像y=0处
ax.spines['bottom'].set_position(('data', 0))
# 设置x轴坐标在左部
ax.yaxis.set_ticks_position('left')
# 设置y轴位于图像x=0处
ax.spines['left'].set_position(('data',0))x0 = 0.5
y0 = x0*2+1
plt.scatter(x0, y0, s=50, color='green')
plt.plot([x0, x0], [y0, 0], '--', color='black')
plt.annotate('2x+1=y',xy=(x0, y0),  # (x0,y0)代表被标注的坐标xycoords='data',  # 代表使用被注释对象（参数为xy）的坐标系统xytext=(+30, -30),  # 代表相对xy右偏移30单位，下偏移30单位textcoords='offset points',  # 代表以点为单位fontsize=16,  # 字体大小为16arrowprops=dict(arrowstyle='->', connectionstyle='arc3,rad=0.2')  # 代表使用样式为’->'的箭头，并具有一定的连接弧度
)
plt.text(0.5, -1,  # 0.5,-1代表被text所处的坐标'This is a text',  # 标注的内容fontdict={'size': 12, 'color': 'green'})  # 字号为12，颜色为绿色
plt.show()

6.3.9 图的保存

plt.savefig('picture_name.jpg')

在show()前插入savefig，如果在show()后面会出现保存图片为空白现象。 savefig(fname，dpi=None，facecolorm"w"，edgecolor="w"，orientation=""portrait"，papertype=None, bbox_inches=None)

参数解释：

fname为保存图片的文件名或者类路径，格式为str。如果设置了format，它将确定输出格式。如果没设置format，有扩展名就按扩展名的格式保存。如果没有扩展名，默认值为.png，可以选择jpg.svg,pdf；
dpi为分辨率，以每英寸点数为单位；
bbox_inches为边框（以英寸为单位)︰仅保存图形的给定部分。如果参数为"tight"，将图表多余的空白区域裁减掉。如果要保留图表周围多余的空白区域。可省略这个实参。

6.4 粗略画折线图与条形图

import matplotlib.pyplot as plt
# 折线图
fig, ax = plt.subplots()  # 建立一张含有一个坐标系的画布
x = [1, 2, 3, 4]  # 准备x轴数据，盛放数据的一个列表
y = [2, 1, 4, 3]  # 准备y轴数据
ax.plot(x, y)  # 把数据绘制在坐标系上
plt.show()  # 显示图像

import matplotlib.pyplot as plt
# 条形图
x = [1, 2, 3, 4, 5, 6]
y = [2, 4, 6, 8, 10, 12]
fig, ax = plt.subplots()  # 准备画布
ax.bar(x, y)
plt.show()

6.5 规范化画图

6.5.1 创建图形对象

1.figure对象

先建画布再添加坐标系

import matplotlib.pyplot as plt
# 先建画布
fig = plt.figure()
# 添加坐标系
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8])
# 绘图
x = [1, 2, 3, 4, 5, 6]
y = [2, 4, 6, 8, 10, 12]
axes1.plot(x, y, 'r')  # r表示线条为红色
plt.show()

注意：如果想在一个程序中运行多个图，可以对fig = plt.figure('pic_name')，对图名进行赋值，不同的图名就会在不同的图像中，比如下面代码有例8，例9，点击运行后会同时出现。

import numpy as np
import matplotlib.pyplot as plt
# 风格设置
print(plt.style.available)
'''
可调用的风格
['Solarize_Light2', '_classic_test_patch', '_mpl-gallery','_mpl-gallery-nogrid', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-v0_8','seaborn-v0_8-bright', 'seaborn-v0_8-colorblind', 'seaborn-v0_8-dark', 'seaborn-v0_8-dark-palette', 'seaborn-v0_8-darkgrid', 'seaborn-v0_8-deep','seaborn-v0_8-muted', 'seaborn-v0_8-notebook', 'seaborn-v0_8-paper', 'seaborn-v0_8-pastel', 'seaborn-v0_8-poster', 'seaborn-v0_8-talk', 'seaborn-v0_8-ticks', 'seaborn-v0_8-white', 'seaborn-v0_8-whitegrid','tableau-colorblind10']
'''
plt.figure('例8')
x = np.arange(-10, 10)
y = np.sin(x)
plt.style.use('bmh')  # 更改背景（一些seaborn的需要下载seaborn库）
plt.plot(x, y)
plt.figure('例9')
plt.xkcd()  # 需要下载字体修改配置文件
plt.plot(x, y)
plt.show()

2.subplots对象（用的多！）

直接在一张画布上建立坐标系，可以是多个子图

import matplotlib.pyplot as plt
fig, ax = plt.subplots()
x = [1, 2, 3]
y = [1, 2, 3]
ax.plot(x, y, 'y')  # 添加黄色
plt.show()

import matplotlib.pyplot as plt
x = [1, 2, 3]
y = [1, 2, 3]
fig, axes = plt.subplots(nrows=1, ncols=2)  # 1行2列，即1*2 = 2个子图
axes[0].plot(x, y, 'r')  # 利用axes[0]序号来实现子图自定义顺序序列
axes[1].plot(x[::-1], y, 'r')
plt.show()

任何入刑的绘制都建议通过plt.figure()或者plt.sybplots()管理一个完整的图形对象，而不是简单使用一条语句，例如plt.plot(...)来绘图管理一个完整的图形对象，有很多好处。在图形的基础上，给后期添加图例、图形样式、标注等预留了很大的空间，并且代码也更加规范，可读性强。

import matplotlib.pyplot as plt
import numpy as np
n = np.array([0, 1, 2, 3, 4, 5])
fig, axes = plt.subplots(1, 3, figsize=(16, 5))  # 1行3列 1*3 = 3个图，figsize表示画布大小
x = [1, 2, 3]
# 通过指定axes[0]序号来实现子图自定义顺序序列
axes[0].scatter(x, x + 0.25*np.random.randn(len(x)))
axes[0].set_title('scatter')  # 散点图axes[1].step(n, n**2, lw=2)
axes[1].set_title('step')  # 阶梯图axes[2].bar(n, n**2, align='center', width=0.5, alpha=0.5)
axes[2].set_title('bar')  # 条形图
plt.show()

6.5.2 准备数据

matplotlib接受的数据有三种：

list（列表，上面也用到了）
DataFrame

import pandas as pd
import matplotlib.pyplot as plt
df = pd.read_csv('mtest.csv', encoding='utf-8')
x = df['日期'].tolist()
y = df['销售额'].tolist()
# dataframe 绘制条形图
plt.plot(x, y)
plt.xlabel('日期')
plt.ylabel('销售额/件')
plt.show()

数组numpy array

6.6 常见的图形绘制

代码	说明
matplotlib.pyplot.plot()	折线图
matplotlib.pyplot.hist()	柱形图
matplotlib.pyplot.bar()	柱状图
matplotlib.pyplot.barh()	直方图（横向条形图）
matplotlib.pyplot.fill_between() matplotlib.pyplot.stackplot()	面积图
matplotlib.pyplot.scatter()	散点图
matplotlib.pyplot.pie()	饼图
matplotlib.pyplot.contour()	等高线图
matplotlib.pyplot.imshow()	热力图

查看各种函数的参数利用help：

help(plt.plot)

6.6.1 折线图（plot()）

使用场景：表现数据随时间等维度变化的趋势

参数解释：

x（可选），y（如果只有一个参数，默认为y轴）
color：颜色，可以设置16进制颜色码或英文单词
alpha：透明度：范围0-1
linestyle：折线样式
linewidth：折线宽度

import matplotlib.pyplot as plt
y = [1, 2, 3, 4]
fig, ax = plt.subplots()
ax.plot(y, color='r', marker='o', alpha=0.6, linestyle='--', linewidth=2)
# 与上面语句作用一致：ax.plot(y, 'or', alpha=0.6, linestyle='--', linewidth=2)
plt.show()

6.6.2 条形图/柱状图（bar()）

使用场景：不同种类数据的对比，数据差距通过高低对比直观显示

参数参考6.6.1

import matplotlib.pyplot as plt
a = [1, 2, 3, 4]
b = [100, 200, 300, 400]
plt.bar(a, b, color='g')
plt.show()

横向条形图：

import matplotlib.pyplot as plt
a = [1, 2, 3, 4]
b = [100, 200, 300, 400]
plt.barh(a, b, color='g', edgecolor='r')
plt.show()

6.6.3 散点图/气泡图（scatter()）

应用场景：展示数据的相关性和分布关系，由X轴和Y轴两个变量组成。通过因变量（Y轴数值）随自变量（X轴数值）变化的呈现数据的大致趋势，同时指出从类别和颜色两个维度观察数据的分布情况。

常用参数解释：

x, y：散点坐标
s：散点的面积/大小
c：散点的颜色（默认为蓝色b）
marker：散点样式（默认值为实心圆o）
alpha：散点透明度（[0, 1]之间，0表示完全透明，1表示完全不透明）
linewidths：散点边缘线宽
edgecolors：散点边缘的颜色

import matplotlib.pyplot as plt
import numpy as np
random_x = np.random.uniform(0, 1, 1000)
random_y = np.random.uniform(0, 1, 1000)
color = np.tanh(random_x-random_y)  # Tanh是双曲函数中的一个，Tanh()为双曲正切print(color)
plt.scatter(random_x, random_y, s=30, c=color, alpha=0.5)
plt.show()

6.6.4 面积图（fill_between()、stackplot()）

使用场景：对折线下方的区域进行上色，可以进行多类数据的对比

1. fill_between(x, y1, y2=0, where=None, interpolate=False, step=None, *, data=None, **kwargs)，返回PolyCollection对象

参数说明：

x：定义两条曲线的节点的x坐标。长度为N的类数组结构。必备参数；
y1：定义曲线的节点的y坐标。长度为N的类数组结构或者标量。必备参数；
y2：定义第2条曲线的节点的y坐标。长度为N的类数组结构或者标量，默认值为0。可选参数；
where：根据条件排除一些填充区域。长度为N的布尔数组。默认值为None。可选参数；
interpolate：当该属性为True时将计算实际交点，并将填充区域延伸到此点，布尔值，默认值为False。注意：该属性只有使用了where属性且两条曲线相互交叉时才生效；
step：拐点的计算方式，字符串，取值范围为{'pre', 'post', 'mid'}。默认值为None，可选参数；
**kwargs：PolyCollection对象的相关属性。

import matplotlib.pyplot as plt
plt.style.use("ggplot")
x = range(1, 15)
y = [1, 4, 6, 8, 4, 5, 3, 2, 4, 1, 5, 6, 8, 7]plt.fill_between(x, y, color="skyblue", alpha=0.3)
plt.plot(x, y, color="skyblue")
plt.title("An area chart", loc="left")
plt.xlabel("Value of X")
plt.ylabel("Value of Y")
plt.show()

代码来自：Matplotlib绘图库入门（三）：面积图_go2coding的博客-CSDN博客_matplotlib 面积图

2. stackplot(x, *args, labels=(), colors=None, baseline='zero', data=None, **kwargs) ，返回PolyCollection对象

参数说明（来自：matplotlib之pyplot模块——堆积面积图、主题河流图（stackplot）_mighty13的博客-CSDN博客_stackplot）：

x：形状为(N,)的类数组结构，即尺寸为N的一维数组。必备参数。
y：形状为(M,N)的类数组结构，即尺寸为(M,N)的二维数组。必备参数。y参数有两种应用方式。
stackplot(x, y) ：y的形状为(M, N)
stackplot(x, y1, y2, y3) ：y1, y2, y3, y4 均为一维数组且长度为N。
baseline：基线。字符串，取值范围为{'zero', 'sym', 'wiggle', 'weighted_wiggle'}。默认值为'zero'。可选参数。
'zero'：以0为基线，比如绘制简单的堆积面积图。
'sym'：以0上下对称，有时被称为主题河流图。
'wiggle'：所有序列的斜率平方和最小。
'weighted_wiggle'：类似于'wiggle'，但是增加各层的大小作为权重。绘制出的图形也被称为流图（streamgraph）。
labels：为每个数据系列指定标签。长度为N的字符串列表。
colors：每组面积图所使用的的颜色，循环使用。颜色列表或元组。
**kwargs：Axes.fill_between支持的关键字参数。

import matplotlib.pyplot as plt
x = range(1, 6)
y = [[10, 4, 6, 5, 3], [12, 2, 7, 10, 1], [8, 18, 5, 7, 6]]pal = ["#9b59b6", "#e74c3c", "#34495e", "#2ecc71"]
plt.stackplot(x, y, labels=['A', 'B', 'C'], colors=pal, alpha=0.4)
plt.legend(loc='upper right')
plt.show()

代码来自：Matplotlib绘图库入门（三）：面积图_go2coding的博客-CSDN博客_matplotlib 面积图

6.6.5 饼图（pie()）

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, normalize=True, data=None)

一些参数说明：

x：表示数据
explode：指定每部分的偏移量
labels：标签
colors：颜色
autopct：饼图上的数据标签显示方式
pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例
labeldistance：被画饼标记的直径，默认值：1.1
shadow：阴影
startangle：开始角度
radius：半径
frame：图框
counterlock：指定指针方向，顺时针或者逆时针

import matplotlib.pyplot as plt
import random as ra
data = [ra.randint(0, 100) for i in range(1000)]a = [i for i in data if i < 30]
b = [i for i in data if i >= 30 and i<=60]
c = [i for i in data if i > 60]aSize = len(a)/1000
bSize = len(b)/1000
cSize = len(c)/1000label_list = ["小于30", "介于30与60", "大于60"]    # 各部分标签
size = [aSize, bSize, cSize]    # 各部分大小
color = ["pink", "yellow", "blue"]     # 各部分颜色
explode = [0, 0.05, 0]   # 各部分突出值
patches, l_text, p_text = plt.pie(size, explode=explode, colors=color, labels=label_list, labeldistance=1.1,autopct="%1.1f%%", shadow=False, startangle=90, pctdistance=0.6)
plt.axis("equal")    # 设置横轴和纵轴大小相等，这样饼才是圆的
plt.legend()
plt.show()

6.6.6 极坐标图、雷达图和极轴图

极坐标柱状图是将柱形条显示在极坐标中，其不仅保留了直角坐标系中数据变化趋势的优点，而且图形表达形式也更加美观；把直角坐标折弯成圈，把柱子底部的宽度压缩成为1个点。

调用subplot()创建子图时通过设置projection='polar',便可创建一个极坐标子图，然后调用plot()在极坐标子图中绘图（来自：极坐标图、雷达图、极轴图——matplotlib常见图表绘制_编程歆妍的博客-CSDN博客）

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 极坐标图
s = pd.Series(np.arange(20))
fig = plt.figure(figsize=(8, 4))
ax = plt.subplot(111, projection='polar')
ax.plot(s, linestyle='-', marker='.', lw=2)
plt.show()

雷达图：

import numpy as np
import matplotlib.pyplot as plt
# 雷达图 - 极坐标的折线图/填图 - plt.plot()
plt.figure(figsize=(8, 4))
ax1= plt.subplot(111, projection='polar')
ax1.set_title('spot fish')  # 创建标题
ax1.set_rlim(0, 12)  # x轴显示范围# 创建数据
data1 = np.random.randint(1, 10, 10)
data2 = np.random.randint(1, 10, 10)
data3 = np.random.randint(1, 10, 10)
theta = np.arange(0, 2*np.pi, 2*np.pi/10)# 绘制雷达线
ax1.plot(theta, data1, '.-', label='data1')
ax1.fill(theta, data1, alpha=0.2)
ax1.plot(theta, data2, '.-', label='data2')
ax1.fill(theta, data2, alpha=0.2)
ax1.plot(theta, data3, '.-', label='data3')
ax1.fill(theta, data3, alpha=0.2)
plt.show()

极轴图

import numpy as np
import matplotlib.pyplot as plt
# 极轴图 - 极坐标的柱状图
plt.figure(figsize=(8, 4))
ax1 = plt.subplot(111, projection='polar')
ax1.set_title('spot fish')  # 创建标题
ax1.set_rlim(0, 12)  # x轴显示范围data = np.random.randint(1, 10, 10)
theta = np.arange(0, 2*np.pi, 2*np.pi/10)bar = ax1.bar(theta, data, alpha=0.5)
for r, bar in zip(data, bar):bar.set_facecolor(plt.cm.jet(r/10.))  # 设置颜色
plt.show()

6.6.7 热力图（imshow()）

通过对色块来显示数据的统计图表。绘图时，需指定颜色映射的规则。例如：较大的值由较深的颜色表示，较小的值由较浅的颜色表示；较大的值由偏暖的颜色表示，较小的值由较冷的颜色表示等等。

使用场景：查看总体的情况、发现异常值、显示多个变量之间的差异，以及检测它们之间是否存在任何相关性。（学习来自：第六章使用 matplotlib 绘制热力图_mr_songw的博客-CSDN博客_热力图）

import matplotlib.pyplot as plt
import numpy as np
# 加上不同色块所对应的数值的大小
vegetables = ["cucumber", "tomato", "lettuce", "asparagus","potato", "wheat", "barley"]
farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening","Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]
# 将一个二维数组传入到 imshow 方法中便可以绘制一个热力图，每个色块的颜色代表数据的大小
harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],[2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],[1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],[0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],[0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],[1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],[0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])
# 加上 x 轴和 y 轴的标签，并加上标题
plt.xticks(np.arange(len(farmers)), labels=farmers,rotation=45, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(vegetables)), labels=vegetables)
plt.title("Harvest of local farmers (in tons/year)")# 通过一个循环来为每个色块加上对应的数值
for i in range(len(vegetables)):for j in range(len(farmers)):text = plt.text(j, i, harvest[i, j], ha="center", va="center", color="w")plt.imshow(harvest)
plt.colorbar()
plt.tight_layout()
plt.show()

6.6.8 叠加图以及一个画布放多个子图

一个图中可以放绘制多个图型

import numpy as np
import matplotlib.pyplot as plt
# 绘制多个线
# 首先要为每个图建立一个figure（画布），即 plt.figure() ，这样每个图会单独显示在一个窗口中
plt.figure('例1')
tang_numpy = np.arange(0, 10, 0.5)
plt.plot(tang_numpy, tang_numpy, 'r--',tang_numpy, tang_numpy**2, 'bs',tang_numpy, tang_numpy**3, 'go')
# 也可以写成
'''
plt.plot(tang_numpy, tang_numpy, 'r--')
plt.plot(tang_numpy, tang_numpy**2, 'bs')
plt.plot(tang_numpy, tang_numpy**3, 'go')
'

一个画布放多个子图：

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-10, 10)
y = np.sin(x)
# 子图
plt.figure('例2')
plt.subplot(211)  # 211表示画的图是2行1列的，最后一个1表示子图当中的第1个图
plt.plot(x, y, color='r')
plt.subplot(212)  # 211表示画的图是2行1列的，最后一个2表示子图当中的第2个图
plt.plot(x, y, color='b')
plt.figure('例3')
plt.subplot(121)  # 121表示画的图是1行2列的，最后一个1表示子图当中的第1个图
plt.plot(x, y, color='r')
plt.subplot(122)  # 122表示画的图是1行2列的，最后一个2表示子图当中的第2个图
plt.plot(x, y, color='b')

多图层叠加可以看这篇文章：matplotlib中的多图层叠加的问题_sunsoda的博客-CSDN博客_matplotlib图层

6.6.9 等高线图

绘制等高线常用的函数

contourf(X,Y,f_x_y,8,alpha = 0.5,cmap = plt.cm.hot)：作用：定义等高线图两条线之间的填充物。参数说明：①X，Y：网格化后的x，y坐标；②f_x_y：表示高度；③8：表示等高线要分为10块（输入0时等高线分为2块）；④alpha：表示每个填充物的透明度；⑤cmap：表示填充的色调，其可选择的内容可以参考：https://matplotlib.org/examples/color/colormaps_reference.html
contour(X,Y,f_x_y,8,colors='black',linewidth = 5)：作用：定义等高线中的线。参数说明：①X，Y：网格化后的x，y坐标；②f_x_y：表示高度；③8：表示等高线要分为10块（输入0时等高线分为2块）；④colors：线的颜色；⑤linewidth：线的宽度；
clabel(C,inline = True,fontsize = 10)：作用：定义等高线中的标签。参数说明：①C：需要添加标签的线；②inline：标签添加的位置，当其为True时是线会不会穿过数，当其为False时，线会穿过数字；③fontsize：标签大小。

import matplotlib.pyplot as plt
import numpy as npx = np.linspace(-1, 1, 50)
y = np.linspace(-1, 1, 50)
# x、y的网格化
X, Y = np.meshgrid(x,y)# 计算f(x,y)的值，对于等高线而言，其代表了高度
f_x_y = -(X**4+Y**3-2*X)*np.sin(X)# 调用等高线的填充物
plt.contourf(X, Y, f_x_y, 8, alpha=0.5, cmap=plt.cm.hot)# 定义等高线的线的颜色，宽度
C = plt.contour(X, Y, f_x_y, 8, colors='black', linewidth=5)# clabel用于定义等高线的标签
plt.clabel(C, inline=True, fontsize=10)plt.xticks(())
plt.yticks(())
plt.show()

这一章主要是从各种博客中学的（有一些在每个小节写了出处），还有主要的学习的博主：

tf好朋友之matplotlib的使用——contour等高线的绘制_Bubbliiiing的博客-CSDN博客_contour matplotlib

tf好朋友之matplotlib的使用——scatter散点图的绘制_Bubbliiiing的博客-CSDN博客

tf好朋友之matplotlib的使用——annotate标注的使用_Bubbliiiing的博客-CSDN博客

图例的讲解：tf好朋友之matplotlib的使用——legend图例的设置_Bubbliiiing的博客-CSDN博客