人生苦短,我用 Python

前文传送门:

小白学 Python 数据分析(1):数据分析基础

小白学 Python 数据分析(2):Pandas (一)概述

小白学 Python 数据分析(3):Pandas (二)数据结构 Series

小白学 Python 数据分析(4):Pandas (三)数据结构 DataFrame

小白学 Python 数据分析(5):Pandas (四)基础操作(1)查看数据

小白学 Python 数据分析(6):Pandas (五)基础操作(2)数据选择

小白学 Python 数据分析(7):Pandas (六)数据导入

小白学 Python 数据分析(8):Pandas (七)数据预处理

小白学 Python 数据分析(9):Pandas (八)数据预处理(2)

小白学 Python 数据分析(10):Pandas (九)数据运算

小白学 Python 数据分析(11):Pandas (十)数据分组

小白学 Python 数据分析(12):Pandas (十一)数据透视表(pivot_table)

小白学 Python 数据分析(13):Pandas (十二)数据表拼接

小白学 Python 数据分析(14):Pandas (十三)数据导出

小白学 Python 数据分析(15):数据可视化概述

小白学 Python 数据分析(16):Matplotlib(一)坐标系

小白学 Python 数据分析(17):Matplotlib(二)基础操作

折线图

各位同学好,我们从本篇开始介绍一些 Matplotlib 的常用图表。

说道常用图表,第一个肯定是折线图,折线图主要用于表现随着时间的推移而产生的某种趋势。

在 Matplotlib 中,化折线图主要是使用到了 plt 库中的 plot 方法,下面我们看下 plot 的语法。

plot 函数的一般的调用形式如下:

#单条线:
plot([x], y, [fmt], *, data=None, **kwargs)

#多条线:
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)

可选参数 [fmt] 是一个字符串来定义图的基本属性如:颜色(color),点型(marker),线型(linestyle)。

具体形式 fmt = ‘[color][marker][line]’

这里我们写一个简单的 fmt 的表达式,需要注意的是 fmt 接收的是每个属性的单个字母缩写,如果使用的是全名的话则不能使用 fmt 参数进行组合赋值。

plot(x, y, 'bo-')

上面这个示例中的 bo- 的含义是蓝色圆点实线,其中 b 代表了颜色 blue , o 代表了点型 circle marker (圆点), - 代表了线型 solid line style (实线) 。

如果我们使用全名的话上面这个示例可以改成:

plot(x, y, color='blue', marker='o', linestyle='-')

下面小编摘抄一下官方文档上的对应的类型,官方文档地址:https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html ,如果不想打开官方文档,也可以在程序中运行下面这段代码,一样可以看到:

import matplotlib.pyplot as plt

help(plt.plot)

首先是颜色 color 的可取值:

=============    ===============================
character        color
=============    ===============================
``'b'``          blue
``'g'``          green
``'r'``          red
``'c'``          cyan
``'m'``          magenta
``'y'``          yellow
``'k'``          black
``'w'``          white
=============    ===============================

这里有一点需要注意,除了可以使用上面的这些值,同样可以使用十六进制的 RGB 字符串,如: #FFFFFF 等。

接下来是点型 Maker 的可选值:

=============    ===============================
character        description
=============    ===============================
``'.'``          point marker
``','``          pixel marker
``'o'``          circle marker
``'v'``          triangle_down marker
``'^'``          triangle_up marker
``'<'``          triangle_left marker
``'>'``          triangle_right marker
``'1'``          tri_down marker
``'2'``          tri_up marker
``'3'``          tri_left marker
``'4'``          tri_right marker
``'s'``          square marker
``'p'``          pentagon marker
``'*'``          star marker
``'h'``          hexagon1 marker
``'H'``          hexagon2 marker
``'+'``          plus marker
``'x'``          x marker
``'D'``          diamond marker
``'d'``          thin_diamond marker
``'|'``          vline marker
``'_'``          hline marker
=============    ===============================

大家看前面的符号应该大致都能知道是啥意思吧,小编这里有点小懒(属实有点多,小编自己的碎碎念:常用的就那么几种,一张图上也不会出现太多种的线型,反正会有默认值),就不翻译了,如果有看不懂的同学可以 CV 后面的英文到某些翻译网站上自行翻译。

接下来是线型 Line Styles 的可选值:

=============    ===============================
character        description
=============    ===============================
``'-'``          solid line style 实线
``'--'``         dashed line style 虚线
``'-.'``         dash-dot line style 点画线
``':'``          dotted line style 点线
=============    ===============================

这个就不解释了吧,各位同学可以自行尝试一下。

最后再来个示例吧,数据还是使用上一篇文章的:

import matplotlib.pyplot as plt

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]

plt.title(label='xxx 公司 xxx 产品销量')
# 设置标题
plt.plot(x_data, y_data, linestyle = '-.', label = '产品销量')
plt.plot(x_data, y_data_1, label = '用户增长数')
# 开启网格线
plt.grid(True)
# 设置图例
plt.legend()
# 文件保存
plt.savefig("plot_demo.png")

结果如下:

这个样例中,我们将产品销量使用点线图来表示。

柱状图

普通柱状图

柱状图主要用于查看各分组数据的数量分布,以及各个分组数据之间的数量比较。

在 Matplotlib 中使用的是 bar() 方法,还是先看下 bar() 的语法:

atplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)
参数 接收值 说明 默认值
left array x 轴;
height array 柱形图的高度,也就是y轴的数值;
alpha 数值 柱形图的颜色透明度 ; 1
width 数值 柱形图的宽度; 0.8
color(facecolor) string 柱形图填充的颜色; 随机色
edgecolor string 图形边缘颜色 None
label string 解释每个图像代表的含义
linewidth(linewidths / lw) 数值 边缘or线的宽度 1

其他详细的用法可以参考官方文档:https://matplotlib.org/api/pyplot_api.html

我们还是先来一个简单的示例,数据依然使用上面的数据:

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.5, alpha=0.6, facecolor = 'deeppink', edgecolor = 'darkblue', lw=2, label='产品销量')

plt.legend()

plt.savefig("bar_demo_1.png")
  • width : 柱子的宽度
  • alpha : 透明度
  • facecolor : 柱子填充色
  • edgecolor : 柱子轮廓色
  • lw : 柱子轮廓宽度
  • label : 图例

结果如下:

并排柱状图

我们还有一组数据,接下来是两个柱形图并列显示,这里调用的还是 bar() ,只不过需要调整的是柱子的位置:

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data + 0.3, y_data_1, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')

plt.legend()

plt.savefig("bar_demo_2.png")

这里比较重要的是 x_data + 0.3 ,相当于把用户量的柱子向右移动了 0.3 ,否则会造成重合。

结果如下:

堆积柱状图

还有一种柱形图是堆积柱形图,就是把柱状图堆叠在一起,我们还是通过示例来看:

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data, y_data_1, bottom=y_data, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')

plt.legend()

plt.savefig("bar_demo_3.png")

这种堆积柱状图主要是通过参数 bottom 来实现的,含义是底部开始的位置。

结果如下:

横向柱状图

其实横向柱状图应该是叫条形图,而且使用的方法也不再是 bar() 了,而是变成了 barh()

咦,这个看起来和 bar() 很像嘛,有可能是兄弟关系。

语法如下:

matplotlib.pyplot.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

也不多说啥了,和上面的 bar() 简直如出一辙,还是再来个示例:

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])

plt.title(label='xxx 公司 xxx 产品销量')


plt.barh(x_data, y_data, alpha=0.6, facecolor = 'deeppink', edgecolor = 'deeppink', label='产品销量')

plt.legend()

plt.savefig("barh_demo.png")

结果如下:

本篇内容就到这里了,各位同学想要代码或者想要图片都可以直接访问代码仓库获得。

代码仓库

老规矩,所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上,方便大家取用。

示例代码-Github

示例代码-Gitee

参考

https://blog.csdn.net/sinat_36219858/article/details/79800460

https://blog.csdn.net/weixin_40683253/article/details/87641416

版权声明:本文为babycomeon原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://www.cnblogs.com/babycomeon/p/12550193.html