Python的Matplotlib

介绍：

Matplotlib 是一个非常强大的 Python 绘图库，支持多种不同类型的图表。以下是 Matplotlib 支持的一些常见图表类型：

前情提要：

from matplotlib import rcParams# 设置支持中文的字体
rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体为黑体
rcParams['axes.unicode_minus'] = False  # 正常显示负号

如果你要使用中文中必不可少

类型：

2D 图表

折线图 (Line Plot)
1. 显示数据点之间的连接线，适合展示趋势。
2. ```
import matplotlib.pyplot as plt# 数据：x 轴和 y 轴
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]# 绘制折线图
plt.plot(x, y)# 添加标题和标签
plt.title("简单的折线图")
plt.xlabel("x 轴")
plt.ylabel("y 轴")# 显示图形
plt.show()
```
3. 代码解析
  1. 数据准备：x 和 y 分别是 x 轴和 y 轴的数据。x 轴可以是时间、序列等，y 轴是对应的数值。
  2. 绘制折线图：plt.plot(x, y) 用于绘制折线图。x 和 y 为输入的数据点。
  3. 添加标题和标签：
    - plt.title("简单的折线图")：设置图表标题。
    - plt.xlabel("x 轴")：设置 x 轴的标签。
    - plt.ylabel("y 轴")：设置 y 轴的标签。
  4. 显示图形：plt.show() 用于显示绘制的图形。
4. 自定义折线图
  - 多条折线图：可以同时绘制多条折线图，用不同的颜色区分。
    - y2 = [25, 20, 15, 10, 5]
      
      plt.plot(x, y, label="线条 1")
      
      plt.plot(x, y2, label="线条 2", linestyle='--')
      
      plt.legend() # 添加图例
  - 标记数据点：在折线图上显示每个数据点的位置。
    - plt.plot(x, y, marker='o') # 在数据点上加上圆圈标记
  - 线条样式：你可以修改线条的样式，例如虚线、点线、颜色等。
    - plt.plot(x, y, linestyle='--', color='r') # 红色虚线
散点图 (Scatter Plot)
1. 用点表示数据，适合展示两变量之间的关系。
2. ```
import matplotlib.pyplot as plt# 数据：x 轴和 y 轴
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]# 绘制散点图
plt.scatter(x, y)# 添加标题和标签
plt.title("简单的散点图")
plt.xlabel("x 轴")
plt.ylabel("y 轴")# 显示图形
plt.show()
```
3. 代码解析
  1. 数据准备：x 和 y 是两个变量的值，分别对应散点图中的 x 轴和 y 轴。
  2. 绘制散点图：使用 plt.scatter(x, y) 来绘制散点图。与折线图不同，散点图没有连接线，而是通过独立的点来表示数据。
  3. 添加标题和标签：
    1. plt.title("简单的散点图")：设置图表标题。
    2. plt.xlabel("x 轴")：设置 x 轴的标签。
    3. plt.ylabel("y 轴")：设置 y 轴的标签。
  4. 显示图形：plt.show() 用于显示图形。
4. 自定义散点图
  1. 改变点的大小和颜色：
    - s 用于控制点的大小。
    - c 用于控制点的颜色。
      plt.scatter(x, y, s=100, c='r') # 红色且较大的点
  2. 使用不同的标记样式：
    - marker 参数允许选择不同的标记类型（如圆圈、星号等）。
      plt.scatter(x, y, marker='*') # 星号标记
  3. 绘制多个系列：如果你有多个数据集，可以在同一张图上绘制多个散点图。
    - y2 = [25, 20, 15, 10, 5]
      plt.scatter(x, y, label="系列 1", c='b') # 蓝色点
      plt.scatter(x, y2, label="系列 2", c='g') # 绿色点
      plt.legend() # 添加图例

条形图 (Bar Plot)

使用条形表示数据，适合展示类别数据。

import matplotlib.pyplot as plt# 数据
categories = ['苹果', '香蕉', '橙子', '葡萄', '梨']
values = [50, 30, 45, 20, 25]# 创建条形图
plt.bar(categories, values)# 添加标题和标签
plt.title("水果数量")
plt.xlabel("水果")
plt.ylabel("数量")# 显示图形
plt.show()

代码解析：
1. plt.bar(categories, values)：绘制条形图，其中 categories 是条形图的类别，values 是每个类别对应的值。
2. plt.title("水果数量")：为图表添加标题。
3. plt.xlabel("水果") 和 plt.ylabel("数量")：为x轴和y轴添加标签。
4. plt.show()：显示图形。

水平条形图

除了竖直的条形图，还可以绘制水平条形图，使用 plt.barh()。

import matplotlib.pyplot as plt
import numpy as np# 数据
categories = ['苹果', '香蕉', '橙子', '葡萄', '梨']
values1 = [10, 20, 15, 25, 30]
values2 = [40, 10, 30, 20, 25]# 创建堆叠条形图
plt.barh(categories, values1, label='类型1')
plt.barh(categories, values2, bottom=values1, label='类型2')# 添加标题和标签
plt.title("堆叠条形图")
plt.xlabel("水果")
plt.ylabel("数量")
plt.legend()# 显示图形
plt.show()

堆叠条形图

如果你有多个数据系列，并且想要在同一类别中显示多个堆叠的条形，可以使用堆叠条形图。堆叠条形图将每个类别的条形分成几个部分，表示不同的数据系列。
1. ```
import matplotlib.pyplot as plt
import numpy as np# 数据
categories = ['苹果', '香蕉', '橙子', '葡萄', '梨']
values1 = [10, 20, 15, 25, 30]
values2 = [40, 10, 30, 20, 25]# 创建堆叠条形图
plt.bar(categories, values1, label='类型1')
plt.bar(categories, values2, bottom=values1, label='类型2')# 添加标题和标签
plt.title("堆叠条形图")
plt.xlabel("水果")
plt.ylabel("数量")
plt.legend()# 显示图形
plt.show()
```
2. 代码解析：
  1. plt.bar(categories, values1) 和 plt.bar(categories, values2, bottom=values1)：这两行代码绘制堆叠条形图，其中第二个 bar() 函数通过 bottom 参数指定了堆叠的底部。
  2. plt.legend()：为堆叠条形图添加图例。

直方图 (Histogram)
1. 用于展示数据的频率分布，常用于描述单一变量。
2. ```
import matplotlib.pyplot as plt
# 生成随机数据
data = np.random.randn(1000)# 绘制直方图
plt.hist(data, bins=30, edgecolor='black')  # bins: 划分区间的数量# 添加标题和标签
plt.title("随机数据的直方图")
plt.xlabel("值")
plt.ylabel("频率")# 显示图形
plt.show()
```
3. 代码解析：
  1. np.random.randn(1000)：生成1000个服从标准正态分布（均值为0，标准差为1）的随机数。
  2. plt.hist(data, bins=30, edgecolor='black')：绘制直方图，bins=30表示将数据划分成30个区间，edgecolor='black'为每个条形的边缘设置颜色。
  3. plt.title("随机数据的直方图")：为图表添加标题。
  4. plt.xlabel("值") 和 plt.ylabel("频率")：为x轴和y轴添加标签。
4. 参数解析：
  1. data：输入的数据集，可以是任何一维数据（例如列表、数组等）。
  2. bins：指定将数据划分成多少个区间。通常，bins的值越大，直方图越精细；越小，直方图越粗糙。也可以传入一个区间边界的数组来自定义每个桶的范围。
  3. edgecolor：条形的边缘颜色，通常用于让直方图的条形更加明显。
5. 修改直方图的外观
  1. 改变颜色
    1. plt.hist(data, bins=30, edgecolor='black', color='skyblue') # 设置条形的颜色
  2. 使用不同的间隔方式
    
    bins参数可以接受不同类型的输入：
    1. 整数：表示将数据划分为多少个区间。
    2. 序列：一个数组，表示区间的具体边界。
    3. bins = [-3, -2, -1, 0, 1, 2, 3]
      plt.hist(data, bins=bins, edgecolor='black')
  3. 对数刻度
    
    如果数据的范围非常广，可以使用对数刻度来调整y轴显示：
    1. plt.hist(data, bins=30, edgecolor='black')
      plt.yscale('log') # 设置y轴为对数刻度
6. 多个数据集的直方图
  1. ```
  import matplotlib.pyplot as plt
  import numpy as np# 生成两组随机数据
  data1 = np.random.randn(1000)
  data2 = np.random.randn(1000)# 绘制两个数据集的直方图
  plt.hist(data1, bins=30, alpha=0.5, label='数据集1')
  plt.hist(data2, bins=30, alpha=0.5, label='数据集2')# 添加标题、标签和图例
  plt.title("两个数据集的直方图")
  plt.xlabel("值")
  plt.ylabel("频率")
  plt.legend()# 显示图形
  plt.show()
```
2. 代码解析：
  1. alpha=0.5：设置条形的透明度，使两个直方图能够重叠显示。
  2. plt.legend()：显示图例，帮助区分不同数据集。
饼图 (Pie Chart)
1. 用圆形图表示各部分占整体的比例。
2. ```
import matplotlib.pyplot as plt# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]  # 每个部分的数值
colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99']  # 每个部分的颜色
explode = (0.1, 0, 0, 0)  # 使第一块稍微突出显示# 绘制饼图
plt.pie(sizes, labels=labels, colors=colors, explode=explode, autopct='%1.1f%%', startangle=140)# 添加标题
plt.title('简单的饼图')# 显示图形
plt.show()
```
3. 代码解析：
  1. labels：指定每个扇区的标签（如A、B、C、D）。
  2. sizes：指定每个扇区的数值（代表各部分占整体的比例）。
  3. colors：为每个扇区指定不同的颜色。
  4. explode：突出显示某些部分（例如，(0.1, 0, 0, 0)表示将第一个部分突出显示）。
  5. autopct='%1.1f%%'：显示每个扇区的百分比，保留1位小数。
  6. startangle=140：设置饼图起始角度，默认是从0度开始。通过调整startangle可以旋转饼图，使其更美观。
4. 饼图的常用参数：
  1. labels：为每个扇区指定一个标签。
  2. sizes：每个扇区的数值或比例。
  3. colors：为每个扇区指定颜色。
  4. autopct：显示扇区的百分比。
  5. startangle：设置饼图的起始角度，默认为0，调整它可以改变饼图的起始显示方向。
  6. explode：通过偏移某些扇区来突出显示，值越大，扇区偏移越远。
5. 饼图的更多自定义：
  1. 调整扇区标签的字体：
    1. plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140, textprops={'fontsize': 12})
  2. 设置阴影效果：
    1. plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140, shadow=True)
  3. 设置饼图的圆形比例：默认情况下，plt.pie()会绘制一个椭圆形的饼图，如果你希望它呈现圆形，可以设置axis为equal：
    1. plt.axis('equal') # 保证饼图是圆形的
6. 展示多个饼图：
  
  如果你有多个饼图数据，可以在同一张图中绘制多个饼图，使用subplot()进行布局。例如：
  1. ```
  fig, axs = plt.subplots(1, 2, figsize=(10, 5))# 第一个饼图
  axs[0].pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
  axs[0].set_title('饼图1')# 第二个饼图
  axs[1].pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)
  axs[1].set_title('饼图2')# 显示图形
  plt.show()
```
面积图 (Area Plot)
1. 类似于折线图，但下方区域被填充，适合展示趋势及组成。
2. ```
import matplotlib.pyplot as plt# 数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]# 绘制面积图
plt.fill_between(x, y, color="skyblue", alpha=0.4)# 添加标题和标签
plt.title("简单的面积图")
plt.xlabel("x")
plt.ylabel("y")# 显示图形
plt.show()
```
3. 代码解析：
  1. plt.fill_between(x, y, color="skyblue", alpha=0.4)：fill_between()函数用来绘制面积图，x和y定义了数据点，color设置填充颜色，alpha控制填充的透明度。
  2. plt.title()：设置图表的标题。
  3. plt.xlabel() 和 plt.ylabel()：设置x轴和y轴的标签。
4. 堆叠面积图：多个系列
  
  堆叠面积图不仅展示每个系列的数据，还可以看到每个部分如何累积在一起。适合展示多个部分对整体趋势的贡献。
  1. ```
  import matplotlib.pyplot as plt# 数据
  x = [1, 2, 3, 4, 5]
  y1 = [1, 2, 3, 4, 5]
  y2 = [1, 3, 5, 7, 9]# 绘制堆叠面积图
  plt.stackplot(x, y1, y2, labels=["y1", "y2"], alpha=0.5)# 添加标题和标签
  plt.title("堆叠面积图")
  plt.xlabel("x")
  plt.ylabel("y")
  plt.legend(loc="upper left")# 显示图形
  plt.show()
```
2. 代码解析：
  1. plt.stackplot(x, y1, y2, labels=["y1", "y2"], alpha=0.5)：stackplot()函数用来绘制堆叠面积图，可以传入多个系列数据（如y1和y2），通过堆叠的方式显示它们的变化。
  2. labels：为每个系列指定标签。
  3. alpha=0.5：设置填充透明度。
3. 面积图的常用参数：
  1. color：设置填充颜色。
  2. alpha：设置透明度，范围为0到1，值越小，透明度越高。
  3. labels：用于堆叠图时，为每个部分提供标签。
  4. linewidth：设置线条的宽度。
  5. linestyle：设置线条的样式。
箱型图 (Box Plot)
1. 用于展示数据的分布情况，显示中位数、四分位数和异常值。
热图 (Heatmap)
1. 使用颜色表示数据的强度，适合展示矩阵或二维数据。
雷达图 (Radar Chart)
1. 显示多变量的关系，适合展示具有多个维度的数据。
阶梯图 (Step Plot)
1. 线段之间为水平，适合展示步骤变化的数据。
堆积图 (Stacked Plot)
1. 类似于面积图，但多个数据系列叠加在一起，展示部分与整体的关系。
双坐标轴图 (Dual Axis Plot)
1. 使用两个 y 轴显示不同量纲的数据，适合比较不同数据源。
条形图 (Horizontal Bar Plot)
1. 条形图的水平版，适合数据分类较多时显示。
矩形树图 (Tree Map)
1. 用矩形区域表示层级数据，面积大小与数据值相关。
渐变图 (Gradient Plot)
1. 展示颜色从一个色带到另一个色带的渐变，适用于表示数据的变化。
时间序列图 (Time Series Plot)
1. 用于显示随时间变化的数据，通常用于金融、经济数据的可视化。
分布图 (Distribution Plot)
1. 显示数据的概率分布，通常用于展示数据的密度。