一文带你快速上手Python绘图库Matplotlib的用法-群英

上一篇：浅谈python中的四个高级数据类型下一篇：用python怎样实现图片转字符画的效果？

这篇文章主要介绍Python绘图库Matplotlib的用法，下文有绘制线型图、子图、散点图等等示例，有这方面学习需求的朋友可以参考学习，希望大家阅读完这篇文章能有所收获，下面就跟随小编来学习一下吧。

一、前言

Matplotlib是Python的绘图库，不仅具备强大的绘图功能，还能够在很多平台上使用，和Jupyter Notebook有极强的兼容性。

二、线型图

import matplotlib.pyplot as plt
import numpy as np

# 指定生成随机数的种子，这样每次运行得到的随机数都是相同的
np.random.seed(42)
# 生成30个满足平均值为0、方差为1的正态分布的样本
x = np.random.randn(30)
# plot本意有“绘制(图表)”的意思，所以下面这一行代码是绘制图表。

#r指定绘制的线条颜色为红色，o指定标记实际点使用的形状为圆形，--指定线条形状为虚线
plt.plot(x, "r--o")
# 显示图表
plt.show()

三、线条颜色、标记形状和线型

线条颜色常用参数：

“b”：指定绘制的线条颜色为蓝色。
“g”：指定绘制的线条颜色为绿色。
“r”：指定绘制的线条颜色为红色。
“c”：指定绘制的线条颜色为蓝绿色。
“m”：指定绘制的线条颜色为洋红色。
“y”：指定绘制的线条颜色为黄色。
“k”：指定绘制的线条颜色为黑色。
“w”：指定绘制的线条颜色为白色。

标记形状常用参数：

“o”：指定标记实际点使用的形状为圆形。
“*”：指定标记实际点使用的形状为星形。
“+”：指定标记实际点使用的形状为加号形状。
“x”：指定标记实际点使用的形状为x形状。

线型常用参数：

“-”：指定线条形状为实线。
“-C”：指定线条形状为虚线。
“-.”：指定线条形状为点实线。
“:”：指定线条形状为点线。

import matplotlib.pyplot as plt
import numpy as np

# 未指定种子的值，所以最终产生的随机数不同
# randn()生成30个满足平均值为0、方差为1的正态分布的样本
a = np.random.randn(30)
b = np.random.randn(30)
c = np.random.randn(30)
d = np.random.randn(30)

# a：红色，虚线，圆形；b：蓝色，实线，星号；c：绿色，点实线，加号；d：洋红色，点线，x形状
plt.plot(a, "r--o", b, "b-*", c, "g-.+", d, "m:x")
plt.show(

四、标签和图例

为了让绘制的图像更易理解，我们可以增加一些绘制图像的说明，一般是添加图像的轴标签和图例，如下面的例子所示：

import matplotlib.pyplot as plt
import numpy as np

np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)

# 图表标题
plt.title("Example")
# 图表标签
plt.xlabel("X")
plt.ylabel("Y")

# X, Y后面的逗号去掉会报出警告
X, = plt.plot(x, "r--o")
Y, = plt.plot(y, "b-*")
# 图例显示(显示图片右上角的图例)
# legend()有两个列表参数，第一个列表参数是图中实际使用的标记和线性，第二个列表参数是对应图例的文字描述
# legend本意：传奇、图例、解释、说明，这里是图例的意思
plt.legend([X, Y], ["X", "Y"])

plt.show()

五、子图

当需要将多个图像同时在不同的位置显示，则需要用到子图(Subplot)的功能。

import matplotlib.pyplot as plt
import numpy as np

# 未指定随机数种子的值
a = np.random.randn(30)
b = np.random.randn(30)
c = np.random.randn(30)
d = np.random.randn(30)

# 定义一个实例fig，相当于子图最外面的大图
fig = plt.figure()
# 向fig实例中添加需要的子图，前两个参数表示把大图分成了2行2列，最后一个参数表示使用哪一张子图进行绘制
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
ax4 = fig.add_subplot(2, 2, 4)

# 设置图例
A, = ax1.plot(a, "r--o")
ax1.legend([A], ["A"])
B, = ax2.plot(b, "b-*")
ax2.legend([B], ["B"])
C, = ax3.plot(c, "g-.+")
ax3.legend([C], ["C"])
D, = ax4.plot(d, "m:x")
ax4.legend([D], ["D"])

plt.show()

六、散点图

如果需要获取的是一些散点数据，则可以通过绘制散点图(Scatter)来展示数据的分布和布局。

import matplotlib.pyplot as plt
import numpy as np

# 设置随机数种子的值
np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)

# 散点图，scatter()的参数必须同时含有x, y
plt.scatter(x, y, c = 'g', marker='o', label = "(X, Y)")
# 散点图的标题
plt.title("Example")
# 设置坐标轴的标签
plt.xlabel("X")
plt.ylabel("Y")
# 设置图例，loc=0表示使用最好的位置，loc=1强制图例使用图中右上角的位置，loc=2强制使用左上角位置，

#loc=3强制使用左下角位置，loc=4强制使用右下角位置
plt.legend(loc = 1)

# 显示图像
plt.show()

scatter()方法中特别需要注意的参数：

“c”：指定散点图中绘制的参数使用哪种颜色，这与第2部分线条常用参数相，所以这里g表示设置为绿色。
“marker”：指定散点图中绘制的参数点使用哪种形状，和第2部分标记形状常用参数相同，所以这里o表示设置为圆形。
“label”：指定在散点图中绘制的参数使用的图例，这里与第3部分图例有所不同，注意区别。

七、直方图

直方图(Histogram)是一种统计报告图，通过使用一些列高度不等的纵向条纹或直方表示数据分布的情况，一般用横轴表示数据类型，纵轴表示分布情况。下面来看具体实例：

import matplotlib.pyplot as plt
import numpy as np

# 指定随机数种子的值
np.random.seed(42)
x = np.random.randn(1000)

# 直方图，bins表示绘制的直方图的条纹的数量；color表示直方图条纹的颜色，g表示绿色
plt.hist(x, bins = 20, color = 'g')
# 设置标题
plt.title("Example")
# 设置坐标轴标签
plt.xlabel("X")
plt.ylabel("Y")

# 显示图像
plt.show()

八、饼图

import matplotlib.pyplot as plt

# 标签
labels = ['Dos', 'Cats', 'Birds']
# sizes的三个数字确定了每部分数据系列在整个圆形中的占比
sizes = [15, 50, 35]

# 饼图，explode定义每部分数据系列之间的间隔，设置两个0和一个0.1，就能突出第三部分；

#autopct将sizes中的数据以所定义的浮点数精度进行显示；
# startangle是绘制第一块饼图时，该饼图与X轴正方向的夹角度数，这是设置90度，默认是0度。
plt.pie(sizes, explode = (0, 0, 0.1), labels = labels, autopct = '%1.1f%%', startangle = 90)
# 下面的一行代码必须存在，用于使X轴和Y轴的刻度时刻保持一致，只有这样，最后得到的饼图才是圆的
plt.axis('equal')

# 显示图像
plt.show()