Python中使用matplotlib绘制各类图表示例详解

目录

• 折线图
• 柱状图
• 直方图
• 饼图
• 括线图
• 散点图
• 箱线图
• 热力图
• 树状图
• 总结

折线图

折线图是一种用于表示数据随时间、变量或其他连续性变化的趋势的图表。通过在横轴上放置时间或如此类似的连续变量，可以在纵轴上放置数据点的值，从而捕捉到数据随时间发生的变化。折线图可以用于比较不同变量的趋势，轻松地发现不同的变量之间的差异。

import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建一个绘图窗口，大小为8x6英寸
plt.figure(figsize=(8, 6))
# 绘制折线图
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
# 添加图例，显示在右上角
plt.legend(loc='upper right')
# 添加标题和轴标签
plt.title('Sin and Cos functions')
plt.xlabel('x')
plt.ylabel('y')
# 显示网格线
plt.grid(True)
# 保存图像，支持多种格式，如PNG、PDF、SVG等
plt.savefig('line_plot.png', dpi=300)
# 显示图像
plt.show()

示例结果：

参数说明：

• plt.figure(figsize=(8, 6))：创建一个大小为8x6英寸的绘图窗口。
• plt.plot(x, y1, label='sin(x)')：绘制折线图，x和y1是数据点的x坐标和y坐标，label是该折线的标签，用于图例中显示。
• plt.legend(loc='upper right')：添加图例，loc参数指定图例的位置，可以是字符串’upper right’等也可以是数字0~10。
• plt.title('Sin and Cos functions')：添加标题。
• plt.xlabel('x')：添加x轴标签。
• plt.ylabel('y')：添加y轴标签。
• plt.grid(True)：显示网格线。
• plt.savefig('line_plot.png', dpi=300)：保存图像到文件line_plot.png中，dpi参数指定输出分辨率。

柱状图

柱状图是一种用于比较不同组数据之间差异的图表。它通过将每个数据组的值表示为柱形的高度来显示差异。柱状图可用于比较不同分类数据的数量、频率或比率，用于显示该类别数据的相对大小。

import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = js['A', 'B', 'C', 'D', 'E']
y1 = [3, 7, 2, 5, 9]
y2 = [5, 2, 6, 3, 1]
# 创建一个绘图窗口，大小为8x6英寸
plt.figure(figsize=(8, 6))
# 绘制柱状图
plt.bar(x, y1, color='lightblue', label='Group 1')
plt.bar(x, y2, color='pink', bottom=y1, label='Group 2')
# 添加图例，显示在右上角
plt.legend(loc='upper right')
# 添加标题和轴标签
plt.title('Bar Plot')
plt.xlabel('Category')
plt.ylabel('Value')
# 显示图像
plt.show()

示例结果：

参数说明：

• plt.bar(x, y1, color='lightblue', label='Group 1')：绘制柱状图，x是类别列表，y1是每个类别对应的值，label是该组数据的标签，用于图例中显示。color参数指定柱状图的颜色。
• plt.bar(x, y2, color='pink', bottom=y1, label='Group 2')：绘制第二组数据的柱状图，bottom参数指定该组数据的底部位置。
• plt.legend(loc='upper right')：添加图例，loc参数指定图例的位置，可以是字符串’upper right’等也可以是数字0~10。
• plt.title('Bar Plot')：添加标题。
• plt.xlabel('Category')：添加x轴标签。
• plt.ylabel('Value')：添加y轴标签。

直方图

直方图用于展示数据的分布情况，通常用于分析数据集的偏态和峰态等特征。

import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(42)
data = np.random.normal(size=1000)
# 绘制直方图
fig, ax = plt.subplots()
ax.hist(data, bins=30, density=True, alpha=0.5, color='blue')
# 设置图表标题和坐标轴标签
ax.set_title('Histogram of Random Data', fontsize=16)
ax.set_xlabel('Value', font编程客栈size=14)
ax.set_ylabel('Frequency', fontsize=14)
# 设置坐标轴刻度标签大小
ax.tick_params(axis='both', which='major', labelsize=12)
# 显示图表
plt.show()

示例结果：

参数说明：

• data：要绘制的数据集。
• bins：直方图中的箱数。
• density：是否将频数转换为概率密度。
• alpha：直方图的透明度。
• color：直方图的颜色。
• ax.set_title()：设置图表标题。
• ax.set_xlabel()：设置x轴标签。
• ax.set_ylabel()：设置y轴标签。
• ax.tick_params()：设置坐标轴刻度标签的大小。

饼图

饼图用于展示数据的占比情况，通常用于比较不同类别或部分之间的占比情况。

import matplotlib.pyplot as plt
# 生成数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['red', 'green', 'blue', 'yellow']
# 绘制饼图
fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
# 设置图表标题
ax.set_title('Pie Chart of Data', fontsize=16)
# 显示图表
plt.show()

示例结果：

参数说明：

• labels：数据的类别标签。
• sizes：数据的占比。
• colors：数据的颜色。
• autopct：占比的显示格式。
• startangle：饼图的起始角度。
• ax.set_title()：设置图表标题。

括线图

括线图是一种用于比较不同组数据分布情况的图表。它用于显示数据的中位数、上下四分位数、最小值和最大值，可以帮助我们了解数据分布的形状、位置和离散程度。在括线图中，每个箱子代表数据的25%～75%分位数，中位线是每个箱子中的中位数，普通线是每个箱子之外的最小值和最大值。

import matplotlib.pyplot as plt
# 生成数据
data = [[3.4, 4.1, 3.8, 2.0], [2.3, 4.5, 1.2, 4.3]]
# 创建一个绘图窗口，大小为8x6英寸
plt.figure(figsize=(8, 6))
# 绘制括线图
bp = plt.boxplot(data, widths=0.5, patch_artist=True, notch=True)
# 设置每个箱线图的颜色和填充
for patch, color in zip(bp['boxes'], ['lightblue', 'pink']):
    patch.set_facecolor(color)
# 添加标题和轴标签
plt.title('Box Plot')
plt.xlabel('Group')
plt.ylabel('Data')
# 显示图像
plt.show()

示例结果：

参数说明：

• plt.boxplot(data, widths=0.5, patch_artist=True, notch=True)：绘制括线图，data是一个包含两个列表的列表，表示两组数据。widths参数指定每个箱线图的宽度，patch_artist参数指定使用补丁来填充箱线图，notch参数指定绘制出箱线图中的记分牌。
• patch.set_facecolor(color)：设置每个箱线图的颜色和填充，zip函数可以将两个列表打包成一个元组，逐个取出元组的值。
• plt.title('Box Plot')：添加标题。
• plt.xlabel('Group')：添加x轴标签。
• plt.ylabel('Data')：添加y轴标签。

散点图

散点图是一种用于展示两个变量之间关系的图表。每个点代表一个数据点，它的位置由变量的值确定。散点图可用于寻找变量之间的相关性，并显示数据中的任何异常值或离群值。

import matplotlib.pyplot as plt
import numpy as np
# 生成数据
x = np.random.normal(size=10编程客栈0)
y = np.random.normal(size=100)
# 创建一个绘图窗口，大小为8x6英寸
plt.figure(figsize=(8, 6))
# 绘制散点图
plt.scatter(x, y, s=50, alpha=0.5)
# 添加标题和轴标签
plt.title('Scatter Plot')
plt.xlabel('x')
plt.ylabel('y')
# 显示图像
plt.show()

示例结果：

参数说明：

• plt.scatter(x, y, s=50, alpha=0.5)：绘制散点图，x和y是数据点的x坐标和y坐标，s指定点的大小，alpha指定点的透明度。
• plt.title('Scatter Plot')：添加标题。
• plt.xlabel('x')：添加x轴标签。
• plt.ylabel('y')：添加y轴标签。

箱线图

箱线图用于展示数据的分布情况和异常值等信息，通常用于比较不同数据集之间的差异。

import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(42)
data = np.random.normal(size=(100, 4), loc=0, scale=1.5)
# 绘制箱线图
fig, ax = plt.subplots()
ax.boxplot(data, notch=True, sym='o', vert=True, whis=1.5)
# 设置图表标题和坐标轴标签
ax.set_title('Boxplot of Random Data', fontsize=16)
ax.set_xlabel('Variable', fontsize=14)
ax.set_ylabel('Value', fontsize=14)
# 设置坐标轴刻度标签大小
ax.tick_params(axis='both', which='major', labelsize=12)
# 显示图表
plt.show()

示例结果：

参数说明：

• data：要绘制的数据集。
• notch：是否绘制缺口。
• sym：异常值的标记形状。
• vert：是否垂直绘制箱线图。
• whis：箱线图的须长度，以四分位距的1.5倍为标准。
• ax.set_title()：设置图表标题。
• ax.set_xlabel()：设置x轴标签。
• ax.set_ylabel()：设置y轴标签。
• ax.tick_params()：设置坐标轴刻度标签的大小。

热力图

热力图用于展示数据之间的关系和趋势，通常用于分析二维数据的相关性和变化。

import matplotlib.pyplot as plt
import numpy as np
# 生成随机数据
np.random.seed(42)
data = np.random.normal(sihttp://www.devze.comze=(10, 10), loc=0, scale=1)
# 绘制热力图
fig, ax = plt.subplots()
im = ax.imshow(data, cmap='YlOrRd')
# 添加颜色条
cbar = ax.figure.colorbar(im, ax=ax)
cbar.ax.set_ylabel('Values', rotation=-90, va='bottom')
# 添加轴标签和标题
ax.set_xticks(np.arange(len(data)))
ax.set_yticks(np.arange(len(data)))
ax.set_xticklabels(np.arange(1, len(data)+1))
ax.set_yticklabels(np.arange(1, len(data)+1))
ax.set_title('Heatmap of Random Data', fontsize=16)
# 显示图表
plt.show()

示例结果：

参数说明：

• data：要绘制的数据集。
• cmap：颜色映射，用于表示数据大小的颜色范围。
• ax.imshow()：绘制热力图。
• cbar.ax.set_ylabel()：设置颜色条的标签。
• ax.set_xticks()：设置x轴刻度标签。
• ax.set_yticks()：设置y轴刻度标签。
• ax.set_xticklabels()：设置x轴刻度标签的标签名。
• ax.set_yticklabels()：设置y轴刻度标签的标签名。
• ax.set_title()：设置图表标题。

树状图

树状图用于展示数据之间的层次结构和关系，通常用于分析树形结构和组织架构等问题。

import matplotlib.pyplot as plt
# 绘制树状图
fig, ax = plt.subplots()
ax.barh('CEO', 1, color='black')
ax.barh('VP1', 0.8, left=1, color='gray')
ax.barh('VP2', 0.8, left=1, color='gray')
ax.barh('Manager1', 0.6, left=1.8, color='gray')
ax.barh('Manager2', 0.6, left=1.8, color='gray')
ax.barh('Manager3', 0.6, left=1.8, color='gray')
ax.barh('Supervisor1', 0.4, left=2.4, color='gray')
ax.barh('Supervisor2', 0.4, left=2.4, color='gray')
ax.barh('Supervisor3', 0.4, left=2.4, color='gray')
ax.barh('www.devze.comStaff1', 0.2, left=3.2, color='gray')
ax.barh('Staff2', 0.2, left=3.2, color='gray')
ax.barh('Staff3', 0.2, left=3.2, color='gray')
ax.barh('Staff4', 0.2, left=3.2, color='gray')
# 设置轴标签和标题
ax.set_yticks([])
ax.set_xlim(0, 4)
ax.set_xlabel('Hierarchy', fontsize=14)
ax.set_title('Tree Diagram of Organization', fontsize=16)
# 显示图表
plt.show()

示例结果：

• 参数说明：
• ax.barh()：绘制水平条形图。
• ax.set_yticks()：设置y轴刻度标签。
• ax.set_xlim()：设置x轴坐标范围。
• ax.set_xlabel()：设置x轴标签。
• ax.set_title()：设置图表标题。
• 文章知识点与官方知识档案匹配，可进

总结

到此这篇关于python中使用matplotlib绘制各类图表的文章就介绍到这了,更多相关Python matplotlib绘制图表内容请搜索编程客栈(www.devze.com)以前的文章或继续浏览下面的相关文章希望大家以后多多支持编程客栈(www.devze.com)！