Python数据可视化matplotlib（一）—— 图表的基本元素

Python数据可视化matplotlib（一）—— 图表的基本元素

图表创建

plt.show()

# 图表窗口1 → plt.show()

plt.plot(np.random.rand(10))
plt.show()
# 直接生成图表

魔法函数

% matplotlib inline 嵌入图表

# 图表窗口2 → 魔法函数，嵌入图表

%matplotlib inline
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x, y)
# 直接嵌入图表，不用plt.show()
# <matplotlib.collections.PathCollection at ...> 代表该图表对象

% matplotlib notebook 弹出可交互的matplotlib窗口

# 图表窗口3 → 魔法函数，弹出可交互的matplotlib窗口

% matplotlib notebook
s = pd.Series(np.random.randn(100))
s.plot(style = 'k--o',figsize=(10,5))
# 可交互的matplotlib窗口，不用plt.show()
# 可做一定调整

% matplotlib qt5 弹出matplotlib控制台

# 图表窗口4 → 魔法函数，弹出matplotlib控制台

% matplotlib qt5
df = pd.DataFrame(np.random.rand(50,2),columns=['A','B'])
df.hist(figsize=(12,5),color='g',alpha=0.8)
# 可交互性控制台
# 如果已经设置了显示方式（比如notebook），需要重启然后再运行魔法函数
# 网页嵌入的交互性窗口 和 控制台，只能显示一个

#plt.close()
# 关闭窗口

#plt.gcf().clear()
# 每次清空图表内内容

在这里要自己尝试看看什么效果

图表的基本元素

图表的基本元素

# 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等
df = pd.DataFrame(np.random.rand(10,2), columns=['A','B'])
# print(df)
# print('=========')
f = plt.figure(figsize=(10, 10))   #生成窗口对象，并设置大小
fig = df.plot(figsize=(8, 6))
# 创建图表对象，设置大小并赋值给fig

# print(fig, type(fig))
# print('---------')
# print(f, type(f))

plt.title('aa')  #  表头
plt.xlabel('x')   # x轴标签
plt.ylabel('y')   # y轴标签

plt.legend(loc = 'best')
# 显示图例，loc表示位置
# 'best'         : 0, (only implemented for axes legends)(自适应方式)
# 'upper right'  : 1,
# 'upper left'   : 2,
# 'lower left'   : 3,
# 'lower right'  : 4,
# 'right'        : 5,
# 'center left'  : 6,
# 'center right' : 7,
# 'lower center' : 8,
# 'upper center' : 9,
# 'center'       : 10,
plt.xlim([0,10])  # x轴边界
plt.ylim([0,1.1])  # y轴边界
plt.xticks(range(10))  # 设置x刻度
plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2])  # 设置y刻度
fig.set_xticklabels('%.1f'%i for i in range(10))# x轴刻度标签
fig.set_yticklabels("%.2f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2])  # y轴刻度标签
# 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数
# 轴标签则是显示刻度的标签

# print(fig,type(fig))
# 查看表格本身的显示方式，以及类别

[Text(0,0,'0.00'),
Text(0,0,'0.20'),
Text(0,0,'0.40'),
Text(0,0,'0.60'),
Text(0,0,'0.80'),
Text(0,0,'1.00'),
Text(0,0,'1.20')]

#通过ndatty 创建图表

x = np.linspace(-np.pi, np.pi, 256, endpoint=True)

c,s = np.cos(x), np.sin(x)
plt.plot(c)
plt.plot(s)

plt.grid(True, linestyle='--', color='gray', linewidth='0.5', axis='both')  # 创建格网
# 显示网格
# linestyle：线型
# color：颜色
# linewidth：宽度
# axis：x，y，both，显示x/y/两者的格网

plt.tick_params(bottom='on', top='on', left='on', right='on')
# 刻度显示

import matplotlib
matplotlib.rcParams['xtick.direction'] = 'out'
matplotlib.rcParams['ytick.direction'] = 'in'
# 设置刻度的方向，in,out,inout
# 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot

frame = plt.gca()
plt.axis('on')
# 关闭坐标轴
frame.axes.get_xaxis().set_visible(True)
frame.axes.get_yaxis().set_visible(False)

图表样式的创建

linestyle 线样式

#线样式

plt.plot([i**2 for i in range(100)],
linestyle='-.')
# '-'       solid line style
# '--'      dashed line style
# '-.'      dash-dot line style
# ':'       dotted line style

marker 标记样式

# marker参数

s = pd.Series(np.random.randn(10).cumsum())
s.plot(linestyle='-.',
marker='D')
# '.'       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

color 颜色

# color参数

plt.hist(np.random.randn(100),
color='g',
alpha=0.6)
# alpha：0-1，透明度
# 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style='--', alpha= 0.8, colormap='BrBG_r' )

# colormap：颜色板，包括：
# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,
# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r,
# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r,
# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r,
# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r,
# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,
# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot,
# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral,
# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral,
# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r

# 其他参数见“颜色参数.docx”

style 风格

# style参数，可以包含linestyle，marker，color

ts = pd.Series(np.random.randn(1000).cumsum(),
index=pd.date_range('1/1/2017',
periods=1000))
ts.plot(style='--gx', grid=True)

# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）
# plot()内也有grid参数

# 整体风格样式

import matplotlib.style as psl
print(plt.style.available)
# 查看样式列表

psl.use('bmh')
ts = pd.Series(np.random.randn(100).cumsum(),
index=pd.date_range('1/1/2017',
periods=100))
ts.plot(style='-g.', grid=True)

['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']

刻度，注解及图表输出

刻度

from matplotlib.ticker import MultipleLocator, FormatStrFormatter

t = np.arange(0.0, 100.0, 1)
s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
ax = plt.subplot(111)   #一般子啊ax中设置，不在plot中设置
plt.plot(t, s,'--*', color='b')
plt.grid(True, linestyle='-', color='gray', linewidth='0.5', axis='both')
#网格

xmajorLocator = MultipleLocator(10)   #将x轴主刻度标签设置为10的倍数
xmajorFormatter = FormatStrFormatter('%.0f')  #设置x轴标签文本的格式
xminorLocator = MultipleLocator(5)  #将X轴次刻度标签设置为5的倍数

ymajorlocator = MultipleLocator(0.5)  #将y轴主刻度设置为0.5的倍数
ymajorFormatter = FormatStrFormatter('%.0f')  #将Y轴刻度标签设置格式
yminorlocator = MultipleLocator(0.1)   #将y轴次刻度设置为0.1的倍数

ax.xaxis.set_major_locator(xmajorLocator)   #设置X轴主刻度
ax.xaxis.set_major_formatter(xmajorFormatter)   #设置x轴主刻度标签
ax.xaxis.set_minor_locator(xminorLocator)   #设置X轴次刻度

# ax.yaxis.set_major_locator(ymajorlocator)

注释

# 注释

df = pd.DataFrame(np.random.rand(10,2))
df.plot(style='-gx')
plt.text(2, 0.4,'nihao',fontsize=10)
#注释 plt.text(横坐标，纵坐标，文本)

图表输出

df = pd.DataFrame(np.random.randn(100,4),columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--', alpha = 0.5)
plt.legend(loc = 'best')

plt.savefig('E:\\DataScience\\python\\数据可视化包\\pic.png',
dpi = 800,
#            bbox_inches = 'tight',
facecolor = 'w',
edgecolor = 'blue')
# 可支持png，pdf，svg，ps，eps…等，以后缀名来指定
# dpi是分辨率
# bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。
# facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）