目錄

• 前言
• 1.多圖布局
• • 1.1 子視圖
  • 1.2 嵌套
  • 1.3 多圖布局分格顯示
  • • 1.3.1 均勻布局
    • 1.3.2 不均勻分布
  • 1.4 雙軸顯示
• 2.文本、注釋、箭頭
• • 2.1 文本
  • 2.2 箭頭
  • 2.3 注釋
  • 2.4 注釋箭頭連接形狀
• 3.訓練場
• • 3.1 繪制如下子圖

---

前言

本文其實屬于：Python的進階之道【AIoT階段一】的一部分內容，本篇把這部分內容單獨截取出來，方便大家的觀看，本文介紹Matplotlib數據可視化高級，讀本文之前，如果沒有 Matplotlib基礎建議先看博客：Matplotlib數據可視化入門，后續還會單獨發一篇 Matplotlib數據可視化進階 內容供讀者學習。

🌟 學習本文之前，需要先自修：NumPy從入門到進階，pandas從入門到進階本文中很多的操作在 NumPy從入門到進階 ，pandas從入門到進階二文中有詳細的介紹，包含一些軟件以及擴展庫，圖片的安裝和下載流程，本文會直接進行使用。

下載 $Matplotlib$ 見博客：matplotlib的安裝教程以及簡單調用，這里不再贅述

1.多圖布局

1.1 子視圖

🚩創建子視圖可以一個視圖一個視圖的創建，也可以多個視圖一起創建：
單圖創建：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(0, 2 * np.pi)# 創建子視圖：2行1列第1個視圖 ax = plt.subplot(2, 1, 1) ax.plot(x, np.sin(x))# 創建子視圖：2行1列第2個視圖 ax = plt.subplot(2, 1, 2) ax.plot(x, np.cos(x))

多圖一起創建：

# 一次創造多個視圖 fig, axes = plt.subplots(2, 2) # 2行2列:四個圖 # 索引從0開始 axes[0, 0].plot(x, np.sin(x), color = 'red') axes[0, 1].plot(x, np.sin(x), color = 'green') axes[1, 0].plot(x, np.cos(x), color = 'purple') axes[1, 1].plot(x, np.cos(x))

下面附上一個完整的代碼供讀者理解：
遇到無法理解的地方可以看后面的代碼解釋，還是不理解的地方可以評論區留言（有問必答）

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)# 子視圖1 plt.figure(figsize = (9, 6)) ax = plt.subplot(221) # 兩行兩列第一個子視圖 ax.plot(x, y, color = 'red') ax.set_facecolor('green') # 調用子視圖設置方法，設置子視圖整體屬性# 子視圖2 ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖 line, = ax.plot(x, -y) # 返回繪制對象 line.set_marker('*') # 調用對象設置方法，設置屬性 line.set_markerfacecolor('red') line.set_markeredgecolor('green') line.set_markersize(10)# 子視圖3 ax = plt.subplot(2, 1, 2) # 兩行一列第二行視圖 plt.sca(ax) # 設置當前視圖 x = np.linspace(-np.pi, np.pi, 200) plt.plot(x, np.sin(x * x), color = 'red')

對上述代碼的部分進行講解：

# 第15行 # line, = ax.plot(x, -y) # 返回繪制對象import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)# 子視圖1 plt.figure(figsize = (9, 6)) ax = plt.subplot(221) # 兩行兩列第一個子視圖 ax.plot(x, y, color = 'red') ax.set_facecolor('green') # 調用子視圖設置方法，設置子視圖整體屬性# 子視圖2 ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖 ax.plot(x, -y) # 返回繪制對象

ax.plot(x, -y)其實就是返回了一句話：[<matplotlib.lines.Line2D at 0x1914fb1d250>]
我們可以發現這句話使用的是列表，我們取出這句話可以用：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)# 子視圖1 plt.figure(figsize = (9, 6)) ax = plt.subplot(221) # 兩行兩列第一個子視圖 ax.plot(x, y, color = 'red') ax.set_facecolor('green') # 調用子視圖設置方法，設置子視圖整體屬性# 子視圖2 ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖 line = ax.plot(x, -y) # 返回繪制對象 line[0]

我們也可以使用 , 去取：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)# 子視圖1 plt.figure(figsize = (9, 6)) ax = plt.subplot(221) # 兩行兩列第一個子視圖 ax.plot(x, y, color = 'red') ax.set_facecolor('green') # 調用子視圖設置方法，設置子視圖整體屬性# 子視圖2 ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖 line, = ax.plot(x, -y) # 返回繪制對象 line

還有一個很容易暈掉的細節：就是我們在繪圖的時候幾行幾列第幾個是什么意識：
我們就拿上述代碼去說明：
我們假想有一塊空白的板子是供我們繪圖的，下面來看上述代碼：

ax = plt.subplot(221) # 兩行兩列第一個子視圖

這行代碼的意思是把我們假想的這塊白板，劃分稱為兩行兩列的板子：

然后這個圖片占據的是第一個板子的位置，對于板子位置我們有如下規定：

板子的編號從1開始，而非從0開始，從左至右，從上至下依次命名板子

所以對上面這個板子，板子的編號為：

所以我們最后圖像所顯示的其實就是左上角的位置。

接著來看我們的第二個圖：

ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖

這下就好理解啦，還是把之前的空白板子分成兩行兩列，然后編號為2，即右上角。

接著我們來看第三個圖：

ax = plt.subplot(2, 1, 2) # 兩行一列第二行視圖

把我們的空白板子分成兩行一列，那么就是下圖的形式：

然后我們把第三個圖片放到第二個位置，不難想到，該圖的第二個位置其實就是對應的我們分成兩行兩列的 3,4 位置，所以三個圖像最終繪制的結果就是：

1.2 嵌套

🚩所謂嵌套，其實就是在圖形中繼續畫圖：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 25) y = np.sin(x) fig = plt.figure(figsize = (9, 6)) # 創建視圖plt.plot(x,y)# 嵌套方式一，axes軸域（橫縱坐標范圍），子視圖 # x,y,width,height ax = plt.axes([0.2, 0.55, 0.3, 0.3]) # 參數含義[left, bottom, width, height] ax.plot(x, y, color = 'g')# 嵌套方式二 ax = fig.add_axes([0.55, 0.2, 0.3, 0.3]) # 使用視圖對象添加子視圖 ax.plot(x, y, color = 'r')

1.3 多圖布局分格顯示

1.3.1 均勻布局

🚩每張圖片都是均勻展示的

import numpy as np import matplotlib.pyplot as plt x = np.linspace(0,2*np.pi) # sharex:所有小圖共享x軸 sharey:表示所有小圖共享y軸 坐標軸以所有小圖中范圍最大的進行顯示 fig, ((ax11,ax12,ax13), (ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3, 3) # 也可通過plt.subplot() 一個個添加子視圖 fig.set_figwidth(9) fig.set_figheight(6) ax11.plot(x,np.sin(x)) ax12.plot(x,np.cos(x)) ax13.plot(x,np.tanh(x)) ax21.plot(x,np.tan(x)) ax22.plot(x,np.cosh(x)) ax23.plot(x,np.sinh(x)) ax31.plot(x,np.sin(x) + np.cos(x)) ax32.plot(x,np.sin(x * x) + np.cos(x * x)) ax33.plot(x,np.sin(x) * np.cos(x)) # 緊湊顯示，邊框會比較小，可以注釋掉該行查看效果 plt.tight_layout() plt.show()

1.3.2 不均勻分布

🚩上圖中代碼運行所展示的就是均勻分布的結果，可以看出每張圖片所占的空間大小都是均等的，如下面圖片的展示結果，就是不均勻分布：

為顯示如上圖的不均勻分布，我們有三種方法

方法一：

import numpy as np import matplotlib.pyplot as plt # 需要導入gridspec模塊 x = np.linspace(0, 2 * np.pi, 200) fig = plt.figure(figsize = (12, 9)) # 使用切片方式設置子視圖 ax1 = plt.subplot(3, 1, 1) # 視圖對象添加子視圖 ax1.plot(x, np.sin(10 * x)) # 設置ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設置 ax1.set_title('ax1_title') # 設置小圖的標題 ax2 = plt.subplot(3, 3, (4, 5)) ax2.set_facecolor('green') ax2.plot(x, np.cos(x),color = 'red') ax3 = plt.subplot(3, 3, (6, 9)) ax3.plot(x,np.sin(x) + np.cos(x)) ax4 = plt.subplot(3, 3, 7) ax4.plot([1, 3], [2, 4]) ax5 = plt.subplot(3, 3, 8) ax5.scatter([1, 2, 3], [0, 2, 4]) ax5.set_xlabel('ax5_x',fontsize = 12) ax5.set_ylabel('ax5_y',fontsize = 12) plt.show()

方法二：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(0, 2 * np.pi, 100) plt.figure(figsize = (12, 9)) # 子視圖1 ax1 = plt.subplot2grid(shape = (3, 3),# 布局形狀loc = (0, 0), # 布局繪制位置colspan = 3) # 跨幾列 ax1.plot(x, np.sin(10 * x)) # 設置ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設置 ax1.set_title('ax1_title') # 設置小圖的標題 # 子視圖2 ax2 = plt.subplot2grid((3, 3), (1, 0), colspan = 2) # 跨兩列 ax2.set_facecolor('green') ax2.plot(x,np.cos(x),color = 'red') # 子視圖3 ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan = 2) # 跨兩行 ax3.plot(x,np.sin(x) + np.cos(x)) # 子視圖4 ax4 = plt.subplot2grid((3, 3), (2, 0)) ax4.plot([1, 3], [2, 4]) # 子視圖5 ax5 = plt.subplot2grid((3, 3), (2, 1)) ax5.scatter([1, 2, 3], [0, 2, 4]) ax5.set_xlabel('ax5_x',fontsize = 12) ax5.set_ylabel('ax5_y',fontsize = 12)

方法三：

import numpy as np import matplotlib.pyplot as plt # 需要導入gridspec模塊 import matplotlib.gridspec as gridspec x = np.linspace(0, 2 * np.pi, 200) fig = plt.figure(figsize = (12, 9)) # 將整個視圖分成3x3布局 gs = gridspec.GridSpec(3, 3) # 使用切片方式設置子視圖 ax1 = fig.add_subplot(gs[0, :]) # 視圖對象添加子視圖 ax1.plot(x,np.sin(10 * x)) # 設置ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設置 ax1.set_title('ax1_title') # 設置小圖的標題 ax2 = plt.subplot(gs[1, :2]) # 模塊調用 ax2.set_facecolor('green') ax2.plot(x,np.cos(x), color = 'red') # 從第一行到最后，占1、2兩行，后面的2表示只占用第二列，也就是最后的一列 ax3 = plt.subplot(gs[1:, 2]) ax3.plot(x,np.sin(x) + np.cos(x)) # 倒數第一行，只占第0列這一列 ax4 = plt.subplot(gs[-1, 0]) ax4.plot([1, 3], [2, 4]) # 倒數第一行，只占倒數第二列，由于總共三列，所以倒數第二列就是序號1的列 ax5 = plt.subplot(gs[-1, -2]) ax5.scatter([1, 2, 3], [0, 2, 4]) ax5.set_xlabel('ax5_x',fontsize = 12) ax5.set_ylabel('ax5_y',fontsize = 12) plt.show()

1.4 雙軸顯示

🚩有時候，有兩個軸是不夠用的，我們經常會見到如下的圖形，下述圖形的樣式就是雙軸顯示：

就比如我們在繪制正弦波和指數函數的時候，讓他們在一個 $y$軸上顯示是不合理的：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)plt.plot(x, y, color = 'blue') _ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')y2 = np.exp(x) plt.plot(x, y2, color = 'red')

所以，這個時候就需要我們的雙軸顯示：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)plt.plot(x, y, color = 'blue') _ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')# 獲取當前視圖 ax = plt.gca()# 雙胞胎,相當于兩個x軸,并且是合到一起的 # 這兩個x軸對應的是兩個y軸 ax2 = ax.twinx() # 其中一個視圖縱坐標范圍是 -1~1.0,另一個視圖范圍是0~25 # 刻度是自適應的,當然也可以進行調整# 默認向 ax2這個子視圖中繪制 y2 = np.exp(x) plt.plot(x, y2, color = 'red')

坐標是雖然是自適應的，但是我們也可以對其進行調整：

import numpy as np import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 50) y = np.sin(x)plt.plot(x, y, color = 'blue') _ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')# 獲取當前視圖 ax = plt.gca()# 雙胞胎,相當于兩個x軸,并且是合到一起的 # 這兩個x軸對應的是兩個y軸 ax2 = ax.twinx() # 其中一個視圖縱坐標范圍是 -1~1.0,另一個視圖范圍是0~25 # 刻度是自適應的,當然也可以進行調整# 默認向 ax2這個子視圖中繪制 y2 = np.exp(x) plt.plot(x, y2, color = 'red') # 規定刻度 _ = plt.yticks(np.arange(0, 26, 5), color = 'red')

2.文本、注釋、箭頭

🚩常用函數如下：

Pyplot函數API方法描述

text()	mpl.axes.Axes.text()	在Axes對象的任意位置添加文字
xlabel()	mpl.axes.Axes.set_xlabel()	為X軸添加標簽
ylabel()	mpl.axes.Axes.set_ylabel()	為Y軸添加標簽
title()	mpl.axes.Axes.set_title()	為Axes對象添加標題
legend()	mpl.axes.Axes.legend()	為Axes對象添加圖例
annnotate()	mpl.axes.Axes.annotate()	為Axes對象添加注釋（箭頭可選）
figtext()	mpl.figure.Figure.text()	在Figure對象的任意位置添加文字
suptitle()	mpl.figure.Figure.suptitle()	為Figure對象添加中心化的標題

2.1 文本

import numpy as np import matplotlib.pyplot as plt# 字體屬性 font = {'fontsize': 20,'family': 'KaiTi','color': 'red','weight': 'bold'} # bold表示字體加粗x = np.linspace(0.0, 5.0, 100) y = np.cos(2 * np.pi * x) * np.exp(-x)plt.figure(figsize = (9, 6)) plt.plot(x, y, 'k') # k代表黑色# 視圖的標題 plt.title('exponential decay', fontdict = font, pad = 20)# figure的大標題 plt.suptitle('指數衰減', y = 1.05, fontdict = font, fontsize = 30)# 向圖片中繪制文本 plt.text(x = 2, y = 0.65, # 橫縱坐標位置s = r'$\cos(2 \pi t) \exp(-t)$', # 文本內容fontsize = 25) # 文本大小plt.xlabel('time (s)') plt.ylabel('voltage (mV)') plt.show()

2.2 箭頭

import matplotlib.pyplot as plt import numpy# 隨機生成數字，10行2列(x,y) loc = np.random.randint(0, 10,size = (10, 2)) plt.figure(figsize=(10, 10))# 畫圖: loc[:, 0]:所有行都獲取,索引0--->橫坐標 # loc[:, 1]:所有行都獲取,索引1--->縱坐標 # g*:g代表的是綠色,*代表的是點的形狀是五角星 # ms = 20:點的大小 plt.plot(loc[:, 0], loc[:, 1], 'g*', ms = 20) plt.grid(True)# 路徑 way = np.arange(10) # 0、1、2、...、9索引 np.random.shuffle(way) # 洗牌，打亂順序# 開始連點:0-->1-->2-->...-->9 # for 循環:少一個:10個點連9條線 for i in range(0, len(way) - 1):start = loc[way[i]] # 起點end = loc[way[i + 1]] # 終點# 畫箭頭:plt.arrow(start[0], start[1], # x = start[0], y = start[1]:起點的(x, y)end[0] - start[0], # 水平方向上移動的距離end[1] - start[1], # 豎直方向上移動的距離head_width = 0.2, lw = 2,# 箭頭長度，箭尾線寬length_includes_head = True) # 長度計算包含箭頭箭尾# 繪制編號:0 1 2 3... 8plt.text(start[0], start[1], s = i, fontsize = 18, color = 'red')# 繪制編號:9if i == len(way) - 2:plt.text(end[0], end[1], s = i + 1, fontsize = 18, color = 'red')

2.3 注釋

import numpy as np import matplotlib.pyplot as plt# 數據創建 fig, ax = plt.subplots() x = np.arange(0.0, 5.0, 0.01) y = np.cos(2 * np.pi * x) line, = ax.plot(x, y, lw = 2)# 注釋: ax.annotate('local max', # 文本內容xy = (2, 1), # 箭頭指向位置xytext = (3, 1.5), # 文本位置# 箭頭屬性arrowprops = dict(facecolor = 'black', # 箭頭的顏色shrink = 0.05)) # 箭頭兩端收縮的百分比（占總長） ax.annotate('local min',xy = (2.5, -1),xytext = (4, -1.8),arrowprops = dict(facecolor = 'black',width = 2, # 箭頭寬度headwidth = 10, # 箭頭頭部寬度headlength = 10, # 箭頭頭部長度shrink = 0.1)) # 箭頭兩端收縮的百分比（占總長） ax.annotate('median',xy = (2.25, 0),xytext = (0.5, -1.8),arrowprops = dict(arrowstyle = '-|>'), # 箭頭樣式# 按下 Shift+Tab查看提示:-|>:head_length=0.4,head_width=0.2fontsize = 20)# y軸范圍調為(-2, 2) ax.set_ylim(-2, 2)

2.4 注釋箭頭連接形狀

import matplotlib.pyplot as pltdef annotate_con_style(ax, connectionstyle):x1, y1 = 3,2x2, y2 = 8,6ax.plot([x1, x2], [y1, y2], ".")ax.annotate(text = '',xy = (x1, y1), # 相當于B點，arrow headxytext = (x2, y2), # 相當于A點，arrow tailarrowprops = dict(arrowstyle = '->', color = 'red',shrinkA = 5,shrinkB = 5,connectionstyle = connectionstyle))ax.text(.05, 0.95, connectionstyle.replace(",", "\n"),transform = ax.transAxes, # 相對坐標ha = "left", va = "top") # 指定對齊方式# 常用箭頭連接樣式 fig, axs = plt.subplots(3, 5, figsize = (9, 6)) annotate_con_style(axs[0, 0], "angle3,angleA=90,angleB=0") annotate_con_style(axs[1, 0], "angle3,angleA=0,angleB=90") annotate_con_style(axs[2, 0], "angle3,angleA = 0,angleB=150") annotate_con_style(axs[0, 1], "arc3,rad=0.") annotate_con_style(axs[1, 1], "arc3,rad=0.3") annotate_con_style(axs[2, 1], "arc3,rad=-0.3") annotate_con_style(axs[0, 2], "angle,angleA=-90,angleB=180,rad=0") annotate_con_style(axs[1, 2], "angle,angleA=-90,angleB=180,rad=5") annotate_con_style(axs[2, 2], "angle,angleA=-90,angleB=10,rad=5") annotate_con_style(axs[0, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=0") annotate_con_style(axs[1, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=5") annotate_con_style(axs[2, 3], "arc,angleA=-90,angleB=0,armA=0,armB=40,rad=0") annotate_con_style(axs[0, 4], "bar,fraction=0.3") annotate_con_style(axs[1, 4], "bar,fraction=-0.3") annotate_con_style(axs[2, 4], "bar,angle=180,fraction=-0.2")for ax in axs.flat:# 設置軸域刻度ax.set(xlim = (0, 10), ylim = (0, 10), xticks = [], yticks = [], aspect = 1) fig.tight_layout(pad = 0.2)

3.訓練場

3.1 繪制如下子圖

要求：

• 設置中文字體并設置字體大小
• 分別計算每個城市年份、季度、月份、小時的PM2.5數據
• 會用到分組求平均值操作
• 進行數據重塑
• 根據需要調整行索引或者列索引
• 創建子視圖2行2列
• 向子視圖分別繪制年份、季度、月份、小時的各城市PM2.5走勢數據
• 根據需要設置坐標軸標簽（比如月份、小時）

首先我們需要下載一個 Excel 文件：

鏈接: https://pan.baidu.com/s/1nSw6wbOEg8GpP19WQ7ggxw?pwd=53ph
提取碼: 53ph

下載完成之后，把該文件和我們的代碼放到同一個文件夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

注：代碼處于運行中將顯示：

下列代碼運行幾十秒甚至幾分鐘都是正常的，耐心等待運行結果即可。

我們先來加載我們的數據

%%time import numpy as np import pandas as pd import matplotlib.pyplot as pltplt.rcParams['font.family'] = 'KaiTi' plt.rcParams['font.size'] = 18 df = pd.read_excel('./PM2.5.xlsx')

接下來繪制年份的數據：

# 添加子視圖 fig, axes = plt.subplots(2, 2, figsize = (16, 12))# 按照城市年份分組,獲取PM2.5,計算平均值并保留2位小數 df2 = df.groupby(by = ['城市', '年份'])[['PM2.5']].mean().round(2)# 數據重塑 df2 = df2.unstack(level = 0) # 城市作為列索引 df2.columns = df2.columns.droplevel(0) # 刪除 PM2.5 這個列索引 df2 = df2[['北京', '上海', '廣州', '沈陽', '成都']] # 調整列索引的順序 df2.plot(ax = axes[0, 0]) # 左上角

繪制季度：

df3 = df.groupby(by = ['城市', '季節'])[['PM2.5']].mean().round(2) # 數據重塑 df3 = df3.unstack(level = 0) # 調整行索引順序 df3 = df3.loc[list('春夏秋冬')] # 刪除列索引 PM2.5 df3.columns = df3.columns.droplevel(0) # 調整列索引順序 df3 = df3[['北京', '上海', '廣州', '沈陽', '成都']] # 第一行第二列的子視圖(右上角) df3.plot(ax = axes[0, 1])

繪制月份：

df4 = df.groupby(by = ['城市', '月份'])[['PM2.5']].mean().round(2) # 數據重塑 df4 = df4.unstack(level = 0) df4.columns = df4.columns.droplevel(0) df4 = df4[['北京', '上海', '廣州', '沈陽', '成都']] ax = df4.plot(ax = axes[1, 0])# 設置 months = ['一月', '二月', '三月', '四月', '五月', '六月', '七月', '八月', '九月', '十月', '十一月', '十二月'] ax.set_xticks(np.arange(1, 13)) # 設置刻度(x軸) _ = ax.set_xticklabels(months, rotation = 60) # 旋轉60°

繪制小時：

df5 = df.groupby(by = ['城市', '小時'])[['PM2.5']].mean().round(2) # 數據重塑 df5 = df5.unstack(level = 0) df5.columns = df5.columns.droplevel(0) df5 = df5[['北京', '上海', '廣州', '沈陽', '成都']] ax = df5.plot(ax = axes[1, 1]) _ = ax.set_xticks(np.arange(0, 24))

最后我們來保存我們的圖片：

plt.savefig('./homework7.png')

總結

以上是生活随笔為你收集整理的Matplotlib数据可视化高级的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。