2 ?圖和子圖的建立

2.1? 導入matplotlib

import matplotlib.pyplot as plt

import numpy as np

2.2??建立圖和子圖方式一

plt.plot( )會在最近的一個圖上進行繪制

from numpy.random import randn

fig = plt.figure(figsize = (8,4)) #設置圖的大小

ax1 = fig.add_subplot(2,2,1)

ax2 = fig.add_subplot(2,2,2)

ax3 = fig.add_subplot(2,1,2)

ax3.plot(randn(50).cumsum(),'k--') # plt.plot(randn(50).cumsum(),'k--')等效

ax1.hist(randn(100),bins = 10, color = 'b', alpha = 0.3) #bins 分成多少間隔 alpha 透明度

ax2.scatter(np.arange(30),np.arange(30) + 3*randn(30))

plt.show()

2.3?建立子圖方式二

from numpy.random import randn

fig, axes = plt.subplots(2,2) #以數組方式訪問

t = np.arange(0., 5., 0.2)

axes[0,0].plot(t, t, 'r-o', t, t**2, 'bs', t, t**3, 'g^') #同時繪制多條曲線

axes[1,1].plot(randn(40).cumsum(),'b--')

plt.show()

2.4?主題設置

使用style.use()函數

df_iris = pd.read_csv('../input/iris.csv')

plt.style.use('ggplot') #'fivethirtyeight'，'ggplot'，'dark_background'，'bmh'

df_iris.hist('sepal length')

plt.show()

3 ?顏色、標記、線型、刻度、標簽和圖例

from numpy.random import randn

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.plot(randn(30).cumsum(),color = 'b',linestyle = '--',marker = 'o',label = '$cumsum$') # 線型 可以直接'k--o'

ax1.set_xlim(10,25)

ax1.set_title('My first plot')

ax1.set_xlabel('Stages')

plt.legend(loc = 'best') #把圖放在不礙事的地方 xticks([])設置刻度

plt.show()

等價于下面的代碼：

from numpy.random import randn

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.plot(randn(30).cumsum(),color = 'b',linestyle = '--',marker = 'o',label = '$cumsum$') #圖標可以使用latex內嵌公式

plt.xlim(10,25) #plt.axis([10,25,0,10])對x,y軸范圍同時進行設置

plt.title('My first plot')

plt.xlabel('Stages')

plt.legend(loc = 'best')

plt.show()

4 ?pandas中的繪圖函數

在pandas中，我們具有行標簽，列標簽以及分組信息。這也就是說，要制作一張完整的圖表，原本需要一大堆的matplotlib代碼，現在只需一兩條簡潔的語句就可以了。

pandas有很多能夠利用DataFrame對象數據組織特點來創建標準圖表的高級繪圖方法。

4.1 ?線型圖

from numpy.random import randn

fig, axes = plt.subplots(1,2)

s = pd.Series(randn(10).cumsum(),index = np.arange(0,100,10))

s.plot(ax = axes[0]) # ax參數選擇子圖

df = pd.DataFrame(randn(10,3).cumsum(0),columns = ['A','B','C'],index = np.arange(0,100,10))

df.plot(ax = axes[1])

plt.show()

4.2 柱狀圖

from numpy.random import rand

fig, axes = plt.subplots(1,2)

data = pd.Series(rand(16),index = list('abcdefghijklmnop'))

data.plot(kind = 'bar', ax = axes[0], color = 'b', alpha = 0.7) #kind選擇圖表類型 'bar' 垂直柱狀圖

data.plot(kind = 'barh', ax = axes[1], color = 'b', alpha = 0.7) # 'barh' 水平柱狀圖

plt.show()

from numpy.random import rand

fig, axes = plt.subplots(1,2)

data = pd.DataFrame(rand(6,4),

index = ['one','two','three','four','five','six'],

columns = pd.Index(['A','B','C','D'], name = 'Genus'))

data.plot(kind = 'bar', ax = axes[0], alpha = 0.5)

data.plot(kind = 'bar', ax = axes[1], stacked = True, alpha = 0.5)

plt.show()

此外，柱狀圖有一個非常不錯的用法，利用value_counts( )圖形化顯示Series中各值的出現概率，比如s.value_counts( ).plot(kind = 'bar')。

4.3 直方圖和密度圖

from numpy.random import randn

fig, axes = plt.subplots(1,2)

data = pd.Series(randn(100))

data.hist(ax = axes[0], bins = 50) #直方圖

data.plot(kind = 'kde', ax = axes[1]) #密度圖

plt.show()

其實可以一次性制作多個直方圖，layout參數的意思是將兩個圖分成兩行一列，如果沒有這個參數，默認會將全部的圖放在同一行。

df_iris = pd.read_csv('../input/iris.csv')

columns = ['sepal length','sepal width','petal length','petal width']

df_iris.hist(column=columns, layout=(2,2))

plt.show()

4.4 箱型圖

箱型圖是基于五數概括法(最小值，第一個四分位數，第一個四分位數(中位數)，第三個四分位數，最大值)的數據的一個圖形匯總，還需要用到四分位數間距IQR = 第三個四分位數 - 第一個四分位數。

df_iris = pd.read_csv('../input/iris.csv') #['sepal length','sepal width','petal length','petal width','class']

sample_size = df_iris[['petal width','class']]

sample_size.boxplot(by='class')

plt.xticks(rotation=90) #將X軸的坐標文字旋轉90度，垂直顯示

plt.show()

5 ?參考資料鏈接

總結

以上是生活随笔為你收集整理的python matplotlib数据可视化_Python - matplotlib 数据可视化的全部內容，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。