數據可視化何其多，除了Tableau，ECharts，Matplotlib也是神器之一，將枯燥無味的數據形象直觀地展示出來，是很有成就感的事情。Matplotlib作為數據科學的的必備庫，算得上是python可視化領域的元老，更是很多高級可視化庫的底層基礎，其重要性不言而喻。本文主要學習的是matplotlib.pyplot的可視化應用

文章目錄

• 一、數據可視化類型
• 二、相關函數簡介
• 三、一些常用的基礎API
• 四、繪圖3步走
• 五、幾種常用圖表
• • 1、柱狀圖
  • 2、折線圖
  • 3、餅圖
  • 4、散點圖
  • 5、氣泡圖/云圖
  • 6、直方圖
  • 7、雷達圖

一、數據可視化類型

---

二、相關函數簡介

matplotlib.pyplot是一個命令型函數集合，它可以讓人們像使用MATLAB一樣使用matplotlib。在matplotlib.pyplot庫中有plt子庫，該子庫提供了7個用于讀取和顯示的函數，17個用于繪制基礎圖表的函數、3個區域填充函數、9個坐標軸設置函數以及11個標簽與文本設置函數，具體如下表1-1~1-5所示：

表1-1 plt庫中的讀取和顯示函數 函數名稱函數作用

plt.legend( )	在繪圖區域放置繪圖標簽
plt.show( )	顯示繪制的圖像
plt.matshow( )	在窗口中顯示數組矩陣
plt.imshow( )	在axes上顯示圖像
plt.imsave( )	保存數組為圖像
plt.savefig( )	設置圖像保存的格式
plt.imread( )	從圖像文件中讀取數組

表1-2 plt庫中的基礎圖表函數 函數名稱 函數作用

plt. plot(x,y,label,color,width)	根據(x,y)數組繪制直、曲線
plt. box(data,notch,position)	繪制一個箱型圖
plt. bar(left,height,width,bottom)	繪制一個條形圖
plt. barh(bottom,width,height,left)	繪制一個橫向條形圖
plt. polar(theta,r)	繪制極坐標圖
plt. pie(data,exxplode)	繪制餅圖
plt. psd(x,NFFT=256,pad_to,F)	繪制功率譜密度圖
plt. specgram(x,NFFT=256,Fs)	繪制譜圖
plt. cohere(x,y,NFFT=256,Fs)	繪制X-Y的相關性函數
plt. scatter( )	繪制散點圖
plt. step(x,y,where)	繪制步階圖
plt. hist(x,bins,normed)	繪制直方圖
plt. contour(X,Y,Z,N)	繪制等值線
plt. clines( )	就只垂直線
plt. stem(x,y,linefmt,markerfmt,basefmt)	繪制曲線中每個點到水平軸線的垂線
plt. plot_date( )	繪制數據日期
plt. plotfile( )	繪制數據后寫入文件

表1-3 區域填充函數 函數名稱函數作用

fill(x,y,c,color)	填充多邊形
fill_between(x,y1,y2,where,color)	填充曲線圍成的多邊形
fill_betweenx(y,x1,x2,where,hold)	填充水平線之間的區域

表1-4 坐標軸設置函數 函數名稱函數作用

plt. axis( )	獲取設置軸屬性的快捷鍵
plt. xlim( )	設置X軸的取值范圍
plt. ylim( )	設置Y軸的取值范圍
plt. xscale( )	設置X軸縮放
plt. yscale( )	設置Y軸縮放
plt. autoscale( )	自動縮放軸視圖
plt. text( )	為axes圖添加注釋
plt. thetagrids( )	設置極坐標網絡
plt. grid( )	網格顯示

表1-5 標簽與文本設置函數 函數名稱函數作用

plt. figlegend( )	為全局繪圖區域放置圖注
plt. xlabel( )	設置當前X軸的文字
plt. ylabel( )	設置當前Y軸的文字
plt. xticks( )	設置當前X軸刻度位置的文字和值
plt. yticks( )	設置當前Y軸刻度位置的文字和值
plt. clabel( )	設置等高線數據
plt. get_figlabels( )	返回當前繪圖區域的標簽列表
plt. figtext( )	為全局繪圖區域添加文本信息
plt. title( )	設置標題
plt. suptitle( )	設置總標題
plt. annotate( )	為文本添加注釋

注意：均可通過help()命令查看API，用到什么查什么。

補充：

繪圖接口有2種形式，分別是面向"當前"圖的plt接口和面向對象接口，在這2種方式的相應接口中，多數接口名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的接口：

plt.axes()——fig.add_axes()plt.subplot()——fig.add_subplot()plt.GridSped()——fig.add_gridspec()plt.xlabel()——axes.set_xlabel()plt.ylabel()——axes.set_ylabel()plt.xlim()——axes.set_xlim()plt.ylim()——axes.set_ylim()plt.title()——axes.set_title()

對此，一方面兩類接口雖然略有區別，但也還算有規律；另一方面，在面向對象繪圖配置圖例時，有更為便捷的設置圖例接口axes.set()，其可以接收多種參數一次性完成所有配置，這也正是面向對象繪圖的強大之處。

---

三、一些常用的基礎API

1、解決中文亂碼，防止方塊化

plt.rcParams["font.sans-serif"]="SimHei"

2、解決負號不能正常顯示的問題

plt.rcParams["axes.unicode_minus"]=False

3、在jupyter notebook上面顯示圖片

%matplotlib inline

4、作圖使用svg格式顯示更為清晰

%config InlineBackend.figure_format="svg"

5、設置畫布

plt.figure() 創建一個全局繪圖區域 參數： num：設置圖像編號 figsize：設置圖像的寬度和高度，單位為英寸 facecolor：設置圖像的背景顏色 dpi：設置繪圖對象的分辨率 edgecplor：設置圖像的邊框顏色

6、創建子圖

fig=plt.figure(）fig.add_subplot(3,2,2) #3X2的第2個圖形或者plt.subplot(3,2,2) #3X2的第2個圖形

---

四、繪圖3步走

---

五、幾種常用圖表

下面將介紹幾種較為常用的圖表：柱狀圖、餅圖、折線圖、散點圖、氣泡圖/云圖、雷達圖。

1、柱狀圖

柱狀圖也叫條形圖，是一種以長方形的長度為變量來表達圖形的統計報告圖，它由一系列高度不等的縱向條紋表示數據分布的情況，用來比較兩個或兩個以上的數值。

它適用于二維數據集，并且該數據集只需要（或者說“只能”更準確一些）比較其中一個維度。實現比較的手段就是利用柱狀體之間的高度差來反映數據差異，因為人的肉眼對于高度的辨識度是較高的。但是，當數據集的規模太過龐大時，柱狀體太多也會在所難免的沒有那么方便地進行比較了，所以柱狀圖一般只適用于中小規模的數據集。

柱狀圖實際上是用來表示分組（或離散）變量的可視化

API：

bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs) 參數說明類型

x	x坐標	int,float
height	條形的高度	int,float
width	寬度	0~1，默認0.8
botton	條形的起始位置	也是y軸的起始坐標
align	條形的中心位置	“center”,"edge"邊緣
color	條形的顏色	“r",“b”,“g”,"#123465"，默認“b"
edgecolor	邊框的顏色	同上
linewidth	邊框的寬度	像素，默認無，int
tick_label	下標的標簽	可以是元組類型的字符組合
log	y軸使用科學計算法表示	bool
orientation	是豎直條還是水平條	豎直：“vertical”，水平條：“horizontal”

示例：

import numpy as np import matplotlib.pyplot as plt size = 5 a = np.random.random(size) b = np.random.random(size) c = np.random.random(size) d = np.random.random(size) x = np.arange(size)total_width, n = 0.8, 3 # 有多少個類型，只需更改n即可 width = total_width / n x = x - (total_width - width) / 2plt.bar(x, a, width=width, label='a') plt.bar(x + width, b, width=width, label='b') plt.bar(x + 2 * width, c, width=width, label='c') plt.legend() plt.show()

結果展示：

水平條形圖

繪制方法一：使用plt.bar()
還用上的數據，參數orientation默認是’vertical’垂直，改為"horizontal"（水平）。
注意：
1、x的起始位置，水平條底部，以及長度的取值變化
2、添加標簽的時候enumerate()函數遍歷出的結果（自動加序號），以及text()函數的參數。

示例：

import numpy as np import matplotlib.pyplot as plt size = 5 a = np.random.random(size) b = np.random.random(size) c = np.random.random(size) d = np.random.random(size) x = np.arange(size)total_width, n = 0.8, 3 # 有多少個類型，只需更改n即可 width = total_width / n x = x - (total_width - width) / 2plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal") plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal") plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")plt.legend() plt.show()

結果展示：

繪制方法二：使用plt.barh()

barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

還用上的數據，參數orientation為"horizontal"（水平）。

示例：

import numpy as np import matplotlib.pyplot as plt size = 5 a = np.random.random(size) b = np.random.random(size) c = np.random.random(size) d = np.random.random(size) x = np.arange(size)total_width, n = 0.8, 3 # 有多少個類型，只需更改n即可 width = total_width / n x = x - (total_width - width) / 2plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8) plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8) plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8) plt.legend() plt.show()

結果展示：

---

2、折線圖

在折線圖中，我們通常更關注于每條折線的走勢（或者說“更能看出數據的走向”，所以它適用于整體趨勢比單個數據點更重要的二維數據集。而正因為它關心的是整體而非個別的點，所以當數據集的規模越大時，折線圖所呈現的整體會更加的準確。每個數據集在折線圖中僅表現為一條折線，這使得它可以同時承載多個數據集并提供比較。

API：

plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)

參數：

x，y：指定折線圖的x軸/y軸的數據；linestyle：指定折線的類型，可以是實線、虛線、點虛線等，默認文實線；linewidth：指定折線的寬度marker：設置點的形狀markersize：設置點的大小markeredgecolor：設置點的邊框色markerfactcolor：設置點的填充色label：為折線圖添加標簽

常用的marker風格：

“+”：十字 “O”：圓圈“*”：星型 “s”：正方形“p”：五邊形 “h”：六邊形“d”：小菱形 “D”：鉆石

常用的color風格：

“b”：blue藍色 “g”：green綠色 “k”：黑色 “w”：white白色“r”：red紅色 “y”：yellow黃色“c”：cyan青色 “m”：magenta品紅

示例：

import numpy as np import matplotlib.pyplot as plt plt.figure(figsize=(10,6)) x = np.arange(-2*np.pi,2*np.pi,0.01) #x = np.arange(-2*np.pi,2*np.pi,0.01) x1 = np.arange(-2*np.pi,2*np.pi,0.2) y1 = np.sin(3*x1)/x1 y2 = np.sin(2*x)/x y3 = np.sin(x)/x plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle設置線的風格，marker設置點的風格 plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x") plt.plot(x,y3,c='g',label="y3=sin(x)/x") plt.legend() plt.show()

結果展示：

---

3、餅圖

餅圖是一種經常被人們避免使用的圖表，因為人眼對面積的辨識度沒有像對高度那樣那么高，所以利用面積去反映數據起不到很好的作用。但是，存在即合理，當我們想要去強調某個部分占整體的比重時，用餅圖是再適合不過了。

餅圖用于表示不同分類的占比情況，通過弧度大小來對比各種分類。餅圖將一個圓餅按照分類的占比劃分成多個區塊，整個圓餅代表數據的總量，每個區塊（圓弧）表示該分類占總體的比例大小。

API：

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

參數：

x：指定繪圖的數據；explode：指定餅圖某些部分的突出顯示，即呈現爆炸式；labels：為餅圖添加標簽說明，類似于圖例說明；colors：指定餅圖的填充色；autopct：自動添加百分比顯示，可以采用格式化的方法顯示；pctdistance：設置百分比標簽與圓心的距離；shadow：是否添加餅圖的陰影效果；labeldistance：設置各扇形標簽（圖例）與圓心的距離；startangle：設置餅圖的初始擺放角度；radius：設置餅圖的半徑大小；counterclock：是否讓餅圖按逆時針順序呈現；wedgeprops：設置餅圖內外邊界的屬性，如邊界線的粗細、顏色等；textprops：設置餅圖中文本的屬性，如字體大小、顏色等；center：指定餅圖的中心點位置，默認為原點frame：是否要顯示餅圖背后的圖框，如果設置為True的話，需要同時控制圖框x軸、y軸的范圍和餅圖的中心位置；

示例：

import matplotlib.pyplot as pltlabels = 'A', 'B', 'C', 'D' fracs = [15, 30.55, 44.44, 10] color = 'blue','red','yellow','green' explode = [0, 0.1, 0, 0] # 0.1 凸出這部分， plt.pie(x=fracs,explode=explode, # 突出分裂的部分labels=labels, # 添加分類標簽colors=color, # 設置餅圖的自定義填充色autopct='%.1f%%', # 設置百分比的格式，這里保留一位小數pctdistance=0.6, # 設置百分比標簽與圓心的距離labeldistance = 1.15, # 設置各標簽與圓心的距離startangle = 180, # 設置餅圖的初始角度radius = 1, # 設置餅圖的半徑counterclock = False, # 是否逆時針，這里設置為順時針方向wedgeprops = {'linewidth': 1.3, 'edgecolor':'green'},# 設置餅圖內外邊界的屬性值textprops = {'fontsize':15, 'color':'k'}, # 設置文本標簽的屬性值center = (0.5,0.5), # 設置餅圖的原點frame = 0 )# 是否顯示餅圖的圖框，這里設置顯示 plt.show()

結果展示：

---

4、散點圖

散點圖在回歸分析中的使用較多，他將序列顯示為一組點。值點在圖標表中的位置表示，類別由圖表中的不同標記表示，所以散點圖通常用于比較跨類別的聚合數據。

散點圖正是用來尋找數據集維度間的相互關系的。如果數據集規模足夠大并且維度間可能并不存在關系，我們依然可以通過散點圖來總結數據點的分布模式，得到有用的信息。

API:

scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)

常用參數解釋：

x，y：表示即將繪制散點圖的數據點 s：是一個可選的參數。 c：表示的是顏色，也是一個可選項。 marker:表示的是標記的樣式，默認的是'o'。 alpha：實數，0-1之間。

示例：

#導入必要的模塊 import numpy as np import matplotlib.pyplot as plt #產生測試數據 x = np.arange(1,10) y = x fig = plt.figure() ax1 = fig.add_subplot(111) #設置標題 ax1.set_title('Scatter Plot') #設置X軸標簽 plt.xlabel('X') #設置Y軸標簽 plt.ylabel('Y') #畫散點圖 ax1.scatter(x,y,c = 'r',marker = 'o') #設置圖標 plt.legend('x1') #顯示所畫的圖 plt.show()

結果展示：

---

5、氣泡圖/云圖

氣泡圖是二維圖表展示三維（或者四維）數據集的典范，通常被看做散點圖的變種。它利用點的面積來表示第三維的數值。但是，前面提到過，人眼對面積的辨識度并不高，所以氣泡圖只能用于對第三維的展現不做精確要求的場景。

示例：

import numpy as np import matplotlib.pyplot as pltx=np.random.rand(50) y=np.random.rand(50) colors=np.random.rand(50) #顏色隨機 area=(50*np.random.rand(50))**2 #散點的大小隨機 fig=plt.figure(figsize=(10,5))plt.subplot(1,1,1) plt.scatter(x,y,s=area,marker="o",c=colors) #設置標題 plt.title("plot of scatter for x to y",fontdict={'fontsize':20,'color':'blue'},loc='center') # 設置x軸和y軸的軸標題 plt.xlabel("x for x in range(50)",fontdict={'fontsize':10,'color':'blue'}) plt.ylabel("y for y in range(50)",fontdict={'fontsize':10,'color':'blue'}) # 添加圖例 # plt.legend('xfory') # 添加數字標簽 for a,b in zip(x,y):plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={'fontsize':7,'color':'black'}) plt.xlim(0,1) #x軸的坐標軸取值范圍 # 給坐標A添加標注A（x10,y10） plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15) plt.show()

結果展示：

---

6、直方圖

直方圖又稱質量分布圖，是一種統計報告圖。它由一系列高度不等的縱向條紋或線段表示數據分布的情況，一般用橫軸表示數據類型，用縱軸表示分布情況。

API：

hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

參數：

x：指定要繪制直方圖的數據；bins：指定直方圖條形的個數；range：指定直方圖數據的上下界，默認包含繪圖數據的最大值和最小值；normed：是否將直方圖的頻數轉換成頻率；weights：該參數可為每一個數據點設置權重；cumulative：是否需要計算累計頻數或頻率；bottom：可以為直方圖的每個條形添加基準線，默認為0；histtype：指定直方圖的類型，默認為bar，除此還有’barstacked’,‘step’, ‘stepfilled’；align：設置條形邊界值的對其方式，默認為mid，除此還有’left’和’right’；orientation：設置直方圖的擺放方向，默認為垂直方向；rwidth：設置直方圖條形寬度的百分比；log：是否需要對繪圖數據進行log變換；color：設置直方圖的填充色；label：設置直方圖的標簽，可通過legend展示其圖例；stacked：當有多個數據時，是否需要將直方圖呈堆疊擺放，默認水平擺放；

示例：

#電影時長分布分析（直方圖） import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties import matplotlibplt.rcParams['font.sans-serif'] = ['KaiTi'] # 顯示中文 x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,127,115,60,121,115,60,60,60,119]plt.figure() plt.hist(x,50,histtype='bar',label='電影時長',facecolor='red',alpha=0.75) plt.title('電影時長分布分析') plt.legend() plt.show()

結果展示：

---

7、雷達圖

雷達圖可以用來表示多維（四維以上）的數據集，并且數據集的每個維度都必須是可以排序的。但它所能承載的數據點是非常有限的，當數據點過多時，并不利用數據點之間的比較。

示例：

import numpy as np import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['KaiTi'] # 顯示中文 results = [{"大學英語": 87, "高等數學": 79, "體育": 95, "計算機基礎": 92, "程序設計": 85},{"大學英語": 80, "高等數學": 90, "體育": 91, "計算機基礎": 85, "程序設計": 88}] data_length = len(results[0]) # 將極坐標根據數據長度進行等分 angles = np.linspace(0, 2*np.pi, data_length, endpoint=False) labels = [key for key in results[0].keys()] score = [[v for v in result.values()] for result in results] #為了使雷達圖一圈封閉起來，需要下面的步驟 # 使雷達圖數據封閉 score_a = np.concatenate((score[0], [score[0][0]])) score_b = np.concatenate((score[1], [score[1][0]])) angles = np.concatenate((angles, [angles[0]])) labels = np.concatenate((labels, [labels[0]])) # 設置圖形的大小 fig = plt.figure(figsize=(8, 6), dpi=100) # 新建一個子圖 這里一定要設置為極坐標格式 ax = plt.subplot(111, polar=True) # 繪制折線圖 /繪制雷達圖 ax.plot(angles, score_a, color='g') ax.plot(angles, score_b, color='b') # 添加每個特征的標簽 ax.set_thetagrids(angles*180/np.pi, labels) # 設置雷達圖的0度起始位置 ax.set_theta_zero_location('N') # 設置雷達圖的坐標刻度范圍 ax.set_rlim(0, 100) # 設置雷達圖的坐標值顯示角度，相對于起始角度的偏移量 ax.set_rlabel_position(270) ax.set_title("成績情況分析") plt.legend(["小明", "小紅"], loc='best') plt.show()

結果展示：

總結

以上是生活随笔為你收集整理的学习笔记——matplotlib学习的全部內容，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。