matplotlib横坐标从大到小_Python数据分析：Matplotlib

终于到了python数据分析三剑客的最后一课：Matplotlib，一个专门用于绘制图形的库，话不多说，直接进入主题。

内容目录

图形的构成
plot样式风格
plot保存图像
各种图形绘制

1 图形的构成

1.1 Figure

在绘制图形之前，我们需要一个Figure对象，可以理解成我们需要一张画板才能开始绘图。

import matplotlib.pyplot as plt # 约定俗成的写法from pylab import *
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文乱码问题
plt.rcParams['axes.unicode_minus'] = False   # 解决负号不显示的问题fig = plt.figure()

plt.figure的参数：(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, clear=False, **kwargs)

num: 图像编号或名称，数字为编号，字符串为名称
figsize: 指定figure的宽和高，单位为英寸
dpi: 参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80, 1英寸等于2.5cm,A4纸是 21*30cm的纸张
facecolor: 背景颜色
edgecolor: 边框颜色
frameon: 是否显示边框

fig = plt.figure(num="hakg",figsize=(10,5),facecolor='g')
ax1 = fig.add_subplot(111)
ax1.set(xlabel="x",ylabel='y')
plt.plot(x,y)

这里只是为了展示figure的参数，我知道很丑

1.2 subplot

使用subplot可以在一个界面中显示多张图像。

参数：subplot(nrows,ncols,num,sharex,sharey,subplot_kw,**fig_kw)

nrows： subplot的行数
ncols： subplot的列数，行X列就是被分成多少个图像区域
num： 目前该图像位于第几个位置
sharex：所有subplot应该使用相同的X轴刻度（调节xlim将会影响所有的subplot)
sharey：所有subplot应该使用相同的Y轴刻度（调节ylim将会影响所有的subplot)
subplot_kw：用于创建各subplot的关键字字典
**fig_kw：创建figure时的其他关键字

plt.subplot(ijn) i代表划分为几行j为几列，n是指目前在第几个子区域内，这里也可以使用fig.subplot(ijn)

fig = plt.figure()
ax1 = fig.add_subplot(221) # 划分为2行2列四个区域，这是第一个区域，以下以此类推
ax1.set(title="标题1",ylabel='y',xlabel='x')
ax2 = fig.add_subplot(222)
ax2.set(title="标题2",ylabel='y',xlabel='x')
ax3 = fig.add_subplot(223)
ax3.set(title="标题3",ylabel='y',xlabel='x')
ax4 = fig.add_subplot(224)
ax4.set(title="标题4",ylabel='y',xlabel='x')
plt.show()

数据区域的划分顺序为：先行后列

1.3 Axes 轴

在拥有了Figure对象之后，我们还需要有对应的轴和标题

xlabel x轴水平轴标签

ylabel y轴垂直轴标签

title 标题

fig = plt.figure()
ax = fig.add_subplot(111)
ax.set(title="计算",ylabel='y',xlabel='x')
plt.show()

1.4 ticks 刻度

自定义设置x轴和y轴的刻度，但是这个功能一般很少用，默认的结果就能满足需求

x = [1,2,3,4]
y = [5,6,7,8]
plt.xticks([1,2,3,4]) # xticks x轴刻度
plt.yticks([5,6,7,8]) # yticks y轴刻度
plt.plot(x,y)

1.5 图例

plt.legend方法

常用参数:

loc 图例的位置，默认是：upper right
ncol 图例分几列展示，默认为1
fontsize 图例字体大小

loc分类介绍

fontsize：{‘xx-small’, ‘x-small’, ‘small’, ‘medium’, ‘large’, ‘x-large’, ‘xx-large’}

详细参数参考如下（了解）：

两种方式

分别在plot函数中增加label参数，再调用plt.legend()方法显示
直接在legend方法中传入字符串列表

第一种方式

import numpy as np
x = np.linspace(-np.pi,np.pi,num=100)
y = x**2
plt.plot(x,y,label='dist')
plt.plot(x-3,y+2,label='temp')
plt.legend()

第二种方式

import numpy as np
x = np.linspace(-np.pi,np.pi,num=100)
y = x**2
plt.plot(x,y,c='r')
plt.plot(x-3,y+2)
plt.legend(["dist","temp"],loc="upper left",ncol=2)

1.6 网格线

plt.grid()

参数：(b, which, axis, color, linestyle, linewidth，**kwargs)

b: True 或 False True就是显示，False就是不显示
which: 'major', 'minor'， 'both'，默认是both
axis: ‘both’,‘x’,‘y’,可以选择 y x,也就是指定选择x显示网格线或者y显示网格线，但是我尝试了之后发现不起作用，暂且记住这个功能吧
color: 颜色
linestyle: 线条
linewidth: 线条宽度

x = [1,2,3,4]
y = [5,6,7,8]
x1 = [10,10,12,12]
y1 = [20,15,10,6]
plt.plot(x,y,x1,y1)
plt.grid(True)

1.7 标签内容

plt.text()

参数： (x, y, s, weight="bold", color="b")

x: 注释文本内容或者数据标签所在位置的横坐标
y: 注释文本内容或者数据标签所在位置的纵坐标
s：注释文本内容或者数据标签
weight：注释文本内容的粗细风格
color：注释文本内容的字体颜色

其中x和yq确定文本在图像中显示的位置

第一种情况，只显示文本内容

x = np.linspace(0.05, 10, 1000)
y = np.sin(x)plt.plot(x, y, ls="-.", lw=2, c="c", label="plot figure")
plt.legend()
plt.text(3.10, 0.09, "y=sin(x)", weight="bold", color="b")
plt.show()

第二种情况，数据标签

例如：柱状图，我们需要在每个柱上显示标签，因此这里操作有点麻烦，需要用到循环

示例

import pandas as pd
data = pd.read_excel('../data/picture_data.xlsx')
data.head()

计算每个部门的人数

dep = data["部门"].value_counts()
b = plt.bar(dep.index,dep.values)
plt.yticks(range(10))
for i in b:plt.text(i.get_x() + i.get_width() / 2,i.get_height()+0.1,str(i.get_height()))
# i.get_x() 获取每个柱型的x轴位置
# i.get_width() 每个柱形的宽度
# i.get_height() 柱形的高度

不得不吐槽一下，这个数据标签，添加起来真心麻烦

2 plot的风格和样式

2.1 color 颜色

支持以下几种形式

1 颜色名称

color颜色，不同字母代表不同颜色，用color或者c

2 HTML十六进制字符串例如：color=‘#FF0000’ 红色
3 支持RGB 归一化到[0,1] 例如：color=(0.3,0.3,0.3),如果你使用的是(234,23,14)需要分别除以256，归一化之后才能使用。

2.2 marker 图标

^就是三角形，o就是圆点，+就是加号型

如果上面看不太明白的话，可以参考这个，也可以自己手动试一试

符号    对应的图形
o   圆点
p   五边形（看起来也有点像圆点）
h   六边形（看起来也有点像圆点）
H   旋转六边形(两顶点在线上)
d   细菱形
D   菱形
s   正方形
^   上三角
v（小v） 下三角
<    左三角
>    右三角
1   丫（这里称之为下箭头）
2   上箭头
3   左箭头
4   右箭头
，    像素
+  加号
x   叉形
X   粗叉形
-   水平线

2.3 linestyle 线条

2.4 大小

linewidth 对于linestyle的线条的宽度设置，默认为2
markersize 对于marker图标的大小设置，默认为12

2.5 透明度

alpha参数 [0,1]之间

3 plot保存图像

plt.savefig() 保存图像

参数： (fname, dpi=None, facecolor='w', edgecolor='w',orientation='portrait', papertype=None, format=None, transparent=False, bbox_inches=None, pad_inches=0.1, frameon=None)

fname 保存的文件位置+文件名，字符串形式
dpi 像素

其余的以后用到再研究，基本主要用到的是fname

import numpy as np
x = np.linspace(-np.pi,np.pi,num=100)
y = x**2
plt.plot(x,y)
plt.plot(x-3,y+2)
plt.legend(["dist","temp"])
plt.savefig('./pi')

4 常用图形

4.1 折线图

plt.plot()参数：(x, y, color='green', marker='o', linestyle='dashed',
linewidth=2, markersize=12)

x和y对应横轴和纵轴的数据
color颜色，不同字母代表不同颜色
marker 显示不同的图标
linestyle 不同的线
linewidth 对于linestyle的线条的宽度设置，默认为2
markersize 对于marker图标的大小设置，默认为12

举个例子

x = [1,2,3,4]
y = [5,6,7,8]
plt.subplot(221)
plt.plot(x,y,c='r')
plt.subplot(222)
plt.plot(x,y,c='g',marker='o',linestyle="--")
plt.subplot(223)
plt.plot(x,y,'m^')
plt.subplot(224)
plt.plot(x,y,'y',linestyle=':',linewidth=6)

4.2 柱状图

plt.bar()

import pandas as pd
data = pd.read_excel('../data/picture_data.xlsx')
data.head()

需求1：绘制每个部门的人数总和

dep = data["部门"].value_counts()
b = plt.bar(dep.index,dep.values)
plt.yticks(range(10))
for i in b:plt.text(i.get_x() + i.get_width() / 2,i.get_height()+0.1,str(i.get_height()))

4.3 条形图

plt.barh()

参数：(y, width, height, left, *, align='center')

需求：绘制每个部门的人数总和

b = plt.barh(dep.index,dep.values)
plt.xticks(range(10))
for i in b:plt.text(i.get_width()+0.1,(i.get_y() + i.get_height() / 2),str(i.get_width()))

4.4 直方图

plt.hist()

参数

(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, normed=None, hold=None, data=None, **kwargs)

x:必选参数，绘图数据
bins:直方图的长条形数目，可选项，默认为10
normed:是否将得到的直方图向量归一化，可选项，默认为0，代表不归一化，显示频数。normed=1，表示归一化，显示频率。
facecolor:长条形的颜色
edgecolor:长条形边框的颜色
alpha:透明度

sale = data['实发工资']
plt.hist(sale)

2.5 饼图

plt.pie()

参数;(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, hold=None, data=None)

startangle：参数设置饼图的起始角度
explode：每一块顶点距离圆心的长度
autopct：设置比例值，小数位数保留几位
labeldistance：设置标签离圆心的距离

plt.pie(dep,labels = dep.index,autopct='%.2f%%')

2.6 散点图

plt.scatter()

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

h = data.pivot_table(index="部门",aggfunc={"员工姓名":"count","实发工资":"sum"})
plt.scatter(h.员工姓名,h.实发工资)

写到头皮发麻，下回继续，实在没有想到一个matplotlib竟然也有这么多东西要整理。