【数据可视化】Matplotlib 从入门到精通学习笔记

from matplotlib import pyplot as plt
import numpy as np
fig,a=plt.subplots(2,2)
x=np.arange(-10,10,0.01)
a[0][0].plot(x,x*x)
a[0][0].set_title('square')
a[0][1].plot(x,np.sqrt(x))
a[0][1].set_title('sqrt')
a[1][0].plot(x,exp(x))
a[1][0].set_title('exp(x)')
a[1][1].plot(x,log2(x))
a[1][1].set_title('log2(x)')
plt.show()

from matplotlib import pyplot as plt
import numpy as np
import math
a1=plt.subplot2grid((3,3),(0,0),colspan=2)
a2=plt.subplot2grid((3,3),(0,2),rowspan=3)
a3=plt.subplot2grid((3,3),(1,0),colspan=2,rowspan=2)
x=np.arange(-math.pi*2,math.pi*2,0.1)
a1.plot(x,np.sin(x),'r-.')
a2.plot(x,np.exp(x),'c-')
a3.plot(x,np.cos(x),'g-.')
plt.show()

from matplotlib import pyplot as plt
import numpy as np
import math
fig,a=plt.subplots(1,3,figsize=(12,6))
x=np.arange(0,20,1)
a[0].plot(x,x**3,'g-.',lw=2)
a[0].grid(True)
a[0].set_xlabel('x')
a[0].set_ylabel('y')
a[0].set_title("y=x**3")
a[1].plot(x,np.exp(x),'r--',lw=2)
a[1].grid(True)
a[1].set_xlabel('x')
a[1].set_ylabel('y')
a[1].set_title("y=exp(x)")
a[2].plot(x,np.log2(x),'c-',lw=2)
a[2].grid(True)
a[2].set_xlabel('x')
a[2].set_ylabel('y')
a[2].set_title("y=.log2(x)")
fig.tight_layout()
fig.show()

import matplotlib.pyplot as plt
import numpy as np
fig, axes = plt.subplots(1, 2, figsize=(10,4))
x = np.arange(1,5)
axes[0].plot( x, np.exp(x))
axes[0].plot(x,x**2)
axes[0].set_title("Normal scale")
axes[1].plot (x, np.exp(x))
axes[1].plot(x, x**2)
#设置y轴
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
axes[0].xaxis.labelpad = 10
#设置x、y轴标签
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")
plt.show()

import matplotlib.pyplot as plt
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
#为左侧轴，底部轴添加颜色
ax.spines['bottom'].set_color('blue')
ax.spines['left'].set_color('red')
ax.spines['left'].set_linewidth(2)
#将侧轴、顶部轴设置为None
ax.spines['right'].set_color(None)
ax.spines['top'].set_color(None)
ax.plot([1,2,3,4,5])
plt.show()

import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
#添加绘图区域
a1 = fig.add_axes([0,0,1,1])
 #准备数据
x = np.arange(1,10)
#绘制函数图像
a1.plot(x, np.exp(x))
#添加题目
a1.set_title('exp')
plt.show()

from matplotlib import pyplot as plt
import numpy as np
import math
x=np.arange(0,10)
y=np.exp(x)
plg=plt.figure()
a1=plg.add_axes([0,0,1,1])
a1.plot(x,y)
a1.set_xlim(0,15)
a1.set_ylim(0,10000)

```python

输出结果如下：

![在这里插入图片描述](https://img-blog.csdnimg.cn/361ab4bdc14444169d360682a87f8008.png)



图1：绘制坐标轴刻度与标签

## 解决中文乱码

### **重写配置文件**

通过临时重写配置文件的方法，可以解决 Matplotlib 显示中文乱码的问题，代码如下所示：

`import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题`

将上述代码添加到您的绘图程序中，即可解决中文乱码的问题。这是一种非常灵活、便捷的解决方法。完整的程序代码如下：

```python

输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/0490ca1fbc9347a1a893450b86a42269.png)

不过上述解决方案适用于所有操作系统，其唯一弊端是每编写一个绘图程序就要添加一次相同的代码。

### **修改配置文件**

下面介绍第二种方式：通过直接修改配置文件的方法，可以一劳永逸的解决 Matplotlib 的中文乱码问题。注意此过程在 Windows 环境下进行。  

Matplotlib 从配置文件 matplotlibrc 中读取相关配置信息，比如字体、样式等，因此我们需要对该配置文件进行更改。首先查看 matplotlibrc 所在的目录，使用如下代码确定目录位置：

```python

然后修改配置文件 matplotlibrc。打开配置文件后，找到以下信息：

\\#font.family: sans-serif

\\#font.serif: DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif

将上述配置项前面的#去掉，并修改的配置项，如下所示：

font.family : Microsoft YaHei, sans-serif

font.serif: Microsoft YaHei, DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif

注意，由于版本问题，上述内容配置信息可能存在一些差异，请自动忽略。  

最后，在以下目录中复制中文字体微软雅黑：

C:\\Windows\\Fonts\\Microsoft YaHei UI

复制完成后，将字体粘贴至以下路径文件中：

返回路径中

字体粘贴后会出现一个 MSYH.ttc 的字体文件

## twinx() twiny()

在一些应用场景中，有时需要绘制两个 x 轴或两个 y 轴，这样可以更直观地显现图像，从而获取更有效的数据。Matplotlib 提供的 twinx() 和 twiny() 函数，除了可以实现绘制双轴的功能外，还可以使用不同的单位来绘制曲线，比如一个轴绘制对函数，另外一个轴绘制指数函数。  

下面示例绘制了一个具有两个 y 轴的图形，一个显示指数函数 exp(x)，另一个显示对数函数 log(x)。

```python

输出结果：
![在这里插入图片描述](https://img-blog.csdnimg.cn/4a19ead6d25c44319fed9917f0660304.png)


## 绘制多做图形

### 柱状图

柱状图是一种用矩形柱来表示数据分类的图表，柱状图可以垂直绘制，也可以水平绘制，它的高度与其所表示的数值成正比关系。柱状图显示了不同类别之间的比较关系，图表的水平轴 X 指定被比较的类别，垂直轴 Y 则表示具体的类别值。  

Matplotlib 提供了bar()函数来绘制柱状图，它可以应用在 MATLAB 样式以及面向对象的绘图方法中。当它与 axes 对象一起使用时，其语法格式如下：

ax.bar(x, height, width, bottom, align)

该函数的参数说明，如下表所示：

| bar()函数参数说明 |                                                                                                        |
|-------------------|--------------------------------------------------------------------------------------------------------|
| x                 | 一个标量序列，代表柱状图的x坐标，默认x取值是每个柱状图所在的中点位置，或者也可以是柱状图左侧边缘位置。 |
| height            | 一个标量或者是标量序列，代表柱状图的高度。                                                             |
| width             | 可选参数，标量或类数组，柱状图的默认宽度值为 0.8。                                                     |
| bottom            | 可选参数，标量或类数组，柱状图的y坐标默认为None。                                                      |
| algin             | 有两个可选项 {"center","edge"}，默认为 'center'，该参数决定 x 值位于柱状图的位置。                     |

该函数的返回值是一个 Matplotlib 容器对象，该对象包含了所有柱状图。  

#### 绘制简单柱状图

```python

输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/d32c6f4d49c444569cbf282cf27f4d1c.png)

图1：matplotlib bar()绘图  

#### 同一 x 轴位置绘制多个柱状图

通过调整柱状图的宽度，可以实现在同一 x 轴位置绘制多个柱状图。您可以将它们设置成不同的颜色，从而使它们更容易区分。下面示例描述了某工程学院过去四年中，三个专业录取的统招学生数量。

```python

上述代码执行后，将显示四个柱状图，将每个柱状图又均分为三个小柱状图，每个柱状图占据 0.25 个单位。

图2：matplotlib绘图

#### 堆叠柱状图

柱状图除了上述使用方法外，还有另外一种堆叠柱状图。所谓堆叠柱状图就是将不同数组别的柱状图堆叠在一起，堆叠后的柱状图高度显示了两者相加的结果值。  

bar() 函数提供了一个可选参数bottom，该参数可以指定柱状图开始堆叠的起始值，一般从底部柱状图的最大值开始，依次类推。  

下面是一个不同国家参加奥林匹克运动会所得奖牌（金银铜）的柱状堆叠图示例，如下所示：

```python

在上述代码中，第一次调用plt.bar()绘制了黄色柱状图， 第二次调用plot.bar()时绘制了灰色柱状图，最后一次调用plt.bar()则绘制最底部的柱状图。两个柱状图相接触的位置就是顶部与底部的位置，这样就构成了柱状堆叠图。
![在这里插入图片描述](https://img-blog.csdnimg.cn/44039a8ee83045d5a3dcf156d88929fa.png)


### 直方图

直方图（Histogram），又称质量分布图，它是一种条形图的一种，由一系列高度不等的纵向线段来表示数据分布的情况。 直方图的横轴表示数据类型，纵轴表示分布情况。  

首先，我们需要了解柱状图和直方图的区别。直方图用于概率分布，它显示了一组数值序列在给定的数值范围内出现的概率；而柱状图则用于展示各个类别的频数。  

例如，我们对某工厂的员工年龄做直方图统计，首先我们要统计出每一位员工的年龄，然后设定一个 20 至 65 的数值范围，并将该数值范围细分为 4 个区间段 (20,35),(35,45),(45,55),(55,65) , 最后通过直方图的形式，展示该工厂员工在相应年龄区间的分布情况。  

如果想要构建直方图，必须遵循以下步骤：

- 将整个值范围划分为一系列区间。

- 区间值（bin）的取值，不可遗漏数据；

- 计算每个区间中有多少个值。

通常将 bin 指定为连续且不重叠的数值区间，而 bin 值指区间开始和结束的数值。

您可以使用下面的函数来绘制直方图：

matplotlib.pyplot.hist（）

该函数的参数说明如下：

| x        | 必填参数，数组或者数组序列。                                                                                           |
|----------|------------------------------------------------------------------------------------------------------------------------|
| bins     | 可选参数，整数或者序列，bins 表示每一个间隔的边缘（起点和终点）默认会生成10个间隔。                                    |
| range    | 指定全局间隔的下限与上限值 (min,max)，元组类型，默认值为 None。                                                        |
| density  | 如果为 True，返回概率密度直方图；默认为 False，返回相应区间元素的个数的直方图。                                        |
| histtype | 要绘制的直方图类型，默认值为“bar”，可选值有 barstacked(堆叠条形图)、step(未填充的阶梯图)、stepfilled(已填充的阶梯图)。 |

以下示例绘制了班级学生得分情况的直方图。其中定义了四个区间（bins）分别是：0-25、26-50、51-75 和 76-100。直方图显示了相应范围的学生人数。

```python

上述代码执行后，输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/45b44dbef88941529569c3c0efaf52bd.png)

图1：直方图绘制结果

### 饼状图

饼状图用来显示一个数据系列，具体来说，饼状图显示一个数据系列中各项目的占项目总和的百分比。  

Matplotlib 提供了一个 pie() 函数，该函数可以生成数组中数据的饼状图。您可使用 x/sum(x) 来计算各个扇形区域占饼图总和的百分比。pie() 函数的参数说明如下：

[TABLE]

以下示例：关于不同计算机语言学习人数的饼状图。autopct 参数设置为 %1.2f% ，并将各项所占总和的百分比显示在相对应的扇形区内。

```python

![在这里插入图片描述](https://img-blog.csdnimg.cn/dfce61eae3ba4026a8fb74bd9247e8b8.png)

图1：Matplotlib饼状图

折线图（line chart）是我们日常工作、学习中经常使用的一种图表，它可以直观的反映数据的变化趋势。与绘制柱状图、饼状图等图形不同，Matplotlib 并没有直接提供绘制折线图的函数，因此本节着重讲解如何绘制一幅折线图。

### 折线图

#### **绘制单条折线**

下面示例是关于 C语言中文网用户活跃度的折线图：

```python

plt.text(x1, y1, str(y1), ha='center', va='bottom', fontsize=10)

![在这里插入图片描述](https://img-blog.csdnimg.cn/8bdb3ea831ef427f896f5fc1f6adcabb.png)


#### **绘制多条折线图**

当学习完如何绘制单条折线的绘制后，再绘制多条折线也变的容易，只要准备好绘制多条折线图的数据即可。  

下面是一个简单示例，绘制了两天内同一时刻，天气温度随时间变化的折线图：

```python

plt.text(a,b,str(b),ha='center',va='bottom',fontsize=8)

plt.text(a,b,str(b),ha='center',va='bottom',fontsize=10)

![在这里插入图片描述](https://img-blog.csdnimg.cn/ec69417e3a0e43219e444c9261d22531.png)


### 散点图

散点图用于在水平轴和垂直轴上绘制数据点，它表示了因变量随自变量变化的趋势。通俗地讲，它反映的是一个变量受另一个变量的影响程度。  

散点图将序列显示为一组点，其中每个散点值都由该点在图表中的坐标位置表示。对于不同类别的点，则由图表中不同形状或颜色的标记符表示。同时，您也可以设置标记符的颜色或大小。  

下面示例，绘制了学生考试成绩的散点图，其中蓝色代表男孩成绩，红色表示女孩的成绩。

```python

代码执行后，输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/35ec22e484604c069005562765ccf80e.png)


### 等高线图

等高线图（也称“水平图”）是一种在二维平面上显示 3D 图像的方法。等高线有时也被称为 “Z 切片”，如果您想要查看因变量 Z 与自变量 X、Y 之间的函数图像变化（即 Z=f(X,Y)），那么采用等高线图最为直观。  

自变量 X 和 Y 需要被限制在矩形网格内，您可以将 x 、y 数组作为参数传递给 numpy.meshgrid() 函数来构建一个网格点矩阵。

关于 meshgrid() 函数用法可参考《*numpy.meshgrid()用法详解*》。

Matplotlib API 提供了绘制等高线（contour）与填充等高线（ contourf）的函数。这两个函数都需要三个参数，分别是 X、Y 与 Z。

```python

![在这里插入图片描述](https://img-blog.csdnimg.cn/187d19d4eeef4b378e8fa64b2ed9c85f.png)

图1：等高线示例图  


左侧图像绘制了两个变量 X、Y ，右侧的颜色柱（colorbar）则表示 X 的取值，颜色越深表示值越小，中间深色部分的圆心点表示 x=0，y=0，z=0。

### 箱型图

箱型图（也称为盒须图）于 1977 年由美国著名统计学家**约翰·图基**（John Tukey）发明。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。  

在箱型图中，我们从上四分位数到下四分位数绘制一个盒子，然后用一条垂直触须（形象地称为“盒须”）穿过盒子的中间。上垂线延伸至上边缘（最大值），下垂线延伸至下边缘（最小值）。箱型图结构如下所示：
![在这里插入图片描述](https://img-blog.csdnimg.cn/d1f2051060b746b68e3cab5ba2805348.png)



首先准备创建箱型图所需数据：您可以使用numpy.random.normal()函数来创建一组基于正态分布的随机数据，该函数有三个参数，分别是正态分布的平均值、标准差以及期望值的数量。如下所示：

```python

然后用 data_to_plot 变量指定创建箱型图所需的数据序列，最后用 boxplot() 函数绘制箱型图，完整代码如下所示：

```python

上述代码执行后，输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/f8f1040a2ab64b03ba89ba6ef733ade7.png)


## 三维绘图

最初开发的 Matplotlib，仅支持绘制 2d 图形，后来随着版本的不断更新， Matplotlib 在二维绘图的基础上，构建了一部分较为实用的 3D 绘图程序包，比如 mpl_toolkits.mplot3d，通过调用该程序包一些接口可以绘制 3D散点图、3D曲面图、3D线框图等

mpl_toolkits 是 Matplotlib 的绘图工具包。

### **第一个三维绘图程序**

下面编写第一个三维绘图程序。  

首先创建一个三维绘图区域， plt.axes() 函数提供了一个参数projection，将其参数值设置为 "3d"。如下所示：

```python

有了三维绘图区域，接下来就要构建 3d 图像，如下所示：

`#从三个维度构建`

```python

最后调用 plot3D() 方法绘制 3d 图形，代码如下：

```python

完整程序如下所示：

```python

输出结果如下所示：
![在这里插入图片描述](https://img-blog.csdnimg.cn/e3ad6aa99cc04ad7a77c48baf9e395d3.png)


上述代码中的 ax.plot3D() 函数可以绘制各种三维图形，这些三维图都要根据(x，y，z)三元组类来创建。

### **3D散点图**

通过 ax.scatter3D() 函数可以绘制 3D 散点图，示例代码如下：

```python

输出结果图：
![在这里插入图片描述](https://img-blog.csdnimg.cn/b3b53a1f85c14971a0fbd54e3d04bab2.png)

### **3D等高线图**

ax.contour3D() 可以用来创建三维等高线图，该函数要求输入数据均采用二维网格式的矩阵坐标。同时，它可以在每个网格点(x,y)处计算出一个 z 值。  

以下示例展示了如何绘制三维正弦等高线图。代码如下：

```python

return np.sin(np.sqrt(x ** 2 + y ** 2))

输出结果图如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/908bdb53b07f470ca4c0585a93cf932f.png)


### **3D线框图**

线框图同样要采用二维网格形式的数据，与绘制等高线图类似。  

线框图可以将数据投影到指定的三维表面上，并输出可视化程度较高的三维效果图。通过 plot_wireframe() 能够绘制 3D 线框图。

代码如下：

```python

return np.sin(np.sqrt(x ** 2 + y ** 2))

输出结果如下：
![在这里插入图片描述](https://img-blog.csdnimg.cn/bfbd3e12f5cb4d78b4062c230c9252d7.png)


### **3D曲面图**

曲面图表示一个指定的因变量y与两个自变量x和z之间的函数关系。  

3D 曲面图是一个三维图形，它非常类似于线框图。不同之处在于，线框图的每个面都由多边形填充而成。Matplotlib 提供的 plot_surface() 函数可以绘制 3D 曲面图，该函数需要接受三个参数值 x，y 和 z 。示例代码如下：

```python