【Python】数据处理：Matplotlib绘图

Matplotlib是Python强大的数据可视化工具库，类似于MATLAB语言。Mat-lotlib提供了一整套与MATLAB相似的命令API，十分适合进行交互式制图，而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。
Matplotlib是神经生物学家John D.Hunter于2007年创建的，其函数设计参考了MATLAB。

折线图

基础折线图

import matplotlib.pyplot as plt
# 数据
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)  # 绘制折线图
plt.show()  # 显示图表

折线图样式

plt.plot() 函数常见参数及其缩写

1. x, y：
   • 折线图的 X 轴和 Y 轴数据。
2. color (c)：
   • 折线的颜色。
   • 可以是颜色名称（如 'red'）、颜色缩写（如 'r'）或者 RGB 十六进制值（如 '#FF5733'）。
3. linestyle (ls)：
   • 折线的线型。
   • 可选值包括 '-'（实线，默认）、'--'（虚线）、':'（点线）、'-.'（点划线）。
4. linewidth (lw)：
   • 折线的宽度。
   • 数值型，表示折线的粗细，默认值是 1。
5. marker：
   • 数据点的标记样式。
   • 可选值包括 'o'（圆圈）、'^'（三角形）、's'（正方形）、'*'（星号）等。
6. markersize (ms)：
   • 数据点的大小。
   • 数值型，表示数据点的直径大小。
7. markerfacecolor (mfc) / markeredgecolor (mec)：
   • 数据点标记的填充颜色和边缘颜色。
8. label：
   • 折线的标签，用于图例的显示。
9. alpha：
   • 折线的透明度。
   • 可以是 0 到 1 之间的值，0 表示完全透明，1 表示完全不透明

以下是Matplotlib中常用的颜色、线型和标记样式参数的表格展示：

颜色参数

线型参数

标记样式参数

添加标题和标签

可以为图表添加标题、X轴和Y轴的标签。

plt.plot(x, y)
plt.title('Simple Line Plot')  # 标题
plt.xlabel('X Axis Label')     # X轴标签
plt.ylabel('Y Axis Label')     # Y轴标签
plt.show()

添加网格线

可以添加网格线以便于读取数据。

plt.plot(x, y)
plt.grid(True)  # 添加网格线
plt.show()

plt.grid()常用参数：

• which：指定网格线类型，可以是 'major'（主要刻度）或者 'minor'（次要刻度）
• axis：指定在哪个轴上添加网格线，可以是 'both'（默认，同时添加X和Y轴的网格线）、'x'（只在X轴上添加）、'y'（只在Y轴上添加）。

设置坐标轴范围

可以设置X轴和Y轴的显示范围。

plt.plot(x, y)
plt.xlim(0, 5)  # X轴范围
plt.ylim(0, 20) # Y轴范围
plt.show()

设置刻度和刻度标签

可以设置刻度的值和标签。

plt.plot(x, y)
plt.xticks([1, 2, 3, 4], ['one', 'two', 'three', 'four'])  # 设置X轴刻度标签
plt.yticks([1, 4, 9, 16], ['one', 'four', 'nine', 'sixteen'])  # 设置Y轴刻度标签
plt.show()

保存图表

可以将图表保存为图像文件。

plt.plot(x, y)
plt.savefig('line_plot.png')  # 保存为PNG文件

多子图绘制

可以在同一个图中绘制多个子图。

# 创建一个2x1的子图
plt.subplot(2, 1, 1)
plt.plot(x, y)
plt.title('First Subplot')

plt.subplot(2, 1, 2)
plt.plot(x, y)
plt.title('Second Subplot')

plt.tight_layout()  # 自动调整子图之间的间距
plt.show()

散点图

基础散点图

import matplotlib.pyplot as plt  
# 数据
x = [1, 2, 3, 4, 5]  
y = [2, 3, 5, 7, 11]  
plt.scatter(x, y)  # 绘制散点图  
plt.show()

散点图样式

1. x, y：
   • 必需的参数，分别是散点图的 X 轴和 Y 轴数据。
2. s：
   • 散点的大小。
   • 可以是单个数值表示所有散点的大小，也可以是一个数组，指定每个散点的大小。
   • 示例： plt.scatter(x, y, s=100) 或 plt.scatter(x, y, s=sizes)，其中 sizes 是一个与数据长度相同的数组。
3. c：
   • 散点的颜色。
   • 可以是颜色名称（如 'red'）、颜色缩写（如 'r'）或者 RGB 十六进制值（如 '#FF5733'）。
   • 示例： plt.scatter(x, y, c='blue')
4. marker：
   • 散点的标记样式。
   • 可选值包括 'o'（圆圈，默认）、'^'（三角形）、's'（正方形）、'*'（星号）等。
   • 示例： plt.scatter(x, y, marker='o')
5. alpha：
   • 散点的透明度。
   • 可以是 0 到 1 之间的值，0 表示完全透明，1 表示完全不透明。
   • 示例： plt.scatter(x, y, alpha=0.5)
6. linewidths (lw) 和 edgecolors (ec)：
   • 控制散点边缘的线宽和颜色。
   • linewidths 可以设置边缘的线宽，edgecolors 可以设置边缘的颜色。
   • 示例： plt.scatter(x, y, lw=2, ec='black')
7. label：
   • 散点图的标签，用于图例的显示。

# 生成随机数据
np.random.seed(0)
x = np.random.rand(50)
y = np.random.rand(50)
sizes = np.random.rand(50) * 100  # 随机生成散点的大小
colors = np.random.rand(50)  # 随机生成散点的颜色

plt.scatter(x, y, s=sizes, c=colors, alpha=0.7, marker='o', label='Random Data')  # 绘制散点图

# 添加标题和标签
plt.title('Scatter Plot Example')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')

plt.legend()  # 添加图例
plt.show()  # 显示图形

三维折线图

import matplotlib.pyplot as plt
import numpy as np

# 创建一个 Figure 对象和 3D Axes 对象
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')

# 生成曲线上的数据
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)

# 绘制曲线
ax.plot(x, y, z, label='3D Spiral Curve')

# 添加标题和标签
ax.set_title('3D Spiral Curve Plot')
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')


ax.legend()  # 添加图例
plt.show()  # 显示图形

三维曲面图

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

# 创建一个 Figure 对象和 3D Axes 对象
fig = plt.figure(figsize=(8, 6))
ax = fig.add_subplot(111, projection='3d')

# 绘制三维曲面图
ax.plot_surface(x, y, z, cmap='viridis')

# 添加标题和标签
ax.set_title('3D Surface Plot')
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')

# 显示图形
plt.show()

柱状图

import matplotlib.pyplot as plt
import numpy as np

# 数据
categories = ['A', 'B', 'C', 'D']
values = [7, 13, 5, 17]

# 创建柱状图
plt.figure(figsize=(8, 6))
plt.bar(categories, values, color='skyblue')

# 添加标题和标签
plt.title('Simple Bar Plot')
plt.xlabel('Categories')
plt.ylabel('Values')

# 显示图形
plt.show()

直方图

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据（正态分布）
data = np.random.randn(1000)

# 创建直方图
plt.figure(figsize=(8, 6))
plt.hist(data, bins=30, edgecolor='black')

# 添加标题和标签
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')

# 显示图形
plt.show()

饼图

import matplotlib.pyplot as plt

# 数据
sizes = [25, 30, 20, 15, 10]  # 每一部分的大小
labels = ['A', 'B', 'C', 'D', 'E']  # 每一部分的标签

# 创建饼图
plt.figure(figsize=(8, 6))
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)

# 添加标题
plt.title('Simple Pie Chart')

# 显示图形
plt.show()

等高线图

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(-3.0, 3.0, 100)
y = np.linspace(-3.0, 3.0, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建填充等高线图
plt.figure(figsize=(8, 6))
plt.contourf(X, Y, Z, levels=20, cmap='RdGy')

# 添加颜色栏
plt.colorbar(label='Value')

# 添加标题和标签
plt.title('Filled Contour Plot')
plt.xlabel('X axis')
plt.ylabel('Y axis')

# 显示图形
plt.show()

箱线图

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(10)
data = [np.random.normal(0, std, 100) for std in range(1, 4)]

# 创建箱线图
plt.figure(figsize=(8, 6))
plt.boxplot(data)

# 添加标题和标签
plt.title('Box Plot')
plt.xticks([1, 2, 3], ['Data 1', 'Data 2', 'Data 3'])
plt.ylabel('Value')

# 显示图形
plt.show()

热图

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
data = np.random.rand(10, 12)

# 创建热图
plt.figure(figsize=(8, 6))
plt.imshow(data, cmap='hot', interpolation='nearest')

# 添加颜色栏
plt.colorbar()

# 添加标题和标签
plt.title('Heatmap')
plt.xlabel('X axis')
plt.ylabel('Y axis')

# 显示图形
plt.show()

误差图

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.linspace(0, 10, 10)
y = np.sin(x)
yerr = 0.2  # 统一的误差范围

# 创建误差图
plt.figure(figsize=(8, 6))
plt.errorbar(x, y, yerr=yerr, fmt='o', label='Data with Error Bars')

# 添加标题和标签
plt.title('Error Bar Plot')
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.legend()

# 显示图形
plt.show()