Matplotlib

一简介

​ matplotlib是受MATLAB的启发构建的。MATLAB是数据绘图领域广泛使用的语言和工具。MATLAB语言是面向过程的。利用函数的调用，MATLAB中可以轻松的利用一行命令来绘制直线，然后再用一系列的函数调整结果。

​ matplotlib有一套完全仿照MATLAB的函数形式的绘图接口，在matplotlib.pyplot模块中。这套函数接口方便MATLAB用户过度到matplotlib包

官网:http://matplotlib.org/

官网学习例子:

• http://matplotlib.org/examples/index.html
• http://matplotlib.org/gallery.html

二 使用

#列表:
    list1 = ['physics', 'chemistry', 1997, 2000]
    list.append('Google')  #加元素
#元组
tup1 = ('physics', 'chemistry', 1997, 2000)
tup2 = (1,)
tup3 = "a", "b", "c", "d"
tup1 = ()
#字典
dict = {'a': 1, 'b': 2, 'b': '3'}

图例汉化

1:乱码原因:
	matplotlib 初始化时首先要加载一个配置文件，字体设置也在这个配置文件中。之所有无法正常显示中文是因为 这个配置文件中没有加入中文字体，解决的办法是我们需要在这个配置文件中指定一个可用的中文字体.
2:找到配置文件(下面代码可以找到)
	import matplotlib as mp
  mp.matplotlib_fname() # /Users/../.pyenv/versions/3.7.5/lib/python3.7/site-packages/matplotlib/mpl-data/matplotlibrc
  打开配置文件所在的路径，可以看到配置文件matplotlibrc。同时，我们还能看到字体文件夹fonts，这里放置matplotlib使用的字体。# fonts		images		matplotlibrc	sample_data	stylelib
3:下载中文字体
  在网站上下载 黑体SimHei 字体（http://www.fontpalace.com/font-details/SimHei/） ，该字体即有Windows字体也有Mac字体
  mac电脑：下载字体后直接双击安装就可以。
  window电脑：复制下载的字体安装文件到matplotlib字体文件夹fonts中的ttf文件夹中，然后双击该字体进行安装。
4:修改配置文件
  修改之前最好先备份下这个配置文件（matplotlibrc），万一修改错，还可以用备份文件还原。我一般比较喜欢将要修改的文件复制一份，并手动给他加上后缀.bak，表示备份backup。如果我修改原文件错误，想恢复到原来的状态，那我就可以将备份文件的后缀.bak删除，就能恢复了。 使用sublime软件打开 matplotlib的配置文件，如果你没有sublime这个软件，最好下载一个，因为这个软件可以打开各种格式的文件。 打开文件后，你可以使用查找功能找到 font.family 和 font.sans-serif这两行，去掉最前面的注释'#'，并在font.sans-serif这一行值中添加我们刚才安装的黑体SimHei, 有的坐标轴的负号显示不正常，我们还要找到axes.unicode_minus这一行，去掉最前面的注释'#'，同时将值修改为False。
5:删除缓存
  在路径下（windows路径C:\Users\你的用户名\.matplotlib，mac路径/Users/你的用户名/.matplotlib ）找到一个叫\.matplotlib的文件夹，这是matplotlib的缓存目录，删除这个文件夹。 注意，mac需要同时删除tex.cache和fontList.json这两个文件
6:重启jupyter notebook
7:额外
	如果上面操作完，中文还是乱码，试下这个解决办法:
    方法1：改了配置之后并不会生效，需要重新加载字体，在notebook中运行如下代码即可： from matplotlib.font_manager import _rebuild _rebuild() #重新加载一下
    方法2:重启大法(重启电脑)
  若是图例正常显示中文,但有报错 如:RuntimeWarning: Glyph xxxxx missing from current font.
      设置一下参数:
        plt.rcParams['font.sans-serif']=['SimHei'] 
        plt.rcParams['axes.unicode_minus']=False

0 查看各个图的参数

import numpy as np
#如散点图:
np.info(plt.scatter)

1 折线图

1.1 折线图基本

from matplotlib import pyplot as plt 
x = range(2,26,2)
y_t = range(2,100,10)
y = [2,3,55,
    37,5,51
     ,8,4,54
     ,6,7,8]
y2 = [1,2,3
     ,4,5,6
     ,7,8,9
     ,10,11,12]
#设置图像大小 图像模糊dpi可以是图片清晰
fig=plt.figure(figsize=(5,4),dpi=80)
#设置x,y轴的刻度值
#x = [i/5 for i in x]
plt.xticks(x)
plt.yticks(y_t)
#设置x轴和y轴的图例
plt.xlabel('一天的时间')
plt.ylabel('温度')
#图名称
plt.title('折线图')
#label线名,c线的颜色支持16进制,linewidth线的宽度,linestyle线的格式,alpha=0.5透明度,
#plt.plot( )返回的是一个二元组值，若要获取实例，必须用x, = plt.plot( )才能取出来实例对象
l1,=plt.plot(x, y, label='折线',c='red',linewidth='1.5',linestyle='--')
l2,=plt.plot(x, y2, label='线',c='blue')
# 给图像加上图例,不加的话 上方的label参数不生效 
#plt.legend()
plt.legend(handles=[l1,l2],labels=['z','l'],loc='best')
#保存图片 可以保存为svg这种矢量图,放大不会有锯齿
plt.savefig('/Users/manzhong/Desktop/fig_t.png')
plt.show()

legend 里面参数主要有以下三种
		handles需要传入你所画线条的实例对象，[l1,l2]
		labels是图例的名称（能够覆盖在plt.plot( )中label参数值）
		loc代表了图例在整个坐标轴平面中的位置（一般选取'best'这个参数值）
loc详解:
	1:loc='best' 图中最合适的位置(机器判断)
	2:loc='xxx' 范围(center right/left,center,upper,upper left/right,lower,lower left/right)9种
	3:loc=(x,y)表示图例左下角的位置，这是最灵活的一种放置图例的方法，慢慢调整，总会找到你想要的放置图例的位置
		 当使用loc = (x, y)时，x, y并不是轴域中实际的x, y的值，而是将x轴, y轴分别看成1, 即：
			( x/(x_max-x_min) , y/(y_max-y_min) )（即进行归一化处理）;
			那么，在绘制图表时，若用到坐标轴的范围限制，如xlim=(0, 16), ylim=(0, 9)。在此基础上，如果要将图例放置	     			到点(2, 2)上，loc实际传入的参数应该为：
		 loc = ( 2/(16-0) , 2/(9-0) )
		 即 loc = (2/16, 2/9)

1.2:x轴刻度

from matplotlib import pyplot as plt 
import random
#展示10点到12点之间每一分钟的值
x=range(0,120)
y = [random.randint(20,35) for i in range(120)]
plt.figure(figsize=(20,8))
plt.plot(x,y)
#调整x轴的刻度
_xt= ["10点{}分".format(i) for i in range(60)] 
_xt += ["11点{}分".format(i) for i in range(60)]
# 取步长 数字与字符串一一对应,数据长度一样 rotation旋转
plt.xticks(list(x)[::3],_xt[::3],rotation=90)
# 网格 这个网格和x,y轴的各自间距有关 alpha网格透明度
plt.grid(alpha=0.9)
plt.show()

1.3 画多个图

# 1 subplot
from matplotlib import pyplot as plt 
x = range(2,26,2)
y_t = range(2,100,10)
y = [2,3,55,
    37,5,51
     ,8,4,54
     ,6,7,8]
y2 = [1,2,3
     ,4,5,6
     ,7,8,9
     ,10,11,12]
plt.figure(figsize=(8,5))
# 第1行2列 第1列
plt.subplot(1,2,1,frameon=True)
#plt.xticks(range(1,8)) 设置x轴
#plt.yticks(range(1,8)) 设置y轴
plt.plot(x,y)
# 第1行2列 第2列
plt.subplot(1,2,2)
#plt.xticks(range(1,8)) 设置x轴
#plt.yticks(range(1,8))
plt.bar(x,y2)
plt.show()

# 2 subplots
from matplotlib import pyplot as plt 
x = range(2,26,2)
y_t = range(2,100,10)
y = [2,3,55,
    37,5,51
     ,8,4,54
     ,6,7,8]
y2 = [1,2,3
     ,4,5,6
     ,7,8,9
     ,10,11,12]
# sharex=True 共享x轴,sharey=True共享y轴
fig,ax=plt.subplots(2,2,sharex=True,sharey=True)
#fig,((ax, ax2), (ax3, ax4)) =plt.subplots(2,2,figsize=(8,6))
ax[0][0].plot(x,y)
#ax[0][0].set_xlabel('日期') 设置x的说明
#ax[0][0].tick_params(rotation=90) 设置x的轴值 相当于xticks
ax[0][1].bar(x,y)
ax[1][0].scatter(x,y,marker='*')
ax[1][1].hist(y)

# 3 subplot2grid 
plt.figure()
# 整个图有3行3列,从（0，0）点开始画，行跨度colspan为3，列跨度rowspan为1
ax1 = plt.subplot2grid((3, 3), (0, 0), colspan=3, rowspan=1)
ax1.plot([1, 2], [1, 2]) #两个点
ax1.set_title('ax1_title')
# ax2 从（1，0）点开始画，下标从0开始
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan=2)
ax3 = plt.subplot2grid((3, 3), (1, 2), colspan=1,rowspan=2)
ax4 = plt.subplot2grid((3, 3), (2, 0))  # colspan,rowspan 默认取值为1
ax5 = plt.subplot2grid((3, 3), (2, 1))
 
ax2.plot(np.linspace(-5, 5, 100), np.sin(np.linspace(-5, 5, 100)))
ax3.plot(np.linspace(-3, 3, 50), np.tan(np.linspace(-3, 3, 50)))
ax4.plot(np.linspace(-3, 3, 50), np.cos(np.linspace(-3, 3, 50)))
ax5.plot(np.linspace(-3, 3, 50), np.tanh(np.linspace(-3, 3, 50)))
plt.show()

# 4 gridspec 
plt.figure()
gs = gridspec.GridSpec(3, 3)  # 3行3列的GridSpec
ax1 = plt.subplot(gs[0, :])  #ax1在GridSpec中是第0行，所有列
ax2 = plt.subplot(gs[1, :2])  #ax2在GridSpec中是第1行，第0、1列
ax3 = plt.subplot(gs[1:, 2])
ax4 = plt.subplot(gs[2, 0])
ax5 = plt.subplot(gs[2, 1])
plt.show()

1.4 一个图多个坐标轴(twinx与twiny)

# 主次坐标轴，共享x轴，y轴数据不同
x = np.arange(0, 10, 0.1)
y1 = 0.05*x**2
y2 = -1*y1
 
fig, ax1 = plt.subplots()
ax2 = ax1.twinx()    # y坐标轴twin
# ax2 = ax1.twiny()  # x坐标轴twin
ax1.plot(x, y1, 'g-')
ax2.plot(x, y2, 'b-')
 
ax1.set_xlabel('x')
ax1.set_ylabel('y1', color='g')
ax2.set_ylabel('y2', color='b')

1.5图中图

# 图中图
fig = plt.figure()
x = [1, 2, 3, 4, 5, 6, 7]
y = [1, 3, 4, 2, 5, 8, 6]
 
left, bottom, width, height = 0.1, 0.1, 0.8, 0.8
ax1 = fig.add_axes([left, bottom, width, height])  # 位置 宽度 高度（值是百分比）
ax1.plot(x, y, 'r')
ax1.set_title('title')
ax1.set_xlabel('x')
ax1.set_ylabel('y')
 
left, bottom, width, height = 0.2, 0.6, 0.25, 0.25
ax2 = fig.add_axes([left, bottom, width, height])  # 位置 宽度 高度（值是百分比）
ax2.plot([1, 2], [2, 5], 'b')
ax2.set_title('title inside1')
ax2.set_xlabel('x')
ax2.set_ylabel('y')
 
plt.axes([0.6, 0.2, 0.25, 0.25])
plt.plot(y[::-1], x, 'g')
plt.title('title inside2')
plt.xlabel('x')
plt.ylabel('y')
 
plt.show()

2 散点图

# 函数 scatter()
from matplotlib import pyplot as plt 
y_3=[11,17,12,6,7,8,9,10,17,18,19,20,22,24,25,12,11,14,17,20]
y_10=[26,27,22,26,27,28,29,20,17,28,18,16,12,14,15,12,11,14,17,10]
x_3=range(1,21)
x_10=range(40,60)
#设置x刻度
_x=list(x_3)+list(x_10)
_xt=["3月{}日".format(i) for i in x_3] 
_xt += ["10月{}日".format(i-40) for i in x_10]
#_x[:;3] 取步长
plt.xticks(_x[::3],_xt,rotation=90)

plt.scatter(x_3,y_3,label='三月')
plt.scatter(x_10,y_10,label='十月')
plt.legend()

2.1 散点图中的气泡图

#只需调整scatter中参数
x = np.arange(0,10,1)
y = x*x
# s 大小 c颜色
plt.scatter(x,y,s=y*10,c=y*10,linewidths=2) #颜色、大小都用数组表示
plt.ylim(0,100)
plt.xlim(0,12)
plt.show()

2.2散点图拟合函数

import numpy as np
from scipy.optimize import leastsq
import matplotlib.pyplot as plt
#训练数据
# Xi = np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78])
# Yi = np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05])
Xi = np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78,12.19,8.72,9.39,10.71,11.7,12.66,12.78])
Yi = np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05,12.01,9.78,8.67,10.2,12.8,12.9,12.09])
#定义拟合函数形式
def func(p,x):
    k,b = p
    return k*x+b
#定义误差函数
def error(p,x,y,s):
    print(s)
    return func(p,x)-y

#随机给出参数的初始值
p = [10,2]

#使用leastsq()函数进行参数估计
s = '参数估计次数'
Para = leastsq(error,p,args=(Xi,Yi,s))
k,b = Para[0]
print('k=',k,'\n','b=',b)

#图形可视化
plt.figure(figsize = (10,8))
#绘制训练数据的散点图
plt.scatter(Xi,Yi,color='r',label='Sample Point',linewidths = 3)
plt.xlabel('x')
plt.ylabel('y')
x = np.linspace(0,10,1000)
y = k*x+b
plt.plot(x,y,color= 'orange',label = 'Fitting Line',linewidth = 2)
plt.legend()
plt.show()

3.条形图

3.1竖条形图

# plt.bar(x,y)
from matplotlib import pyplot as plt 
y_10=[26,27,22,26,27,28,29,20,17,28,18,16,12,14,15,12,11,14,17,10]
# width 宽度 hatch="\\" 图案
plt.bar(range(len(y_10)),y_10,width=0.3)
plt.show()

3.2 横条形图

from matplotlib import pyplot as plt 
y_10=[26,27,22,26,27,28,29,20,17,28,18,16,12,14,15,12,11,14,17,10]
plt.grid()
#height 线条粗细  和竖着的width做区别
plt.barh(range(len(y_10)),y_10)

3.3 绘制多条

from matplotlib import pyplot as plt 
#对比 abcd 最近三天的趋势
a=["a","b","c","d"]
b15=[123,456,789,123]
b16=[456,123,456,234]
b17=[789,789,123,345]
#图形间间距
bar_width=0.2
x_15= list(range(len(a)))
x_16 = [i+bar_width for i in x_15]
x_17 = [i+bar_width*2 for i in x_15]

plt.bar(range(len(a)),b15,width=bar_width,label='15日')
plt.bar(x_16,b16,width=bar_width,label='16日')
plt.bar(x_17,b17,width=bar_width,label='17日')
#x刻度
plt.xticks(x_16,a)
plt.legend()
plt.show()

4 直方图

4.1 频数直方图

#如你获取了10个电影的时长数据,希望统计电影时长的分布(如100到120分钟的电影数量)
#将数据分为多少组进行统计?组数要适当,太少有较大的误差,太多规律不明显
# 组数:数据量在100以内一般5-12组
# 组距:每个小组两个端点的距离
# 组数=极差/组距
from matplotlib import pyplot as plt 
a=[180,100,90,100,110,120,80,70,150,140,140,150,70,90,85,60,80,100,90,90]
#组距
d=10
#计算组数
num=(max(a)-min(a))//d
#设置x轴
plt.xticks(range(min(a),max(a)+d,d))
plt.hist(a,num)

#以上是组距均匀的 下面看一下组距不均匀的
from matplotlib import pyplot as plt 
a=[183,100,90,100,110,120,80,70,150,140,140,150,70,90,85,60,80,100,90,90]
#组距
d=10
#计算组数
num=(max(a)-min(a))//d
#设置x轴
plt.xticks(range(min(a),max(a)+d,d))
plt.grid()
plt.hist(a,num)

#组距不均匀 一般是组距和x轴间距不一致导致 合理设置组距即可

4.2 频率直方图

from matplotlib import pyplot as plt 
import math
a=[100,90,100,110,120,80,70,150,180,140,140,150,70,90,85,60,80,100,90,90]
#组距
d=10
#计算组数
num=(max(a)-min(a))//d
#设置x轴
plt.xticks(range(min(a),max(a)+d,d)) 
plt.grid()
#density=1 或True 变频率直方图
plt.hist(a,num,density=1)

4.3 直方图参数说明

orientation	直方图竖直或者是水平显示 值: horizontal(横) 默认竖
align	直方图坐落的位置
density	频数换算成频率
bottom	设定y轴的起始位置
range	设定随机变量统计范围
bins	分组个数

5 饼图

from matplotlib import pyplot as plt 
import numpy as np
import time 
import pandas as pd 
#此处必须添加此句代码方可改变标题字体大小 暂未生效
#plt.rcParams.update({"font.size":20})

shapes = ['Cross', 'Cone', 'Egg', 'Teardrop', 'Chevron', 'Diamond', 'Cylinder',
       'Rectangle', 'Flash', 'Cigar', 'Changing', 'Formation', 'Oval', 'Disk',
       'Sphere', 'Fireball', 'Triangle', 'Circle', 'Light']
values = [  287,   383,   842,   866,  1187,  1405,  1495,  1620,  1717,
        2313,  2378,  3070,  4332,  5841,  6482,  7785,  9358,  9818, 20254]
#数据组合
s = pd.Series(values, index=shapes)

labels = s.index
sizes = s.values
#设置每一部分离开中心点的距离
explode = (0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0)  

fig1, ax1 = plt.subplots(figsize=(10,10),dpi=80)

#绘制饼图
#labels：设置各类的说明文字
#autopct:第二个百分号表示转义字符，将第三个%直接显示出来,1表示小数点后面一位
#colors：设置为各部分染色列表
#explode:每一部分离开中心点的距离 ,元素数目与x相同且一一对应
#shadow:在饼图下面画一个阴影，3D效果
patches, texts, autotexts = ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.0f%%',
        shadow=True, startangle=170)
#相等的长宽比可确保将饼图绘制为圆形
ax1.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
plt.legend(labels, loc=(1.2,0.2))
plt.show()

6 堆积图

#柱状堆积图
import matplotlib as mpl
import matplotlib.pyplot as plt

plt.figure(figsize=(10,10),dpi=80)

x=[1,2,3,4,5]
y=[6,10,4,5,1]
y1=[2,6,3,8,5]

plt.bar(x,y,align="center",color="#66c2a5",tick_label=["A","B","C","D","E"],label="班级A")
plt.bar(x,y1,align="center",bottom=y,color="#8da0cb",label="班级B")

plt.xlabel("测试难度")
plt.ylabel("试卷份数")

plt.legend(loc='best')
plt.show()

7 面积图

#折线面积图
import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1,6,1)
y = [0,4,3,5,6]
y1 = [1,3,4,2,7]
y2 = [3,4,1,6,5]
labels = ["BluePlanet","BrownPlanet","GreenPlanet"]
colors = ["#8da0cb","#fc8d62","#66c2a5"]
plt.stackplot(x,y,y1,y2,labels=labels,colors=colors)
plt.legend(loc="upper left")
plt.show()

8 热力图

# 读取数据
Sales = pd.read_excel('/Users/.../Desktop/Jupyter/Sales.xlsx')
# 根据交易日期，衍生出年份和月份字段
Sales['year'] = Sales.Date.dt.year
Sales['month'] = Sales.Date.dt.month
# 统计每年各月份的销售总额（绘制热力图之前，必须将数据转换为交叉表形式）
Summary = Sales.pivot_table(index = 'month', columns = 'year', values = 'Sales', aggfunc = np.sum)
# 绘制热力图
sns.heatmap(data = Summary, # 指定绘图数据
 cmap = 'PuBuGn', # 指定填充色
 linewidths = .1, # 设置每个单元格边框的宽度
 annot = True, # 显示数值
 fmt = '.1e' # 以科学计算法显示数据
 ) #添加标题
plt.title('每年各月份销售总额热力图')
# 显示图形
plt.show()

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

y = np.random.randint(1,100,40)
y = y.reshape((5,8))
df = pd.DataFrame(y,columns=[x for x in 'abcdefgh'])
sns.heatmap(df,annot=True)
plt.show()

9 箱型图

9.1 说明

    o          异常值
---------      上限
		|
		|
---------		   上4分位数
|				|
|				|
|-------|      中位数
|				|
---------      下4分位数
    |
    |
---------      下限

9.2 分类

# 1 画箱型图的另一种方法，参数较少，而且只接受dataframe，不常用
dataframe.boxplot()
# 2 
plt.boxplot()

plt.boxplot()的参数

参数	说明	参数	说明
x	指定要绘制箱线图的数据；	showcaps	是否显示箱线图顶端和末端的两条线
notch	是否是凹口的形式展现箱线图	showbox	是否显示箱线图的箱体
sym	指定异常点的形状	showfliers	是否显示异常值
vert	是否需要将箱线图垂直摆放	boxprops	设置箱体的属性，如边框色，填充色等；
whis	指定上下须与上下四分位的距离	labels	为箱线图添加标签
positions	指定箱线图的位置	filerprops	设置异常值的属性
widths	指定箱线图的宽度	medianprops	设置中位数的属性
patch_artist	是否填充箱体的颜色；	meanprops	设置均值的属性
meanline	是否用线的形式表示均值	capprops	设置箱线图顶端和末端线条的属性
showmeans	是否显示均值	whiskerprops	设置须的属性

只接收DataFrame的 boxplot () 语法：

参数	接收值	说明	默认值
column	list	指定要进行箱型图分析的列；	全部列
showmeans	bool	是否显示均值；	FALSE
notch	bool	是否是凹口的形式展现箱线图；	FALSE
patch_artist	bool	是否填充箱体的颜色，若为true，则默认蓝色；	FALSE
grid	bool	箱型图网格线是否显示；	TRUE
vert	bool	竖立箱型图（True）/水平箱型图（False）；	TRUE
sym	string	指定异常点的形状；	o

import pandas as pd
import matplotlib.pyplot as plt
from pandas.core.frame import DataFrame
#csv格式
#   hp_cal_dt	  user_id	  	stay_time
#0	2021-03-01	11430293		192575
#1	2021-03-01	16111935		41829
#2	2021-03-02	20234033		34217
#3	2021-03-02	22830367		3680
#4	2021-03-03	23807166		4874
path = 'stay_box.csv'
data = pd.read_csv(path)
df=data.sort_values(by='hp_cal_dt').groupby(data['hp_cal_dt'])
c={}
listx=[]
listy=[]
fig=plt.figure(figsize=(50,20),dpi=80)
for i,j in df:
    c[i]=j['stay_time']
    listx.append(i)
    listy.append(j['stay_time']/1000)
plt.xticks(range(1,4000,20),rotation=90)
plt.boxplot(listy,labels=listx,vert=False,showmeans=True)
plt.savefig('/Users/manzhong/Desktop/box.png')

import pandas as pd
import matplotlib.pyplot as plt
from pandas.core.frame import DataFrame
#csv格式
#   hp_cal_dt	  user_id	  	stay_time
#0	2021-03-01	11430293		192575
#1	2021-03-01	16111935		41829
#2	2021-03-02	20234033		34217
#3	2021-03-02	22830367		3680
#4	2021-03-03	23807166		4874
path = 'stay_box.csv'
data = pd.read_csv(path)
data.boxplot(column='stay_time',by='hp_cal_dt')