Python matplotlib可视化实例解析-猿码集

Python matplotlib可视化实例解析

在数据分析过程中，数据可视化是不可或缺的一步。其中，matplotlib是一个非常强大的Python数据可视化工具库，它可以生成各种类型的图表，如线图、散点图、柱状图、饼图等。本文将通过一些示例来介绍matplotlib的基本用法和一些高级功能。

1.基本绘图

首先，我们要导入matplotlib库并安装一些常见的分析库。然后我们就可以利用matplotlib画一个简单的曲线图了。


import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 1000)
y = np.sin(x)
plt.plot(x, y)
plt.show()

上述代码中np.linspace(0, 10, 1000)用于生成0到10之间1000个等距的数，np.sin(x)用于计算每个数的正弦值。plt.plot(x, y)用于创建曲线图。

此处需要注意的是plt.show()这一行代码必须要加上，因为它会调用本地GUI显示图形。如果省略这一行代码，在绘图程序中，只会返回一个matplotlib对象，而不会显示任何图形。

2.多图绘制

有时候我们需要在同一张图上绘制多个图，并且要对这些图进行更加精细的控制，这时候就需要使用 matplotlib 子图了。在 matplotlib 中绘图窗口被称为“画布(canvas)”，每个画布可以包含多个子图(subplot)，我们可以在每个子图中绘制不同的图形。

下面是一个常见的绘制多子图的示例：


import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
# 创建画布和两个子图
fig, ax = plt.subplots(2, 1)
# 在第一个子图中绘制sin曲线
ax[0].plot(x, y1, label='sin')
ax[0].legend()
# 在第二个子图中绘制cos曲线
ax[1].plot(x, y2, label='cos')
ax[1].legend()
plt.show()

在这个例子中，我们通过fig, ax = plt.subplots(2, 1)语句创建了一个具有两个 subplot 的画布。接下来，我们在每个 subplot 中绘制了 sin 和 cos 曲线。

3.图形样式修改

matplotlib 提供了许多不同的函数，使我们能够对绘图进行修改。下面是一些最常用的函数：

- plt.title() ：添加标题

- plt.xlabel() ：添加 x 轴标签

- plt.ylabel() ：添加 y 轴标签

- plt.xlim() ：设置 x 轴范围

- plt.ylim() ：设置 y 轴范围

- plt.legend() ：添加图例

- plt.grid() ：添加网格线

下面是一个修改图形样式的示例代码：


import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 1000)
y = np.sin(x)
plt.plot(x, y, linewidth=2, color='b')
plt.title('Sin Wave')
plt.xlabel('x')
plt.ylabel('y')
plt.xlim(0, 10)
plt.ylim(-1.5, 1.5)
plt.legend(['sin(x)'])
plt.grid(True)
plt.show()

我们对sin曲线进行了一些修改。其中，linewidth 参数用于设置曲线的宽度，color 参数用于设置曲线的颜色。xlabel 和 ylabel 函数分别用于给x轴和y轴添加标签，xlim和ylim函数用于设置x轴和y轴的范围。可以看出，这些函数使我们对绘图进行了更加精密的控制。

4.matplotlib颜色映射

颜色映射是一种将值映射到颜色的方法，常用于数据可视化领域中。matplotlib中提供了许多内置的颜色映射，通过调用不同的颜色映射函数我们可以将图形渲染成不同的颜色。

下面是一个使用颜色映射绘制散点图的示例代码：


import matplotlib.pyplot as plt
import numpy as np
x = np.random.randn(1000)
y = np.random.randn(1000)
colors = np.random.randint(0, 100, 1000)
sizes = 500 * np.random.rand(1000)
plt.scatter(x, y, c=colors, s=sizes, cmap='viridis', alpha=0.5)
plt.colorbar()
plt.show()

在上述代码中，我们使用 np.random.randint() 或 np.random.rand() 生成了一个 1000 个随机数字的数组。每个点的颜色和大小用这些数字表示。

plt.scatter() 参数 c 和 cmap 表示用颜色映射对散点颜色进行渲染。通过设置 alpha 参数，我们还可以调整散点的透明度。

最后，我们使用 plt.colorbar() 对右侧的色条进行标注，这样我们就可以看出色条中的每个颜色所代表的值了。

综上所述，matplotlib 是一个非常强大的 Python 可视化工具库，可以让我们在数据分析中进行各种各样的可视化操作。我们只需要掌握 matplotlib 提供的一些基本函数，就可以创建各种类型的图表。

Python matplotlib可视化实例解析