这篇文章将为大家详细讲解有关如何实现数据可视化matplotlib，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

专业领域包括成都做网站、成都网站设计、成都外贸网站建设、成都做商城网站、微信营销、系统平台开发， 与其他网站设计及系统开发公司不同，创新互联公司的整合解决方案结合了帮做网络品牌建设经验和互联网整合营销的理念，并将策略和执行紧密结合，为客户提供全网互联网整合方案。

import matplotlib.pyplot as plt
import numpy as np
import numpy.random as randn
import pandas as pd
from pandas import Series,DataFrame
from pylab import mpl
mpl.rcParams['axes.unicode_minus'] = False # 我自己配置的问题
plt.rc('figure', figsize=(10, 6)) # 设置图像大小

%matplotlib inline

1. figure对象

Matplotlib的图像均位于figure对象中。

• 创建figure: plt.figure()

fig = plt.figure()

2. subplot子图

• add_subplot：向figure对象中添加子图。

• add_subplot(a, b, c)：a,b 表示讲fig分割成axb的区域，c 表示当前选中要操作的区域(c从1开始)。
  add_subplot返回的是AxesSubplot对象，plot 绘图的区域是最后一次指定subplot的位置

ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
ax4 = fig.add_subplot(2,2,4)

random_arr = randn.rand(50)
# 默认是在最后一次使用subplot的位置上作图
plt.plot(random_arr,'ro--') # r:表示颜色为红色，o:表示数据用o标记 ，--:表示虚线
# 等价于：
# plt.plot(random_arr,linestyle='--',color='r',marker='o')
plt.show()

# hist：直方图：统计分布情况
plt.hist(np.random.rand(8), bins=6, color='b', alpha=0.3) 
# bins:数据箱子个数

(array([ 3.,  0.,  0.,  0.,  2.,  3.]),
 array([ 0.10261627,  0.19557319,  0.28853011,  0.38148703,  0.47444396,
         0.56740088,  0.6603578 ]),
 )

# 散点图
plt.scatter(np.arange(30), np.arange(30) + 3 * randn.randn(30))

• subplots ：生成子图/子图数组

# 柱状图
fig, ax = plt.subplots()
x = np.arange(5)
y1, y2 = np.random.randint(1, 25, size=(2, 5))
width = 0.25
ax.bar(x, y1, width, color='r') 
# 画柱子ax.bar(x+width, y2, width, color='g') 
# 画柱子ax.set_xticks(x+width)
ax.set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True) # 共享轴坐标

• subplots_adjust：调整subplots的间距

plt.subplots_adjust(left=0.5,top=0.5)

fig, axes = plt.subplots(2, 2)

random_arr = randn.randn(8)
fig, axes = plt.subplots(2, 2)
axes[0, 0].hist(random_arr, bins=16, color='k', alpha=0.5)
axes[0, 1].plot(random_arr,'ko--')
x = np.arange(8)
y = x + 5 * np.random.rand(8)
axes[1,0].scatter(x, y)
x = np.arange(5)
y1, y2 = np.random.randint(1, 25, size=(2, 5))
width = 0.25axes[1,1].bar(x, y1, width, color='r') # 画柱子
axes[1,1].bar(x+width, y2, width, color='g') # 画柱子
axes[1,1].set_xticks(x+width)
axes[1,1].set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明

• 重叠绘制

• legend：显示图例

random_arr1 = randn.randn(8)

random_arr2 = randn.randn(8)

fig, ax = plt.subplots()
ax.plot(random_arr1,'ko--',label='A')
ax.plot(random_arr2,'b^--',label='B')
plt.legend(loc='best') #　自动选择放置图例的最佳位置

• 设置刻度范围：set_xlim、set_ylim

• 设置显示的刻度：set_xticks、set_yticks

• 刻度标签：set_xticklabels、set_yticklabels

• 坐标轴标签：set_xlabel、set_ylabe

• l图像标题：set_title

fig, ax = plt.subplots(1)
ax.plot(np.random.randn(380).cumsum())

# 设置刻度范围a
x.set_xlim([0, 500])

# 设置显示的刻度(记号)
ax.set_xticks(range(0,500,100))

# 设置刻度标签
ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],
rotation=30, fontsize='small')

# 设置坐标轴标签ax.set_xlabel('X:...')
ax.set_ylabel('Y:...')

# 设置标题
ax.set_title('Example')

3. Plotting functions in pandas

plt.close('all')
s = Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
s
fig,ax = plt.subplots(1)
s.plot(ax=ax,style='ko--')

fig, axes = plt.subplots(2, 1)
data = Series(np.random.rand(16), index=list('abcdefghijklmnop'))
data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7)
data.plot(kind='barh', ax=axes[1], color='k', alpha=0.7)

df = DataFrame(np.random.randn(10, 4).cumsum(0),
               columns=['A', 'B', 'C', 'D'],
               index=np.arange(0, 100, 10))
df

	A	B	C	D
0	-0.523822	1.061179	-0.882215	-0.267718
10	-0.178175	-0.367573	-1.465189	-1.095390
20	0.276166	0.816511	-0.344557	1.297281
30	0.529400	0.159374	-2.765168	1.784692
40	-1.129003	-1.665272	-2.746512	3.140976
50	0.265113	-1.821224	-5.140850	2.377449
60	-2.699879	-3.895255	-5.011561	1.715174
70	-2.384257	-3.480928	-4.519131	2.805369
80	-2.525243	-3.031608	-4.840125	1.106624
90	-2.020589	-3.519473	-4.823292	0.522323

df.plot() # 列索引为图例，行索引为横坐标，值为纵坐标

df = DataFrame(np.random.randint(0,2,(10, 2)),
               columns=['A', 'B'],
               index=np.arange(0, 10, 1))
df

	A	B
0	0	1
1	0	1
2	1	0
3	0	1
4	1	0
5	1	0
6	1	1
7	0	0
8	1	0
9	1	0

df.plot(kind='bar')

df.A.value_counts().plot(kind='bar')

df.A[df.B == 1].plot(kind='kde')   
df.A[df.B == 0].plot(kind='kde')    # 密度图

df = DataFrame(np.random.rand(6, 4),
               index=['one', 'two', 'three', 'four', 'five', 'six'],
               columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))
df

Genus	A	B	C	D
one	0.760750	0.951159	0.643181	0.792940
two	0.137294	0.005417	0.685668	0.858801
three	0.257455	0.721973	0.968951	0.043061
four	0.298100	0.121293	0.400658	0.236369
five	0.463919	0.537055	0.675918	0.487098
six	0.798676	0.239188	0.915583	0.456184

df.plot(kind='bar',stacked='True') #行索引：横坐标

values = Series(np.random.normal(0, 1, size=200))
values.hist(bins=100, alpha=0.3, color='k', normed=True)
values.plot(kind='kde', style='k--')

df = DataFrame(np.random.randn(10,2),
               columns=['A', 'B'],
               index=np.arange(0, 10, 1))
df

plt.scatter(df.A, df.B)

关于如何实现数据可视化matplotlib就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。

标题名称：如何实现数据可视化matplotlib
本文路径：http://azwzsj.com/article/jjcoji.html