matplotlib可视化柱状图（10分钟入门Matplotlib:数据可视化介绍）
matplotlib可视化柱状图（10分钟入门Matplotlib:数据可视化介绍）本文档将有助于你了解在业界被广泛使用的matplotlib库。Matplotlib具有丰富的图形功能，而且容易上手。本文主要介绍不同的图形功能，包括一些语法等。· Plotly· Matplotlib· Seaborn· Pandas visualisation
"一张图胜过千言万语"，对于数据来说同样地，"一张可视化的图片胜过一张复杂的数据表格或报告"。
matplotlib介绍数据可视化是数据科学家需要掌握的必备技能之一。使用可视化技术可以理解和解决大多数业务问题。可视化主要包括探索性数据分析（EDA）和图形绘制。有效的可视化有助于用户了解数据中的模式，并有效地解决业务问题。可视化的另一个优点是能将复杂数据简化为易于理解的形式。
人们总是觉得图像比文本更容易理解，因此可视化是分析和解释数据的最佳手段，它能帮助用户轻松地理解大量的信息。数据可视化也有助于人们理解趋势、相关性、模式、分布等信息。
在数据可视化领域的众多工具和技术中，python是最常用的。Python为数据可视化提供了多个库，其中最常用的有:
· Matplotlib
· Seaborn
· Pandas visualisation
· Plotly
本文档将有助于你了解在业界被广泛使用的matplotlib库。Matplotlib具有丰富的图形功能，而且容易上手。本文主要介绍不同的图形功能，包括一些语法等。
Matplotlib的安装matplotlib库有多种安装方法。最简单的安装matplotlib的方式是下载Anaconda包。因为Anaconda会默认安装Matplotlib，不需要你进行任何额外的步骤。
· 从anaconda的官方网站下载anaconda软件包
· 为了安装matplotlib，打开anaconda提示符并运行以下命令
pip install matplotlib
or
conda install matplotlib
· 在Jupyter notebook中运行以下命令以验证matplotlib是否正确安装
import matplotlib
matplotlib.__version__
在使用matplotlib之前，我们需要在Jupyter notebook中使用'import'方法来导入这个包。PyPlot是matplotlib中最常用的数据可视化模块，通常使用PyPlot就足以满足可视化的需求。
# import matplotlib library as mpl
import matplotlib as mpl
#import the pyplot module from matplotlib as plt (short name used for referring the object)
import matplotlib.pyplot as plt
· Python是一种非常流行的编程语言，可以用于web开发、数学和统计分析。Python可以在大多数平台上工作，而且使用起来也很简单。
· Python有很多库可以调用，用于可视化和数据分析的库主要以下几种。
· NumPy
· Pandas
· Matplotlib
· Seaborn
· Plotly
· SciKit-Learn
· 正如您所看到的，这里面包括matplotlib，它是使用python开发的。这个库被广泛用于数据可视化。
· PyPlot是matplotlib中的一个模块，它提供类似于MATLAB的交互体验。MATLAB被广泛用于工业界中的统计分析。但MATLAB是一种需要许可的软件，且价格不菲。而PyPlot是一个开源模块，为python用户提供类似MATLAB的功能。总之，PyPlot在开源环境中被视为MATLAB的替代品。
绘制一个简单的图像在这里，我们将使用NumPy生成的随机数来绘制一个简单的图像。创建图像最简单的方法是使用' plot() '方法。为了生成一个图像，我们需要两个坐标轴(X)和(Y)，因此我们使用Numpy中的' linspace() '方法生成两个随机数列。
# import the NumPy package
import numpy as np
# generate random number using NumPy generate two sets of random numbers and store in x y
x = np.linspace(0 50 100)
y = x * np.linspace(100 150 100)
# Create a basic plot
plt.plot(x y)
生成的图像如下图所示:
上面生成的图还缺少一些东西，让我们试着为它添加不同的元素，以便更好地解释这个图。可以为其添加的元素包括title、x-Label、y-label、x-limits、y-limits。
# set different elements to the plot generated above
# Add title using 'plt.title'
# Add x-label using 'plt.xlabel'
# Add y-label using 'plt.ylabel'
# set x-axis limits using 'plt.xlim'
# set y-axis limits using 'plt.ylim'
# Add legend using 'plt.legend'
# add color style width to line element
plt.plot(x y c = 'r' linestyle = '--' linewidth=2)
# add markers to the plot marker has different elements i.e. style color size etc.
plt.plot (x y marker='*' markersize=3 c='g')
# add grid using grid() method
Plt.grid(True)
# add legend and label
plt.legend()
· 色彩
· b –蓝色
· c –青色
· g –绿色
· k –黑色
· m –洋红色
· r –红色
· w –白色
· y –黄色
· 可以使用十六进制或RGB格式
· 线型
· '-' ： 实线
· '--'：虚线
· '-。'：点划线
· '：'–虚线
· 标记样式
· 。–点标记
· ，–像素标记
· v –三角形向下标记
· ^ –三角形向上标记
· <–三角形左标记
· >–三角形右标记
· 1 –三脚架下降标记
· 2 –三脚架向上标记
· 3 –三脚架左标记
· 4 –三脚架右标记
· s –方形标记
· p –五边形标记
· –星形标记
· 其他配置属性
· color or c
· linestyle
· linewidth
· marker
· markeredgewidth
· markeredgecolor
· markerfacecolor
· markersize
在一张图中绘制多个函数在某些情况下，出于特殊目的，用户可能必须在单个图像中显示多个函数。例如，零售商想知道最近12个月中两家分店的销售趋势，而他希望在同一个坐标轴里查看两家商店的趋势。
让我们在一张图中绘制两条线sin（x）和cos（x），并添加图例以了解哪一条线是什么。
# lets plot two lines Sin(x) and Cos(x)
# loc is used to set the location of the legend on the plot
# label is used to represent the label for the line in the legend
# generate the random number
x= np.arange(0 1500 100)
plt.plot(np.sin(x) label='sin function x')
plt.plot(np.cos(x) label='cos functon x')
plt.legend(loc='upper right')
# To show the multiple plots in separate figure instead of a single figure use plt.show() statement before the next plot statement as shown below
x= np.linspace(0 100 50)
plt.plot(x 'r' label='simple x')
plt.show()
plt.plot(x*x 'g' label='two times x')
plt.show()
plt.legend(loc='upper right')
在某些情况下，如果我们要给股东汇报公司最近的情况，我们需要在一个图中显示多个子图。这可以通过使用matplotlib库中的subplot来实现。例如，一家零售店有6家分店，经理希望在一个展示窗口中看到6家商店的每日销售额并进行比较。这可以通过subplots将报表的行和列进行可视化处理。
# subplots are used to create multiple plots in a single figure
# let's create a single subplot first following by adding more subplots
x = np.random.rand(50)
y = np.sin(x*2)
#need to create an empty figure with an axis as below figure and axis are two separate objects in matplotlib
fig ax = plt.subplots()
#add the charts to the plot
ax.plot(y)
# Let's add multiple plots using subplots() function
# Give the required number of plots as an argument in subplots() below function creates 2 subplots
fig axs = plt.subplots(2)
#create data
x=np.linspace(0 100 10)
# assign the data to the plot using axs
axs.plot(x np.sin(x**2))
axs.plot(x np.cos(x**2))
# add a title to the subplot figure
fig.suptitle('Vertically stacked subplots')
# Create horizontal subplots
# Give two arguments rows and columns in the subplot() function
# subplot() gives two dimensional array with 2*2 matrix
# need to provide ax also similar 2*2 matrix as below
fig ((ax1 ax2) (ax3 ax4)) = plt.subplots(2 2)
# add the data to the plots
ax1.plot(x x**2)
ax2.plot(x x**3)
ax3.plot(x np.sin(x**2))
ax4.plot(x np.cos(x**2))
# add title
fig.suptitle('Horizontal plots')
# another simple way of creating multiple subplots as below using axs
fig axs = plt.subplots(2 2)
# add the data referring to row and column
axs.plot(x x**2 'g')
axs.plot(x x**3 'r')
axs.plot(x np.sin(x**2) 'b')
axs.plot(x np.cos(x**2) 'k')
# add title
fig.suptitle('matrix sub plots')
Matplotlib是一个面向对象的库，包括对象、方法等。我们所绘制的图也是Figure对象中的类之一。Figure对象是用于显示图的容器，可通过调用Figure（）函数实现。
· Figsize – (宽 高)英寸
· Dpi –用于调整每英寸网点数(可根据打印质量进行调整)
· facecolor
· edgecolor
· linewidth
# let's create a figure object
# change the size of the figure is 'figsize = (a b)' a is width and 'b' is height in inches
# create a figure object and name it as fig
fig = plt.figure(figsize=(4 3))
# create a sample data
X = np.array()
Y = X**2
# plot the figure
plt.plot(X Y)
# let's change the figure size and also add additional parameters like facecolor edgecolor linewidth
fig = plt.figure(figsize=(10 3) facecolor='y' edgecolor='r' linewidth=5)
Axes是指绘制数据的区域，我们可以使用' add_axes() '将Axes添加到图中。该方法需要以下四个参数:，Left，Bottom，Width，Height
· Left–Axes与图中左侧的距离
· Bottom–Axes与图中底部的距离
· Width–Axes的宽度
· Height–Axes的高度
Axes的其他属性：
· Set title using 'ax.set_title()'
· Set x-label using 'ax.set_xlabel()'
· Set y-label using 'ax.set_ylabel()'
# lets add axes using add_axes() method
# create a sample data
y =
x1 =
x2 =
# create the figure
fig = plt.figure()
# add the axes
ax = fig.add_axes()
l1 = ax.plot(x1 y 'ys-')
l2 = ax.plot(x2 y 'go--')
# add additional parameters
ax.legend(labels = ('line 1' 'line 2') loc = 'lower right')
ax.set_title("usage of add axes function")
ax.set_xlabel('x-axix')
ax.set_ylabel('y-axis')
plt.show()
Matplotlib有各种各样的绘图类型，包括条形图、折线图、饼状图、散点图、气泡图、瀑布图、圆形区域图、堆叠条形图等，我们将通过一些例子来介绍它们。这些图的许多属性都是通用的，如axis color等，但有些属性却是特有的。
条形图概述：条形图使用水平或垂直方向的长条去表示数据。条形图用于显示两个或多个类别的值，通常x轴代表类别。每个长条的长度与对应类别的计数成正比。
函数：· 用于显示条形图的函数是' plt .bar() '
· bar()函数需要输入X轴和Y轴的数据
自定义：plt.bar()函数具有以下参数，可用于配置绘图：
· Width Color edge colour line width tick_label align bottom
· Error Bars – xerr yerr
# lets create a simple bar chart
# x-axis is shows the subject and y -axis shows the markers in each subject
例子：subject =
marks =
plt.bar(subject marks)
plt.show()
#let's do some customizations
#width – shows the bar width and default value is 0.8
#color – shows the bar color
#bottom – value from where the y – axis starts in the chart i.e. the lowest value on y-axis shown
#align – to move the position of x-label has two options 'edge' or 'center'
#edgecolor – used to color the borders of the bar
#linewidth – used to adjust the width of the line around the bar
#tick_label – to set the customized labels for the x-axis
plt.bar(subject marks color ='g' width = 0.5 bottom=10 align ='center' edgecolor='r' linewidth=2 tick_label=subject)
# errors bars could be added to represent the error values referring to an array value
# here in this example we used standard deviation to show as error bars
plt.bar(subject marks color ='g' yerr=np.std(marks))
# to plot horizontal bar plot use plt.barh() function
plt.barh(subject marks color ='g' xerr=np.std(marks))
饼状图表示每个值相对于所有值之和的比例。饼状图上的值以扇形的形式显示了每个值的百分比贡献。扇形的角度是根据值的比例计算的。当我们试图比较总体中的不同部分时，这种可视化效果是最好的。例如，一个销售经理想要知道一个月里不同付款类型所占比例，如现金、信用卡、借记卡、PayPal等应用的支付比例。
函数：· 用于饼状图的函数是' plt.pie() '
· 为了绘制饼状图，我们需要输入一个列表，每个扇形都是先计算列表中的值所占比例，再转换成角度得到的
自定义：plt.pie()函数具有以下参数，可用于配置绘图。
· labels – 用于显示每个扇形所属的类别
· explode – 用于突出扇形
· autopct –用于显示扇形区域所占百分比
· shadow –在扇形上显示阴影
· colours –为扇形设置自定义颜色
· startangle –设置扇形的角度
例子：# Let's create a simple pie plot
# Assume that we have a data on number of tickets resolved in a month
# the manager would like to know the individual contribution in terms of tickets closed in the week
# data
Tickets_Closed =
Agents =
# create pie chart
plt.pie(Tickets_Closed labels = Agents)
#Let's add additional parameters to pie plot
#explode – to move one of the wedges of the plot
#autopct – to add the contribution %
explode =
plt.pie(Tickets_Closed labels = Agents explode=explode autopct='%1.1f%%' )
散点图通过显示数据点来展示两列数据之间的关系。绘制散点图需要两个变量，一个变量表示X轴位置，另一个变量表示y轴位置。散点图用于表示变量之间的关联，通常建议在进行回归之前使用。散点图有助于理解数据的以下信息：
· 两列数据间的任何关系
· ve（阳性）关系
· -ve（阴性）关系
函数：· 用于散点图的函数是"pl .scatter()"
自定义：scatter()函数具有以下参数，用于配置绘图。
· size – 设置点的大小
· color –设置点的颜色
· marker – 标记的类型
· alpha – 点的透明度
· norm –规范化数据(将数据归一化0至1)
例子：# let's create a simple scatter plot
# generate the data with random numbers
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x y)
# as you observe there is no correlation exists between x and y
# let's try to add additional parameters
# size – to manage the size of the points
#color – to set the color of the points
#marker – type of marker
#alpha – transparency of point
size = 150*np.random.randn(1000)
colors = 100*np.random.randn(1000)
plt.scatter(x y s=size c = colors marker ='*' alpha=0.7)
直方图是用来了解数据分布的。它是对连续数据概率分布的估计。它与上面讨论的条形图相似，但它用于表示连续变量的分布，而条形图用于表示离散变量的分布。每个分布都有四个不同的特征，包括
· 分布中心
· 分布散布
· 分布形状
· 分布峰值
直方图需要两个输入，x轴表示bin y轴表示数据集中每个bin对应值的频率。每个bin都有一个最小值和最大值的范围。
函数：· 绘制直方图使用的函数是"plt.hist()"
自定义：函数的具体参数如下，可用于配置绘图：
· bins – bin的个数
· color-颜色
· edgecolor-边缘的颜色
· alpha – 颜色透明度
· normed –正则化
· xlim – X轴范围
· ylim –Y轴范围
· xticks yticks-坐标轴的刻度
· facecolor-柱的颜色
例子：# let's generate random numbers and use the random numbers to generate histogram
data = np.random.randn(1000)
plt.hist(data)
# let's add additional parameters
# facecolor
# alpha
# edgecolor
# bins
data = np.random.randn(1000)
plt.hist(data facecolor ='y' linewidth=2 edgecolor='k' bins=30 alpha=0.6)
# lets create multiple histograms in a single plot
# Create random data
hist1 = np.random.normal(25 10 1000)
hist2 = np.random.normal(200 5 1000)
#plot the histogram
plt.hist(hist1 facecolor = 'yellow' alpha = 0.5 edgecolor ='b' bins=50)
plt.hist(hist2 facecolor = 'orange' alpha = 0.8 edgecolor ='b' bins=30)
使用matplotlib中的"savefig()"函数可将图保存到本地。图可以以多种格式保存，如.png、.jpeg、.pdf以及其他支持的格式。
# let's create a figure and save it as image
items =
x = np.arange(6)
fig = plt.figure()
ax = plt.subplot(111)
ax.plot(x y label='items')
plt.title('Saving as Image')
ax.legend()
fig.savefig('saveimage.png')
图像以"saveimage.png"为文件名保存。
#To display the image again use the following package and commands
import matplotlib.image as mpimg
image = mpimg.imread("saveimage.png")
plt.imshow(image)
plt.show()
Matplotlib教程到此结束。
作者: Mr. Sridhar Anchoori
deephub翻译组：zhangzc
