📌  相关文章
📜  如何在Python绘制图形

📅  最后修改于: 2020-10-29 00:54:09             🧑  作者: Mango

如何在Python绘制图形

Python提供了一种最流行的绘图库，称为Matplotlib。它是开源的，跨平台的，可以根据数组中的数据制作2D图。它通常用于数据可视化并通过各种图形表示。

Matplotlib最初由John D. Hunter于2003年构思。matplotlib的最新版本是2.2.0，于2018年1月发布。

在开始使用matplotlib库之前，我们需要在Python环境中安装。

安装Matplotlib

在终端中键入以下命令，然后按Enter。

pip install matplotlib

上面的命令将在Windows操作系统上安装matplotlib库及其依赖包。

Matplotlib的基本概念

图形包含以下部分。让我们了解这些部分。

图：这是一个整体图，可以容纳一个或多个轴(曲线图)。我们可以将Figure看作是一块包含绘图的画布。

轴：一个图形可以包含多个轴。它由两个或三个(在3D情况下)Axis对象组成。每个轴由标题，x标签和y标签组成。

轴：轴是线状对象的数量，负责生成图形限制。

艺术家：艺术家是我们在图形上看到的全部对象，例如文本对象，Line2D对象和集合对象。大多数艺术家都与斧头息息相关。

pyplot简介

matplotlib提供了pyplot软件包，用于绘制给定数据的图形。 matplotlib.pyplot是使Matplotlib像MATLAB一样工作的一组命令样式函数。 pyplot软件包包含许多函数，这些函数用于创建图形，在图形中创建绘图区域，用标签装饰绘图，在绘图区域中绘制一些线等。

我们可以使用pyplot快速绘制图形。让我们看下面的例子。

绘制图的基本示例

这是生成简单图形的基本示例；该程序如下：

from matplotlib import pyplot as plt  
#ploting our canvas  
plt.plot([1,2,3],[4,5,1])  
#display the graph  
plt.show()

输出：

绘制不同类型的图

我们可以使用pyplot模块绘制各种图形。让我们了解以下示例。

1.线图

折线图用于将信息显示为一系列折线。这很容易绘制。考虑以下示例。

范例-

from matplotlib import pyplot as plt  
  
x = [1,2,3]  
y = [10,11,12]  
  
plt.plot(x,y)  
  
plt.title("Line graph")  
plt.ylabel('Y axis')  
plt.xlabel('X axis')  
plt.show()

输出：

可以使用各种功能来修改生产线。它使图形更具吸引力。以下是示例。

范例-

from matplotlib import pyplot as plt  
from matplotlib import style  
  
style.use('ggplot')  
x = [10, 12, 13]  
y = [8, 16, 6]  
x2 = [8, 15, 11]  
y2 = [6, 15, 7]  
plt.plot(x, y, 'b', label='line one', linewidth=5)  
plt.plot(x2, y2, 'r', label='line two', linewidth=5)  
plt.title('Epic Info')  
fig = plt.figure()  
plt.ylabel('Y axis')  
plt.xlabel('X axis')  

plt.show()

2.条形图

条形图是最常见的图之一，用于表示与分类变量关联的数据。 bar()函数接受三个参数-分类变量，值和颜色。

范例-

from matplotlib import pyplot as plt  
Names = ['Arun','James','Ricky','Patrick']  
Marks = [51,87,45,67]  
plt.bar(Names,Marks,color = 'blue')  
plt.title('Result')  
plt.xlabel('Names')  
plt.ylabel('Marks')  
plt.show()

3.饼图

图表是一个圆图，分为多个子部分或部分。它用于表示百分比或比例数据，其中每个饼图代表一个特定类别。让我们了解以下示例。

范例-

from matplotlib import pyplot as plt  
  
# Pie chart, where the slices will be ordered and plotted counter-clockwise:  
Aus_Players = 'Smith', 'Finch', 'Warner', 'Lumberchane'  
Runs = [42, 32, 18, 24]  
explode = (0.1, 0, 0, 0)  # it "explode" the 1st slice   
  
fig1, ax1 = plt.subplots()  
ax1.pie(Runs, explode=explode, labels=Aus_Players, autopct='%1.1f%%',  
        shadow=True, startangle=90)  
ax1.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.  
  
plt.show()

输出：

4.直方图

直方图和条形图非常相似，但是它们之间的差别很小。直方图用于表示分布，条形图用于比较不同的实体。直方图通常用于绘制与一组值范围相比的多个值的频率。

在以下示例中，我们获取了学生不同分数百分比的数据，并针对学生人数绘制了直方图。让我们了解以下示例。

范例-

from matplotlib import pyplot as plt  
from matplotlib import pyplot as plt  
percentage = [97,54,45,10, 20, 10, 30,97,50,71,40,49,40,74,95,80,65,82,70,65,55,70,75,60,52,44,43,42,45]  
number_of_student = [0,10,20,30,40,50,60,70,80,90,100]  
plt.hist(percentage, number_of_student, histtype='bar', rwidth=0.8)  
plt.xlabel('percentage')  
plt.ylabel('Number of people')  
plt.title('Histogram')  
plt.show()

输出：

让我们理解另一个例子。

示例-2：

from matplotlib import pyplot as plt  
# Importing Numpy Library  
import numpy as np  
plt.style.use('fivethirtyeight')  
  
mu = 50  
sigma = 7  
x = np.random.normal(mu, sigma, size=200)  
fig, ax = plt.subplots()  
  
ax.hist(x, 20)  
ax.set_title('Historgram')  
ax.set_xlabel('bin range')  
ax.set_ylabel('frequency')  
  
fig.tight_layout()  
plt.show()

输出：

5.散点图

散点图用于将变量与其他变量进行比较。它定义为一个变量如何影响另一变量。数据表示为点的集合。让我们了解以下示例。

范例-

from matplotlib import pyplot as plt  
from matplotlib import style  
style.use('ggplot')  
  
x = [4,8,12]  
y = [19,11,7]  
  
x2 = [7,10,12]  
y2 = [8,18,24]  
  
plt.scatter(x, y)  
  
plt.scatter(x2, y2, color='g')  
  
plt.title('Epic Info')  
plt.ylabel('Y axis')  
plt.xlabel('X axis')  
  
plt.show()

输出：

示例-2：

import matplotlib.pyplot as plt  
a = [2, 2.5, 3, 3.5, 4.5, 4.7, 5.0]
b = [7.5, 8, 8.5, 9, 9.5, 10, 10.5]  
  
a1 = [9, 8.5, 9, 9.5, 10, 10.5, 12]  
b1 = [3, 3.5, 4.7, 4, 4.5, 5, 5.2]  
plt.scatter(a, b, label='high income low saving', color='b')  
plt.scatter(a1, b1, label='low income high savings', color='g')  
plt.xlabel('saving*100')  
plt.ylabel('income*1000')  
plt.title('Scatter Plot')  
plt.legend()  
plt.show()

输出：

在本教程中，我们讨论了在数据可视化中使用的所有基本图类型。要了解有关图的更多信息，请访问我们的matplotlib教程。