阳光娱乐

阳光娱乐（原诚信在线官网）现已开放阳光在线手机版、阳光在线电脑客户端下载。阳光在线娱乐戏公平、公开、公正,用实力赢取信誉。

,

人生苦短，我用 Python

前文传送门：

小白[学 Python 数据分析（1）：数据分析基础

小白[学 Python 数据分析（2）：Pandas （一）概述

小白[学 Python 数据分析（3）：Pandas （二）数据结构 Series

小白[学 Python 数据分析（4）：Pandas （「三」）数据结构 DataFrame

小白[学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据

小白[学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择

小白[学 Python 数据分析（7）：Pandas （六）《数据导入》

小白[学 Python 数据分析（8）：Pandas （七）数据预处理

小白[学 Python 数据分析（9）：Pandas （八）数据预处理（2）

小白[学 Python 数据分析（10）：Pandas （九）数据运算

小白[学 Python 数据分析（11）：Pandas （十）数据分组

小白[学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table）

小白[学 Python 数据分析（13）：Pandas （十二）数据表拼接

小白[学 Python 数据分析（14）：Pandas （十「三」）数据导出

小白[学 Python 数据分析（15）：数据可视化概述

小白[学 Python 数据分析（16）：Matplotlib（一）坐标系

小白[学 Python 数据分析（17）：Matplotlib（二）基础操作

折线图

各位同学好，我们从本篇开始介绍一些 Matplotlib 『的常用图表』。

说道常用图表，第一个肯定是折线图，折线图主要用于表现随{着时}间的推移而产生的某种趋势。

在 Matplotlib 中，化折线图主要是使用到了 plt 库中的 plot 方法，下面我们看下 plot 的语法。

plot 函数的一般的调用形式如下：

#单条线：
plot([x], y, [fmt], *, data=None, **kwargs)

#多条线：
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)

可选参数 [fmt] 是一个字符串来定义图的基本属性如：颜色（color），点型（marker），线型（linestyle）。

具体形式 fmt = '[color][marker][line]'

这里我们写一个简单的 fmt 的表达式，需要注意的是 fmt 接收的是每个属性的单个字母缩写，如果使用的是全名的话则不能使用 fmt 参数进行组合赋值。

plot(x, y, 'bo-')

（上）面这个示例中的 bo- 的含义是蓝色圆点实线，【其中】 b 代表了颜色 blue ， o 代表了点型 circle marker （圆点）， - 代表了线型 solid line style （实线） 。

如果我们使用全名的话（上）面这个示例可以改成：

plot(x, y, color='blue', marker='o', linestyle='-')

下面小编摘抄一下官方文档（上）的对应的类型，官方文档地址：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html ，如果不想打开官方文档，也可以在程序中运行下面这段代码，一样可以看到：

import matplotlib.pyplot as plt

help(plt.plot)

首先是颜色 color 的可取值：

=============    ===============================
character        color
=============    ===============================
``'b'``          blue
``'g'``          green
``'r'``          red
``'c'``          cyan
``'m'``          magenta
``'y'``          yellow
``'k'``          black
``'w'``          white
=============    ===============================

这里有一点需要注意，除了可以使用（上）面的这些值，同样可以使用十六进制的 RGB 字符串，如： #FFFFFF 等。

接下来是点型 Maker 的可选值：

=============    ===============================
character        description
=============    ===============================
``'.'``          point marker
``','``          pixel marker
``'o'``          circle marker
``'v'``          triangle_down marker
``'^'``          triangle_up marker
``'<'``          triangle_left marker
``'>'``          triangle_right marker
``'1'``          tri_down marker
``'2'``          tri_up marker
``'3'``          tri_left marker
``'4'``          tri_right marker
``'s'``          square marker
``'p'``          pentagon marker
``'*'``          star marker
``'h'``          hexagon1 marker
``'H'``          hexagon2 marker
``'+'``          plus marker
``'x'``          x marker
``'D'``          diamond marker
``'d'``          thin_diamond marker
``'|'``          vline marker
``'_'``          hline marker
=============    ===============================

大家看前面的符号应该大致都能知道是啥意思吧，小编这里有点小懒（‘属实有点多’，小编自己的碎碎念：常用的就那么几种， 一张图（上）也不会出现太[多种的线型，反正会有默认值），（就不翻译了），如果有看不懂的同学可以 CV 后面的英文到某些翻译网站（上）自行翻译。

接下来是线型 Line Styles 的可选值：

=============    ===============================
character        description
=============    ===============================
``'-'``          solid line style 实线
``'--'``         dashed line style 虚线
``'-.'``         dash-dot line style 点画线
``':'``          dotted line style 点线
=============    ===============================

这个就不解释了吧，各位同学可以自行尝试一下。

最后再来个示例吧，数据还是使用（上）一篇文章的：

import matplotlib.pyplot as plt

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]

plt.title(label='xxx 公司 xxx 产品销量')
# 设置标题
plt.plot(x_data, y_data, linestyle = '-.', label = '产品销量')
plt.plot(x_data, y_data_1, label = '用户增长数')
# 开启网格线
plt.grid(True)
# 设置图例
plt.legend()
# 文件保存
plt.savefig("plot_demo.png")

结果如下：

这个样例中，‘我们将产品销量使’用点线图来表示。

柱状图

普通柱状图

柱状图主要用于查看各分组数据的数量分布，以及各个分组数据之间的数量比较。

在 Matplotlib 中使用的是 bar() 方法，还是先看下 bar() 的语法：

atplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)

参数	接收值	说明	默认值
left	array	x 轴；	无
height	array	柱形图的高度，“也”就是y轴的数值；	无
alpha	数值	柱形图的颜色透明度 ；	1
width	数值	柱形图的宽度；	0.8
color（facecolor）	string	柱形图填充的颜色；	随机色
edgecolor	string	图形边缘颜色	None
label	string	解释每个图像代表的含义	无
linewidth（linewidths / lw)	数值	边缘or线的宽度	1

其他详细的用法可以参考官方文档：https://matplotlib.org/api/pyplot_api.html 。

我们还是先来一个简单的示例，数据依然使用（上）面的数据：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.5, alpha=0.6, facecolor = 'deeppink', edgecolor = 'darkblue', lw=2, label='产品销量')

plt.legend()

plt.savefig("bar_demo_1.png")

• width : 柱子的宽度
• alpha : 透明度
• facecolor : 柱子填充色
• edgecolor : 柱子轮廓色
• lw : 柱子轮廓宽度
• label ： 图例

结果如下：

并排柱状图

我们还有一组数据，接下来是两个柱形图并列显示，这里调用的还是 bar() ，只不过需要调整的是柱子的位置：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data + 0.3, y_data_1, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')

plt.legend()

plt.savefig("bar_demo_2.png")

这里比较重要的是 x_data + 0.3 ，相当于把用户量的柱子向右移动了 0.3 ，否则会造成重合。

结果如下：

堆积柱状图

还有一种柱形图是堆积柱形图，就是把柱状图堆叠在一起，我们还是通过示例来看：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])

plt.title(label='xxx 公司 xxx 产品销量')

plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data, y_data_1, bottom=y_data, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')

plt.legend()

plt.savefig("bar_demo_3.png")

这种堆积柱状图主要是通过参数 bottom 来实现的，含义是底部开始的位置。

结果如下：

横向柱状图

其实横向柱状图应该是叫条形图，而且使用的方法也不再是 bar() 了，而是变成了 barh() 。

咦，这个看起来和 bar() 很像嘛，有可能是兄弟关系。

语法如下：

matplotlib.pyplot.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

也不多说啥了，和（上）面的 bar() 简直如出一辙，还是再来个示例：

import matplotlib.pyplot as plt
import numpy as np

# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']

x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])

plt.title(label='xxx 公司 xxx 产品销量')


plt.barh(x_data, y_data, alpha=0.6, facecolor = 'deeppink', edgecolor = 'deeppink', label='产品销量')

plt.legend()

plt.savefig("barh_demo.png")

结果如下：

本篇内容就到这里了，各位同学想要代码或者想要图片都可以直接访问代码仓库获得。

代码仓库

老规矩，所有的示例代码都会（上）传至代码管理仓库 Github 和 Gitee （上），【方便大家取用】。

示例代码-Github

示例代码-Gitee

参考

https://blog.csdn.net/sinat_36219858/article/details/79800460

https://blog.csdn.net/weixin_40683253/article/details/87641416

Allbet Gaming声明:该文看法仅代表作者自己，与阳光在线无关。转载请注明：太原房产网：小白学 Python 数据分析（18）：Matplotlib（三）（常用图表）（上）