Python-Matplotlib可视化（1）——一文详解常见统计图的绘制_python数据分析统计图由于matplot

由于matplotlib它只专注于绘图，因此如果想从文件中读取输入或进行一些中间计算，那么必须使用Python模块，但不用担心，matplotlib与其他模块具有良好的兼容性，并不涉及过多的技巧。例如，要生成大量统计图形，可能需要使用科学计算包，如Numpy和Python的文件读取I/O模块。在接下来的讲解中会给出相应的示例。

结合Numpy库，绘制曲线图

绘制曲线cos(x)，x在[0, 2*pi]区间内：

# cos\_1.py
import math
import matplotlib.pyplot as plt
scale = range(100)
x = [(2 \* math.pi \* i) / len(scale) for i in scale]
y = [math.cos(i) for i in x]
plt.plot(x, y)
plt.show()

若采用Numpy库，则可以使用以下等效代码：

# cos\_2.py
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2 \* np.pi, 100)
y = np.cos(x)
plt.plot(x, y)
plt.show()

所绘制图形如下所示：
sin(x) Tips：虽然Numpy对于可视化而言并非必要，但可以看出使用Numpy库可以更加高效。
Numpy可以一次对整个数组执行操作，可以使代码更高效，以绘制[-10,10]区间内的曲线

−

y=x^3+5x-10

y=x3+5x−10为例：

# plot\_np.py
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(-10, 10, 800)
y = x \*\* 3 + 5 \* x - 10
plt.plot(x, y)
plt.show()

绘制图形如下
y=x^3+5x-10

绘制多曲线图

很多时候我们需要对比多组数据，以发现数据间的异同，此时就需要在一张图片上绘制多条曲线——多曲线图，下图展示了在同一图片中绘制函数

y=x

y=x、

y=x^2

y=x2，

y=log_ex

y=logex以及

(

)

y=sin(x)

y=sin(x)：

# plot\_multi\_curve.py
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0.1, 2 \* np.pi, 100)
y_1 = x
y_2 = np.square(x)
y_3 = np.log(x)
y_4 = np.sin(x)
plt.plot(x,y_1)
plt.plot(x,y_2)
plt.plot(x,y_3)
plt.plot(x,y_4)
plt.show()

上述脚本绘制图形如下：
多曲线图

Tips：一条曲线的绘制需要调用一次plt.plot()，而plt.show()只需调用一次。这种延迟呈现机制是matplotlib的核心，我们可以声明在任何时间绘制图形，但只有在调用plt.show()时才会渲染显示图形。
为了更好的说明这种延迟呈现机制，编写以下代码：

# deferred\_rendering.py
import numpy as np
import matplotlib.pyplot as plt
def plot\_func(x, y):
    x_s = x[1:] - y[:-1]
    y_s = y[1:] - x[:-1]
    plt.plot(x[1:], x_s / y_s)
x = np.linspace(-5, 5, 200)
y = np.exp(-x \*\* 2)
plt.plot(x, y)
plot_func(x, y)
plt.show()

绘制图形如下：
延迟呈现示例

可以看到，尽管其中一个plt.plot()是在plot_func函数中调用的，它对图形的呈现没有任何影响，因为plt.plot()只是声明了我们要呈现的内容，但还没有执行渲染。因此可以使用此特性结合for循环、条件判断等语法完成复杂图形的绘制，同时也可以在同一张图中组合不同类型的统计图。

读取数据文件绘制曲线图

很多情况下数据都是存储于文件中，因此，需要首先读取文件中的数据，再进行绘制，说明起见，以.txt文件为例，其他诸如Excel、CSV文件可以使用pandas、numpy等库进行读取。
假设存在data.txt文件如下：

读取数据和绘制的代码如下：

# read\_txt.py
import matplotlib.pyplot as plt
x, y = [], []
for line in open('data.txt', 'r'):
    values = [float(s) for s in line.split()]
    x.append(values[0])
    y.append(values[1])
plt.plot(x, y)
plt.show()

如果使用Numpy库，其等效代码可以写为：

import matplotlib.pyplot as plt
import numpy as np
data = np.loadtxt('data.txt')
plt.plot(data[:,0], data[:,1])
plt.show()

绘制图形

散点图

当绘制曲线图时，我们假设点与点之间存在序列关系。而散点图是简单地绘制点，它们之间并不存在连接。

import numpy as np
import matplotlib.pyplot as plt
data = np.random.rand(1000, 2)
plt.scatter(data[:,0], data[:,1])
plt.show()

散点图 Tips：函数plt.scatter()的调用方式与plt.plot()完全相同，分别将点的x和y坐标作为输入参数。

条形图

条形图具有丰富的表现形式，常见的类型包括单组条形图，多组条形图，堆积条形图和对称条形图等。

单组条形图

条形图的每种表现形式都可以绘制成垂直条形图或水平条形图，以单组条形图的两种绘制方式为例。

垂直条形图

import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.bar(range(len(data)), data)
plt.show()

垂直条形图 Tips：plt.plot()函数的作用是：接收两个参数，包括每个条形的x坐标和每个条行的高度。
通过可选参数width，pyplot.bar()提供了一种控制条形图中条状宽度的方法:

import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.bar(range(len(data)), data, width=0.5)
plt.show()

修改条形图宽度

水平条形图

如果更喜欢水平条形外观，就可以使用plt.barh()函数，在用法方面与plt.bar()基本相同，但是修改条形宽度(或者在水平条形图中应该称为高度)的参数需要使用height：

import matplotlib.pyplot as plt
data = [10., 20., 5., 15.]
plt.barh(range(len(data)), data, height=0.5)
plt.show()

水平条形图

多组条形图

当需要比较不同年份相应季度的销量等此类需求时，我们可能需要多组条形图。

import numpy as np
import matplotlib.pyplot as plt
data = [[10., 20., 30., 20.],[40., 25., 53., 18.],[6., 22., 52., 19.]]
x = np.arange(4)
plt.bar(x + 0.00, data[0], color = 'b', width = 0.25)
plt.bar(x + 0.25, data[1], color = 'g', width = 0.25)
plt.bar(x + 0.50, data[2], color = 'r', width = 0.25)
plt.show()

多组条形图

堆积条形图

通过使用plt.bar()函数中的可选参数，可以绘制堆积条形图。

import matplotlib.pyplot as plt
y_1 = [3., 25., 45., 22.]
y_2 = [6., 25., 50., 25.]
x = range(4)
plt.bar(x, y_1, color = 'b')
plt.bar(x, y_2, color = 'r', bottom = y_1)
plt.show()

堆积条形图 Tips：plt.bar()函数的可选参数bottom允许指定条形图的起始值。
可以结合for循环，利用延迟呈现机制堆叠更多的条形：

import numpy as np
import matplotlib.pyplot as plt
data = np.array([[5., 30., 45., 22.], [5., 25., 50., 20.], [1., 2., 1., 1.]])
x = np.arange(data.shape[1])
for i in range(data.shape[0]):
    plt.bar(x, data[i], bottom = np.sum(data[:i], axis = 0))
plt.show()

堆叠条形图

对称条形图

一个简单且有用的技巧是对称绘制两个条形图。例如想要绘制不同年龄段的男性与女性数量的对比：

import numpy as np
import matplotlib.pyplot as plt
w_pop = np.array([5., 30., 45., 22.])
m_pop = np.array( [5., 25., 50., 20.])
x = np.arange(4)
plt.barh(x, w_pop)
plt.barh(x, -m_pop)
plt.show()