Python 中的 Matplotlib：用示例解释各种绘图

什么是matplotlib？

在 Python 中可用的几个库中， python 中的 matplotlib就是这样一个可视化库，它有助于对数组的二维图进行可视化。 数据可视化库基于 NumPy 数组构建。 正是在 2002 年，John Hunter 引入了多平台数据可视化库。 该库提供数据的可视化和数据的图形绘制，提供了 MATLAB 的替代方案。 Matplotlib 的 API 即应用程序编程接口，开发人员使用它们将绘图嵌入 GUI 应用程序。

matplotlib 提供了几个图形图，如条形图、线形图、直方图、散点图等。 matplotlib 绘图提供的可视化允许直观地访问大量数据。 仅由于 python matplotlib 脚本的结构化特性，可以通过几行代码生成可视化数据图。

两个 API 用于覆盖 matplotlib 脚本层：

• Python API：它是 Python 代码对象的层次结构。
• OO（面向对象）API：API 提供对 Matplotlib 后端层的直接访问。

安装

matplotlib 库的安装可以通过从 Python 包索引 (PyPI) 下载 matplotlib 及其依赖项作为二进制包来完成。

可用于安装库的命令是

python -m pip 安装 matplotlib

在 Windows、Linux 和 macOS 等操作系统中，matplotlib 及其依赖项以轮包的形式存在。 在这种情况下，要执行的命令是。

python -mpip install -U matplotlib

该库也可用作未编译的源文件，其安装相当复杂，因为本地系统需要为操作系统提供适当的编译器。 此外，ActiveState 平台可用于从源代码构建 matplotlib 并将其打包用于所需的操作系统。

输入

python中matplotlib的导入是通过命令进行的

• 从 matplotlib 导入 pyplot 作为 plt
• 将 matplotlib.pyplot 导入为 plt

各种情节和例子

1. Matplotlib UI 菜单

Matplotlib UI 菜单是在通过 Matplotlib 创建绘图时生成的。 Matplotlib UI 提供了绘图的自定义和元素的切换以及放大绘图的能力。

2. Matplotlib 和 NumPy

NumPy是 python 下的一个包，用于执行科学计算。 Matplotlib 建立在 NumPy 之上，它使用 NumPy 提供的函数来处理其数值数据和多维数组。

3. Matplotlib 和 Pandas

Pandas 是一个 python 库，用于 matplotlib 处理数据和分析。 它不是 matplotlib 必需的依赖项，但提供了一个数据框。

Matplotlib 绘图允许大量数据的可视化表示。 通过这些图表，可以识别数据中存在的趋势和特定模式，这对于建立相关性至关重要。 Matplotlib Plots基本上提供了一种推理定量信息的方法。

matplotlib 图的一些类型是：

1.线图：

使用两点

• Matplotlib 线图是通过导入 pyplot 生成的。
• 对于在图中绘制点，使用plot()函数，默认情况下从一个点到另一个点绘制一条线。
• 考虑了两个参数来指定绘制线的点。
• X 轴点在参数 1 中存储为数组。
• Y 轴点在参数 2 中存储为数组。
• 示例：如果必须从点 (2, 6) 到 (10, 15) 绘制一条线，则必须传递两个数组，即 [2, 10] 和 [6, 15]。

示例：显示线图和生成图的代码

资源

2. 使用多点

• 就像使用两个点进行绘图的方式一样，允许在 python 中使用matplotlib绘制多个点。
• 为了绘制多个点，两个轴上的点数应相同。
• 输入：

资源

3.没有x轴点的线点

• 如果未指定 X 轴点，则 X 轴的默认值基于 Y 轴点。
• 输入： 代码将与上述用于绘制线条的代码相同，但只有一个数组作为输入，即 Y 轴数组。 X 轴将作为默认值。

ypoints = np.array([10, 8, 12, 20, 3, 9])

• 生成的图：

matplotlib 中存在各种选项，可以增加绘图的视觉效果：

1. 标记

• 为了增强图表中点的视觉效果，可以使用关键字marker使用指定的标记。
• 标记可以是星形、圆形、点、像素、X 等。
• 示例： plt.plot(ypoints, marker = 'o') 可用于绘制点
• 其他标记列表显示在以下片段中，取自

资源

• 可以根据颜色（支持 140 种颜色）、大小和可以使用的线类型（如虚线、实线或虚线）更改标记。
• markeredge ( mec )和markerfacecolor ( mfc )命令用于为整个标记着色。
• 它提供了仅对标记边缘或整个标记着色的选项。
• Markersize或简称ms用于设置标记的大小。

语法：plt.plot(ypoints, marker = 'o', ms = 30)

2. Matplotlib 线

• 可以使用 linestyle、dotted 或 dashed 的选项相应地更改绘制线的样式，这些选项表示为ls 、 :或— 。

语法：plt.plot(ypoints, ls = ':')

• 可以使用关键字color或使用c以更短的形式相应地更改线条的颜色。 matplotlib 提供了 140 种支持的颜色来改变线条的颜色外观。
• 可以使用参数linewidth或lw更改线的宽度。 它是一个浮点数。
• 使用plt.plot()函数可以在同一个图中绘制多条线。
• grid() 函数用于将网格线添加到绘图中。 可以添加轴参数以指定需要网格线的轴。

语法：plt.grid(axis = 'x')

• 网格的属性可以通过参数、颜色、线条样式和数字相应地更改，例如颜色、线条样式和宽度。

语法：plt.grid(color = 'green', linestyle = '–', linewidth = 0.5)

3. Matplotlib 标签和标题

• xlabel()和ylabel()函数用于标记各自的 asex。
• title()函数用于设置绘图的标题。
• 可以使用fontdict参数更改绘图的字体属性。
• loc参数可用于指定标题的位置。

使用subplots()函数可以在一个图中绘制多个图。

4. Matplotlib 散点图

• scatter()函数可以与 pyplot 一起使用来绘制散点图。
• 需要两个长度相同的数组，即每个轴一个数组。
• 例子：

资源

生成的图

• 颜色 或c参数用于为散点图中的点着色。
• 颜色图可用于指定散点图中所需的颜色。 颜色图中的每种颜色都有一个特定的值。 它可以通过参数 cmap 包含，然后分配颜色图的名称。 matplotlib 中提供了几个内置的颜色图。

语法：plt.scatter(x, y, c=colors, cmap='viridis')

Viridis 是 matplotlib 中可用的内置颜色图。

• 点的大小和透明度可以通过s和alpha参数进行更改。
• 颜色图可以与不同大小的点组合。

5. Matplotlib 条形图

• bar()函数用于绘制条形图。 bar()函数中提到了条形布局的参数。 它绘制垂直条形图。

• barh()函数用于绘制水平条形图。
• 输入：

• 生成的图：

资源

• color参数与bar ()和barh()函数一起使用来设置条形颜色。

语法：plt.bar(x, y, color = “green”)。

• width参数与bar ()和barh()函数一起使用来设置条形宽度。

语法：plt.bar(x, y, width = 0.2)。

• bar()和barh()函数使用的另一个参数是height ，它用于设置条形高度。

6. Matplotlib 饼图

• 饼图是通过 matplotlib 库中的 pie() 函数创建的。
• 示例：输入：

• 生成的图：

资源

• 每个楔形都可以用参数标签进行标记，该参数是一个带有每个楔形标签的数组。

语法： mylabels = [ “汽车” 、 “自行车” 、 “自行车” 、 “公共汽车” ]

• 饼图中默认的起始角度为 X 轴，可以通过参数 startangle 进行更改。 角度以度为单位定义，默认角度为 0。
• 使用explode 参数，可以将所需的楔形显示为突出。 它通过一个数组指定，其中楔形的值突出，其余值保持为 0。

语法：myexplode = [0.2, 0, 0, 0]

• 将 shadows 参数设置为 true 将为饼图创建阴影。
• 颜色参数用于通过数组指定每个楔形的颜色。

语法： mylabels = [ “汽车” 、 “自行车” 、 “自行车” 、 “公共汽车” ]

mycolors = [“黑色”、“hotpink”、“蓝色”、“绿色””]

• legend() 函数用于为每个楔形添加解释。

7.直方图

• 直方图用于绘制频率分布。
• hist()函数用于创建直方图，该直方图使用数字数组来创建直方图。
• 示例： 输入：上面的线将与用于绘制条形图的线相同。

x = np.random.normal(90, 100, 200)

打印（x）

• 生成的图：

结论

正如文章中所讨论的， python 中的 matplotlib可用于以各种样式绘制数据。 进一步的各种选项可用于增强我们的绘图，允许用户根据自己的意愿进行标记、调整大小和颜色。 因此，python及其库对于当今时代的数据分析和处理是相当有帮助的。

数据科学领域的 Python 编程培训可在upGrad提供的数据科学执行 PG 计划课程中获得。 如果您愿意接受行业专家的培训并探索数据科学所拥有的各种机会，您可以报名参加该课程。 该课程由 IIIT-Bangalore 提供，专为 21 至 45 岁年龄段的中级专业人士而设计。 无论性别如何，如果您属于上述类别并梦想成为领先的数据科学家，请加入我们的行列。 对于任何援助船，我们的团队随时准备为您提供帮助。