内蒙能源建设集团网站,天猫商城官网下载,wordpress修改产品价格,做企业网站需要准备什么资料我生性自由散漫#xff0c;不喜欢拘束。我谁也不爱#xff0c;谁也不恨。我没有欺骗这个#xff0c;追求那个#xff1b;没有把这个取笑#xff0c;那个玩弄。我有自己的消遣。 -- 塞万提斯 《堂吉诃德》 Matplotlib介绍 1. Matplotlib 是 Python 中常用的 2D 绘图库不喜欢拘束。我谁也不爱谁也不恨。我没有欺骗这个追求那个没有把这个取笑那个玩弄。我有自己的消遣。 -- 塞万提斯 《堂吉诃德》 Matplotlib介绍 1. Matplotlib 是 Python 中常用的 2D 绘图库它能轻松地将数据进行可视化作出精美的图表。 2. Matplotlib 这个模块很庞大最常用的是其中一个子模块——pyplot 。 import matplotlib.pyplot as plt
pyplot模块 1. pyplot 中最基础的作图方式是以点作图即给出每个点的坐标pyplot 会将这些点在坐标系中画出并用线将这些点连起来。 import numpy as np
import matplotlib.pyplot as pltxnp.arange(0,2*np.pi,0.1)
# 生成一个从 0 到 2π 的数组步长是 0.1。
ynp.sin(x)
# numpy 中计算正弦函数的方法我们将 x 的值传进去就得到对应的正弦值。
plt.plot(x,y)
#有了 x 和 y 的值之后将其分别传入 plt.plot() 方法pyplot 会将其转换成对应的坐标。
plt.show()
# 将这些坐标连成线就得到了函数的图像最后调用 plt.show() 方法就能将图像显示出来了。 2. 其实对于每一对 x 和 y还有一个可选的格式化参数用来指定线条的颜色、点标记和线条的类型。 import numpy as np
import matplotlib.pyplot as plt
# 设置字体为黑体防止报错
plt.rcParams[font.family] [SimHei]
# 生成对应数组
x np.arange(0, 2 * np.pi, 0.1)
y1 np.sin(x)
y2 np.cos(x)
# 生成对应函数
plt.plot(x, y1, ro--) # 正弦函数图像
plt.plot(x, y2, b*-.) # 余弦函数图像
# 等价于 plt.plot(x, y1, ro--, x, y2, b*-.)
plt.show() 呈现图分类 1. 按照数据展示的目标可以把它们分为五种分别是趋势、比较、构成、分布和联系。 2. 趋势这是最常见的一种时间序列关系关心数据如何随着时间变化趋势类里的图表能直观反映出每年、每月、每天的变化趋势增长、减少、上下波动还是基本不变。最常见的是折线图它能很好地表现指标随时间呈现的趋势。 3. 构成主要关注每个部分占整体的比例。展示构成关系的图表类型里最常见的就是饼壮图。 4. 比较可以展示某个维度上的排列顺序分析某维度之间的对比是差不多还是 “大于”、“小于” 5. 分布当你关心数据集中、频率、分布时比如根据地理位置数据通过地图来展示不同分布特征。比较常用的图表有地图、直方图、散点图。 6. 联系主要查看两个变量之间是否表达出我们预期所要证明的相关关系。 绘制折线图 1. plt.rcParams[font.family] [SimHei]再绘图之前先把字体设置成黑体防止报错。 2. 加图例很简单只要在调用 plt.plot() 方法时传入 lable 参数接着用 plt.legend() 方法显示图例即可。 import matplotlib.pyplot as pltx [周一, 周二, 周三, 周四, 周五, 周六, 周日]
y1 [61, 42, 52, 72, 86, 91, 73]
y2 [23, 26, 67, 38, 46, 55, 33]
# 修改字体
plt.rcParams[font.family] [SimHei]
# 传入 label 参数
plt.plot(x, y1, label商品 A)
plt.plot(x, y2, label商品 B)
# 显示图例
plt.legend()
# 绘制图片
plt.show()1. 如果想自行选择图例位置的话可以通过 plt.legend() 方法的 loc 参数实现。 2. 我们还可以通过 plt.xlable() 和 plt.ylable() 方法来设置 x 轴和 y 轴的标签. 3. 还能通过 plt.title() 给图表设置标题。 plt.legend(loclower right)
# 设置 x 轴标签
plt.xlabel(时间)
# 设置 y 轴标签
plt.ylabel(销量)
# 设置图表标题
plt.title(商品销量对比图) 绘制柱状图
普通柱状图 1. 调用 plt.bar() 方法即可我们需要传入两个参数。 2. 第一个参数是 x 轴上刻度的标签序列。 3. 第二个参数则用于指定每个柱子的高度也就是具体的数据。 4. plt.bar() 还有一些可选参数常用的有 width 和 color分别用于设置柱子的宽度和颜色。 import matplotlib.pyplot as plt
plt.rcParams[font.family] [SimHei]
names [篮球, 羽毛球, 乒乓球]
nums [26, 20, 19]
plt.bar(names, nums, width0.6, colorskyblue)
plt.show() 堆叠柱状图 1. 堆叠柱状图不仅可以展示每一个分类的总量还能展示该分类包含的每个小分类的大小及占比因此非常适合处理部分与整体的关系。 2. 多调用了一次 plt.bar() 方法并传入了 bottom 参数。每调用一次 plt.bar() 方法就会画出对应的柱状图而 bottom 参数作用就是控制柱状图低端的位置。 import matplotlib.pyplot as plt
plt.rcParams[font.family] [SimHei]names [篮球, 羽毛球, 乒乓球]
nums_boy [16, 5, 11]
nums_girl [10, 15, 8]plt.bar(names, nums_boy, width0.6, colorskyblue, label男)
plt.bar(names, nums_girl, bottomnums_boy, width0.6, colorpink, label女)
plt.legend()
plt.show() 分组柱状图 1. 分组柱状图经常用于不同组间数据的比较这些组都包含了相同分类的数据。 2. 首先使用 np.arange(3) 方法创建了一个数组 x值为 [ 0 1 2 ]并定义了一个变量 width 用于指定柱子的宽度。 3. 在调用 plt.bar() 时第一个参数不再是刻度上的标签而是对应的刻度。以 [ 0 1 2 ] 为基准分别加上和减去柱子的宽度得到 [-0.15 0.85 1.85] 和 [0.15 1.15 2.15]这些刻度将分别作为两组柱子的中点并且柱子的宽度为 0.3。 4. 因此我们还要调用 plt.xticks() 方法来将 x 轴上刻度改成对应的标签。该方法的第一个参数是要更改的刻度序列第二个参数是与之对应的标签序列。 import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.family] [SimHei]
x np.arange(3)
width 0.3names [篮球, 羽毛球, 乒乓球]
nums_boy [16, 5, 11]
nums_girl [10, 15, 8]plt.bar(x - width / 2, nums_boy, widthwidth, colorskyblue, label男)
plt.bar(x width / 2, nums_girl, widthwidth, colorpink, label女)
plt.xticks(x, names)
plt.legend()
plt.show() 饼图 1. 饼图用于表示不同分类的占比情况通过弧度大小来对比各种分类。 2. 饼图的画法很简单只要传入数据和对应的标签给 plt.pie() 方法即可。但为了让饼图更加直观清晰需要了解一些额外的参数参数 autopct 则给饼图自动添加百分比显示。 3. 还能通过 explode 参数来让饼图中的某一部分突出显示来强调某项数据。 4. 默认 explode 参数里的元素都是 0我们将需要突出显示的部分对应位置的值设大一点就能将对应的区块抽离出来突出显示。这个数值越大抽离的效果就越明显。 import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.family] [SimHei]data [64745.2, 364835.2, 489700.8]
labels [第一产业, 第二产业, 第三产业]
explode (0.1, 0, 0)plt.pie(data, explodeexplode, labelslabels, autopct%0.1f%%)
plt.show() 致谢 感谢您花时间阅读这篇文章如果您对本文有任何疑问、建议或是想要分享您的看法请不要犹豫在评论区留下您的宝贵意见。每一次互动都是我前进的动力您的支持是我最大的鼓励。期待与您的交流让我们共同成长探索技术世界的无限可能
