Python中使用matplotlib绘制各类图表示例

这篇具有很好参考价值的文章主要介绍了Python中使用matplotlib绘制各类图表示例。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

折线图

折线图是一种用于表示数据随时间、变量或其他连续性变化的趋势的图表。通过在横轴上放置时间或如此类似的连续变量,可以在纵轴上放置数据点的值,从而捕捉到数据随时间发生的变化。折线图可以用于比较不同变量的趋势,轻松地发现不同的变量之间的差异。

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建一个绘图窗口,大小为8x6英寸
plt.figure(figsize=(8, 6))

# 绘制折线图
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')

# 添加图例,显示在右上角
plt.legend(loc='upper right')

# 添加标题和轴标签
plt.title('Sin and Cos functions')
plt.xlabel('x')
plt.ylabel('y')

# 显示网格线
plt.grid(True)

# 保存图像,支持多种格式,如PNG、PDF、SVG等
plt.savefig('line_plot.png', dpi=300)

# 显示图像
plt.show()

示例结果:

python绘图设置图例,python,matplotlib,开发语言

参数说明:文章来源地址https://www.toymoban.com/news/detail-684810.html

  • plt.figure(figsize=(8, 6)):创建一个大小为8x6英寸的绘图窗口。
  • plt.plot(x, y1, label='sin(x)'):绘制折线图,x和y1是数据点的x坐标和y坐标,label是该折线的标签,用于图例中显示。
  • plt.legend(loc='upper right'):添加图例,loc参数指定图例的位置,可以是字符串’upper right’等也可以是数字0~10。
  • plt.title('Sin and Cos functions'):添加标题。
  • plt.xlabel('x'):添加x轴标签。
  • plt.ylabel('y'):添加y轴标签。
  • plt.grid(True):显示网格线。
  • plt.savefig('line_plot.png', dpi=300):保存图像到文件line_plot.png中,dpi参数指定输出分辨率。
柱状图

柱状图是一种用于比较不同组数据之间差异的图表。它通过将每个数据组的值表示为柱形的高度来显示差异。柱状图可用于比较不同分类数据的数量、频率或比率,用于显示该类别数据的相对大小。

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = ['A', 'B', 'C', 'D', 'E']
y1 = [3, 7, 2, 5, 9]
y2 = [5, 2, 6, 3, 1]

# 创建一个绘图窗口,大小为8x6英寸
plt.figure(figsize=(8, 6))

# 绘制柱状图
plt.bar(x, y1, color='lightblue', label='Group 1')
plt.bar(x, y2, color='pink', bottom=y1, label='Group 2')

# 添加图例,显示在右上角
plt.legend(loc='upper right')

# 添加标题和轴标签
plt.title('Bar Plot')
plt.xlabel('Category')
plt.ylabel('Value')

# 显示图像
plt.show()

示例结果:

python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • plt.bar(x, y1, color='lightblue', label='Group 1'):绘制柱状图,x是类别列表,y1是每个类别对应的值,label是该组数据的标签,用于图例中显示。color参数指定柱状图的颜色。
  • plt.bar(x, y2, color='pink', bottom=y1, label='Group 2'):绘制第二组数据的柱状图,bottom参数指定该组数据的底部位置。
  • plt.legend(loc='upper right'):添加图例,loc参数指定图例的位置,可以是字符串’upper right’等也可以是数字0~10。
  • plt.title('Bar Plot'):添加标题。
  • plt.xlabel('Category'):添加x轴标签。
  • plt.ylabel('Value'):添加y轴标签。
直方图

直方图用于展示数据的分布情况,通常用于分析数据集的偏态和峰态等特征。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(42)
data = np.random.normal(size=1000)

# 绘制直方图
fig, ax = plt.subplots()
ax.hist(data, bins=30, density=True, alpha=0.5, color='blue')

# 设置图表标题和坐标轴标签
ax.set_title('Histogram of Random Data', fontsize=16)
ax.set_xlabel('Value', fontsize=14)
ax.set_ylabel('Frequency', fontsize=14)

# 设置坐标轴刻度标签大小
ax.tick_params(axis='both', which='major', labelsize=12)

# 显示图表
plt.show()

示例结果:
python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • data:要绘制的数据集。
  • bins:直方图中的箱数。
  • density:是否将频数转换为概率密度。
  • alpha:直方图的透明度。
  • color:直方图的颜色。
  • ax.set_title():设置图表标题。
  • ax.set_xlabel():设置x轴标签。
  • ax.set_ylabel():设置y轴标签。
  • ax.tick_params():设置坐标轴刻度标签的大小。
饼图

饼图用于展示数据的占比情况,通常用于比较不同类别或部分之间的占比情况。

import matplotlib.pyplot as plt

# 生成数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['red', 'green', 'blue', 'yellow']

# 绘制饼图
fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)

# 设置图表标题
ax.set_title('Pie Chart of Data', fontsize=16)

# 显示图表
plt.show()

示例结果:
python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • labels:数据的类别标签。
  • sizes:数据的占比。
  • colors:数据的颜色。
  • autopct:占比的显示格式。
  • startangle:饼图的起始角度。
  • ax.set_title():设置图表标题。
括线图

括线图是一种用于比较不同组数据分布情况的图表。它用于显示数据的中位数、上下四分位数、最小值和最大值,可以帮助我们了解数据分布的形状、位置和离散程度。在括线图中,每个箱子代表数据的25%~75%分位数,中位线是每个箱子中的中位数,普通线是每个箱子之外的最小值和最大值。

import matplotlib.pyplot as plt

# 生成数据
data = [[3.4, 4.1, 3.8, 2.0], [2.3, 4.5, 1.2, 4.3]]

# 创建一个绘图窗口,大小为8x6英寸
plt.figure(figsize=(8, 6))

# 绘制括线图
bp = plt.boxplot(data, widths=0.5, patch_artist=True, notch=True)

# 设置每个箱线图的颜色和填充
for patch, color in zip(bp['boxes'], ['lightblue', 'pink']):
    patch.set_facecolor(color)

# 添加标题和轴标签
plt.title('Box Plot')
plt.xlabel('Group')
plt.ylabel('Data')

# 显示图像
plt.show()

示例结果:

python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • plt.boxplot(data, widths=0.5, patch_artist=True, notch=True):绘制括线图,data是一个包含两个列表的列表,表示两组数据。widths参数指定每个箱线图的宽度,patch_artist参数指定使用补丁来填充箱线图,notch参数指定绘制出箱线图中的记分牌。
  • patch.set_facecolor(color):设置每个箱线图的颜色和填充,zip函数可以将两个列表打包成一个元组,逐个取出元组的值。
  • plt.title('Box Plot'):添加标题。
  • plt.xlabel('Group'):添加x轴标签。
  • plt.ylabel('Data'):添加y轴标签。
散点图

散点图是一种用于展示两个变量之间关系的图表。每个点代表一个数据点,它的位置由变量的值确定。散点图可用于寻找变量之间的相关性,并显示数据中的任何异常值或离群值。

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.random.normal(size=100)
y = np.random.normal(size=100)

# 创建一个绘图窗口,大小为8x6英寸
plt.figure(figsize=(8, 6))

# 绘制散点图
plt.scatter(x, y, s=50, alpha=0.5)

# 添加标题和轴标签
plt.title('Scatter Plot')
plt.xlabel('x')
plt.ylabel('y')

# 显示图像
plt.show()

示例结果:

python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • plt.scatter(x, y, s=50, alpha=0.5):绘制散点图,x和y是数据点的x坐标和y坐标,s指定点的大小,alpha指定点的透明度。
  • plt.title('Scatter Plot'):添加标题。
  • plt.xlabel('x'):添加x轴标签。
  • plt.ylabel('y'):添加y轴标签。
箱线图

箱线图用于展示数据的分布情况和异常值等信息,通常用于比较不同数据集之间的差异。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(42)
data = np.random.normal(size=(100, 4), loc=0, scale=1.5)

# 绘制箱线图
fig, ax = plt.subplots()
ax.boxplot(data, notch=True, sym='o', vert=True, whis=1.5)

# 设置图表标题和坐标轴标签
ax.set_title('Boxplot of Random Data', fontsize=16)
ax.set_xlabel('Variable', fontsize=14)
ax.set_ylabel('Value', fontsize=14)

# 设置坐标轴刻度标签大小
ax.tick_params(axis='both', which='major', labelsize=12)

# 显示图表
plt.show()

示例结果:
python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • data:要绘制的数据集。
  • notch:是否绘制缺口。
  • sym:异常值的标记形状。
  • vert:是否垂直绘制箱线图。
  • whis:箱线图的须长度,以四分位距的1.5倍为标准。
  • ax.set_title():设置图表标题。
  • ax.set_xlabel():设置x轴标签。
  • ax.set_ylabel():设置y轴标签。
  • ax.tick_params():设置坐标轴刻度标签的大小。
热力图

热力图用于展示数据之间的关系和趋势,通常用于分析二维数据的相关性和变化。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(42)
data = np.random.normal(size=(10, 10), loc=0, scale=1)

# 绘制热力图
fig, ax = plt.subplots()
im = ax.imshow(data, cmap='YlOrRd')

# 添加颜色条
cbar = ax.figure.colorbar(im, ax=ax)
cbar.ax.set_ylabel('Values', rotation=-90, va='bottom')

# 添加轴标签和标题
ax.set_xticks(np.arange(len(data)))
ax.set_yticks(np.arange(len(data)))
ax.set_xticklabels(np.arange(1, len(data)+1))
ax.set_yticklabels(np.arange(1, len(data)+1))
ax.set_title('Heatmap of Random Data', fontsize=16)

# 显示图表
plt.show()

示例结果:
python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • data:要绘制的数据集。
  • cmap:颜色映射,用于表示数据大小的颜色范围。
  • ax.imshow():绘制热力图。
  • cbar.ax.set_ylabel():设置颜色条的标签。
  • ax.set_xticks():设置x轴刻度标签。
  • ax.set_yticks():设置y轴刻度标签。
  • ax.set_xticklabels():设置x轴刻度标签的标签名。
  • ax.set_yticklabels():设置y轴刻度标签的标签名。
  • ax.set_title():设置图表标题。
树状图

树状图用于展示数据之间的层次结构和关系,通常用于分析树形结构和组织架构等问题。

import matplotlib.pyplot as plt

# 绘制树状图
fig, ax = plt.subplots()

ax.barh('CEO', 1, color='black')
ax.barh('VP1', 0.8, left=1, color='gray')
ax.barh('VP2', 0.8, left=1, color='gray')
ax.barh('Manager1', 0.6, left=1.8, color='gray')
ax.barh('Manager2', 0.6, left=1.8, color='gray')
ax.barh('Manager3', 0.6, left=1.8, color='gray')
ax.barh('Supervisor1', 0.4, left=2.4, color='gray')
ax.barh('Supervisor2', 0.4, left=2.4, color='gray')
ax.barh('Supervisor3', 0.4, left=2.4, color='gray')
ax.barh('Staff1', 0.2, left=3.2, color='gray')
ax.barh('Staff2', 0.2, left=3.2, color='gray')
ax.barh('Staff3', 0.2, left=3.2, color='gray')
ax.barh('Staff4', 0.2, left=3.2, color='gray')

# 设置轴标签和标题
ax.set_yticks([])
ax.set_xlim(0, 4)
ax.set_xlabel('Hierarchy', fontsize=14)
ax.set_title('Tree Diagram of Organization', fontsize=16)

# 显示图表
plt.show()

示例结果:
python绘图设置图例,python,matplotlib,开发语言

参数说明:

  • ax.barh():绘制水平条形图。
  • ax.set_yticks():设置y轴刻度标签。
  • ax.set_xlim():设置x轴坐标范围。
  • ax.set_xlabel():设置x轴标签。
  • ax.set_title():设置图表标题。

到了这里,关于Python中使用matplotlib绘制各类图表示例的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Python数据可视化:如何使用Matplotlib创建漂亮的图表

    Python是一种易于学习的编程语言,很受数据科学家和分析师的青睐。Python的数据可视化库Matplotlib是一种用于创建图表的强大工具,可以帮助我们在数据分析中更好地理解和呈现数据。 在本文中,我们将介绍如何使用Matplotlib创建各种类型的图表,包括折线图、柱状图、散点图

    2024年02月10日
    浏览(52)
  • python使用matplotlib库绘制数学函数

    ** ** matplotlib是python的绘画库,它可以与NumPy一起使用,提供了一种轻量级的MatLab开源高效替代方案。它可以和图形工具包PyQt等工具 一起配合使用,能够完成日常科学计算中多种数学库图可视化任务。 步骤1:使用pip安装matplotlib库 在终端输入 pip install matplotlib 命令,如下图所

    2024年02月12日
    浏览(50)
  • C++ Qt开发:Charts绘制各类图表详解

    Qt 是一个跨平台C++图形界面开发库,利用Qt可以快速开发跨平台窗体应用程序,在Qt中我们可以通过拖拽的方式将不同组件放到指定的位置,实现图形化开发极大的方便了开发效率,本章将重点介绍 TreeWidget 与 QCharts 的常用方法及灵活运用。 在之前的文章中笔者介绍了如何使

    2024年02月04日
    浏览(48)
  • python使用matplotlib实现折线图的绘制

    一、意义 数据可视化可以以简洁的方式呈现出数据,发现众多数据中隐藏的规律和意义。Matplotlib是一个数学绘图库。利用它可以制作简单的图表(散点图、折线图)。然后,将基于漫步概念生成一个更有趣的数据集–根据一系列随机决策生成的图表。本文我们主要练习折线

    2024年02月12日
    浏览(34)
  • Python使用Matplotlib绘制三维折线图(进阶篇)

    三维图像技术是现在国际最先进的计算机展示技术之一,任何普通电脑只需要安装一个插件,就可以在网络浏览器中呈现三维的产品,不但逼真,而且可以动态展示产品的组合过程,特别适合远程浏览。 立体图视觉上层次分明色彩鲜艳,具有很强的视觉冲击力,让观看的人驻

    2024年02月05日
    浏览(63)
  • Python中Matplotlib库的使用(三)—— Matplotlib绘制图的常用类型

    plot(x,y) plot(x, y) 函数用于绘制折线图。折线图是一种用来展示连续数据之间关系的图表类型,适用于表示数据随着一个或多个变量的变化而变化的情况。 具体来说, plot(x, y) 函数接受两个参数: x :表示X轴上的数据点的值,通常是一个数组或列表,表示自变量的取值。 y :

    2024年02月03日
    浏览(73)
  • 【100天精通Python】Day65:Python可视化_Matplotlib3D绘图mplot3d,绘制3D散点图、3D线图和3D条形图,示例+代码

      mpl_toolkits.mplot3d 是 Matplotlib 库中的一个子模块,用于绘制和可视化三维图形,包括三维散点图、曲面图、线图等。它提供了丰富的功能来创建和定制三维图形。以下是 mpl_toolkits.mplot3d 的主要功能和功能简介: 3D 散点图 :通过 scatter 函数,你可以绘制三维散点图,用于显示

    2024年02月07日
    浏览(57)
  • 使用Matplotlib在Python中绘制三维散点图

    什么是Matplotlib? Matplotlib是Python中的一个库,用于创建静态和动态动画,并使用其内置函数绘制。它有很多内置特性和内置分析工具,用于分析任何图形或图表。 如果我们想绘制任何三维图形,那么我们可以使用Matplotlib库。当我们有一个巨大的三维变量数据集,我们绘制它

    2024年02月12日
    浏览(45)
  • Python 数据可视化教程 - 如何使用 pyecharts 绘制多条折线图表

    部分数据来源: ChatGPT   引言         本文主要介绍如何使用 Python 中的 pyecharts 库,绘制多条折线图表。在本例中,我们将展示各国的 COVID-19 确诊人数数据。 1、首先,我们需要导入必要的库: 其中, json  库用于解析 JSON 数据, pyecharts  库用于绘图, TitleOpts 、 Lege

    2024年02月09日
    浏览(56)
  • 【Python】Python中使用Matplotlib绘制折线图、散点图、饼形图、柱形图和箱线图

    python数据可视化课程,实验二 Matplotlib 中文API:API 概览 | Matplotlib 一、实验任务的数据背景 提供的源数据(数据文件employee.csv)共拥有4个特征,分别为就业人员、第一产业就业人员、第二产业就业人员、第三产业就业人员。根据3个产业就业人员的数量绘制散点图和折线图。

    2023年04月15日
    浏览(96)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包