数据可视化复习2-绘制折线图+条形图（叠加条形图，并列条形图，水平条形图）+ 饼状图 + 直方图

一、绘制折线图

1.使用pyplot

2.使用numpy

编辑

3.使用DataFrame

编辑

二、绘制条形图（柱状图）

1.简单条形图

2.绘制叠加条形图

3.绘制并列条形图

4.水平条形图

编辑

三、绘制饼状图

四、绘制散点图和直方图

1.散点图

2.直方图

一、绘制折线图

1.使用pyplot

import matplotlib.pyplot as plt
x = [1,2,3,4,5]
y = [1,2,3,4,5]
# 调用绘制线性图函数plot
plt.plot(x,y,color='#3589FF',    # 线的颜色linestyle=':',      # 线的风格linewidth=2,        # 线的宽度marker='o',         # 标记点样式markerfacecolor='r',# 标记点颜色markersize=10,      # 标记点的大小alpha=1,            # 图形的透明度label="x=y"         # 设置图例的label
)
plt.legend()
plt.show()

2.使用numpy

import numpy as np
plt.rcParams['font.sans-serif'] = "SimSong"
# numpy数据
y1 = np.random.random(6) # 第1条折线y轴
y2 = np.random.random(6) # 第2条折线y轴
x = np.arange(6) # 公用的x轴plt.plot(x, y1, label='成都') # 绘制第1条折线图
plt.plot(x, y2, label='武汉') # 绘制第2条折线图
plt.legend(loc='best') # 显示折线plt.title('各城市房价(单位: 万)', fontsize=20) # 设置标题 和 标题大小
index_name = ['1月', '2月', '3月', '4月', '5月', '6月'] # 设置刻度
plt.xticks(x, index_name) # 将x坐标刻度数值与字符对应plt.show() # 显示图形

其中，这句代码的效果是，它将x数组中的数值与index_name列表中的字符串对应起来，并显示在图表的x轴上。这样，图表的x轴上将显示’1月’、‘2月’、‘3月’、‘4月’、‘5月’和’6月’，而不是默认的数值刻度。这对于增强图表的可读性和直观性非常有用，特别是当x轴代表时间序列时

index_name = ['1月', '2月', '3月', '4月', '5月', '6月'] # 设置刻度
plt.xticks(x, index_name) # 将x坐标刻度数值与字符对应

如果没有这段代码会发生

3.使用DataFrame

import pandas as pd
# 使用DataFrame数据
data_frame = pd.DataFrame({'Python基础': np.random.randint(10, 100, 5),'Python爬虫': np.random.randint(10, 100, 5),'Python Web': np.random.randint(10, 100, 5),
})plt.plot(data_frame, marker='o')# 显示图例
plt.legend(data_frame, loc=2)# 设置x轴刻度标签
plt.xticks([0, 1, 2, 3, 4], ['1月', '2月', '3月', '4月', '5月'])
plt.title('2020年课程购买人数')
plt.xlabel('月份')
plt.ylabel('购买人数')# 设置网格的宽度
plt.grid()# 显示图形
plt.show()

二、绘制条形图（柱状图）

1.简单条形图

下面这段代码是使用matplotlib库中的pyplot模块绘制条形图

matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

参数：

参数名	描述	默认值
x	条形图x轴的位置序列，即条形图基线的位置。	无（必须提供）
height	条形图y轴的值，即条形图的高度。	无（必须提供）
width	条形图的宽度。	0.8
bottom	条形图的底部y坐标，表示条形图从哪个y坐标开始。	None
align	条形图的对齐方式，'center’表示条形图中心对齐，'edge’表示边缘对齐。	‘center’
data	要绘制的数据。	None
**kwargs	传递给条形图的其它参数，如颜色、标签等。	无

绘制一个简单的条形图

x = [1,2,3,4,5]
height = [2.5,3.5,4.5,5.6,6.9]
plt.bar(x,height)

给条形图上方添加说明

# 给坐标为 （1,2.5）位置上方添加2.5说明
plt.text(1,2.5,2.5)

# 使这个说明居中，并且在条形图底部
plt.text(1,2.5,2.5,ha='center',va='bottom') #通常使用bottom
# 使这个说明居中，并且在条形图上部
plt.text(1,2.5,2.5,ha='center',va='top')

# 给每个条形图添加说明，使用zip
# zip 的作用就是将x和height 合并成一个元组，通过for循环赋值给x，height
for x,height in zip(x,height):plt.text(x,height,height,ha='center',va='bottom')

补充元素

x = [1,2,3,4,5]
height = [2.5,3.5,4.5,5.6,6.9]
index_name = ['星期一','星期二','星期三','星期四','星期五']
plt.xticks(x,index_name)
plt.bar(x,height)
plt.title('销售量(单位：万元)')
for x,height in zip(x,height):plt.text(x,height,height,ha='center',va='bottom')
plt.show()

2.绘制叠加条形图

x = [1,2,3,4,5]
height1 = [2.5,3.5,4.5,5.6,6.9]
height2 = [2,3,4,5,6]
index_name = ['星期一','星期二','星期三','星期四','星期五']
plt.xticks(x,index_name)
plt.bar(x,height1) # 绘制第一个条形图
plt.bar(x,height2,color='g') # 绘制第二个条形图
plt.title('销售量(单位：万元)')
plt.show()

bottom参数用于指定堆叠条形图的起始位置

在下面的例子中，bottom=height1表示第二个条形图的底部是第一个条形图的顶部

plt.bar(x,height1,label='python销量') # 绘制第一个条形图
# 
plt.bar(x,height2,color='g',bottom=height1,label='c语言销量') # 绘制第二个条形图
plt.legend()

设置图形大小和图形像素，这样图片就更大一些了

plt.figure(figsize=(8,8),dpi=100)

测试代码

plt.figure(figsize=(8,8),dpi=100)
x = [1,2,3,4,5]
height1 = [2.5,3.5,4.5,5.6,6.9]
height2 = [2,3,4,5,6]
index_name = ['星期一','星期二','星期三','星期四','星期五']
plt.xticks(x,index_name)
plt.bar(x,height1,label='python销量') # 绘制第一个条形图
plt.bar(x,height2,color='g',bottom=height1,label='c语言销量') # 绘制第二个条形图
plt.title('销售量(单位：万元)')
plt.legend()
plt.show()

3.绘制并列条形图

这里就需要使用numpy，便于相减

注意plt.bar中参数顺序

plt.figure(figsize=(8,8),dpi=100)# 使用numpy
x = np.arange(5)
height1 = [2.5,3.5,4.5,5.6,6.9]
height2 = [2,3,4,5,6]
index_name = ['星期一','星期二','星期三','星期四','星期五']
plt.xticks(x,index_name)#条形图宽度为0.3
bar_width=0.3
plt.bar(x,height1,bar_width,label='python销量') # 绘制第一个条形图# 第二个条形图其实位置为x+bar_width
plt.bar(x+bar_width,height2,bar_width,color='g',label='c语言销量') # 绘制第二个条形图
plt.title('销售量(单位：万元)')
plt.legend()
plt.show()

但是底部的x轴课表对应不美观，于是调一下xticks

plt.xticks(x+bar_width/2,index_name) # 加bar_width的一半

实验代码

plt.figure(figsize=(8,8),dpi=100)# 使用numpy
x = np.arange(5)
height1 = [2.5,3.5,4.5,5.6,6.9]
height2 = [2,3,4,5,6]
index_name = ['星期一','星期二','星期三','星期四','星期五']#条形图宽度为0.3
bar_width=0.3
plt.bar(x,height1,bar_width,label='python销量') # 绘制第一个条形图# 第二个条形图其实位置为x+bar_width
plt.bar(x+bar_width,height2,bar_width,color='g',label='c语言销量') # 绘制第二个条形图
plt.title('销售量(单位：万元)')plt.xticks(x+bar_width/2,index_name) # 加bar_width的一半
plt.legend()
plt.show()

4.水平条形图

plt.figure(figsize=(8,8),dpi=100)
index_name = ['python','c语言','java','cpp','php']
y = [1,2,3,4,5]
plt.yticks(y,index_name)
width=[2.5,3.6,4.7,5.8,6.9]# barh以水平方式画条形图，h就是水平的意思
plt.barh(y,width)plt.text(2.5,1,2.5)
plt.text(3.6,2,3.6)
plt.text(4.7,3,4.7)
plt.text(5.8,4,5.8)
plt.text(6.9,5,6.9)plt.show()

三、绘制饼状图

import matplotlib.pyplot as plt  # 导入matplotlib.pyplot模块，用于绘制图表plt.figure(figsize=(6, 6), dpi=100)  # 创建一个新图形，并设置图形大小为6x6英寸，分辨率为100 DPI
labels = ['A', 'B', 'C', 'D', 'E']  # 定义饼图的标签列表
x = [10, 20, 30.5, 40.6, 50.7]  # 定义饼图的各个部分的值
explode = [0, 0.1, 0, 0, 0]  # 定义饼图各个部分的突出显示程度，这里只突出显示第二个部分plt.pie(x, labels=labels, autopct='%.2f%%', explode=explode)  # 绘制饼图，设置标签、自动百分比格式和突出显示
plt.legend()  # 显示图例，用于解释各个部分的含义
plt.show()  # 显示绘制好的饼图

其中对于pie函数内部，如果参数顺序对不上，可以强行指定参数顺序如 labels=labels

四、绘制散点图和直方图

1.散点图

我们可以通过绘制折线图方式绘制一个简单的散点图

x = [1,2,3,4,5]
y = [1,2,3,4,5]
plt.plot(x,y)

# 设置点的样式为o，颜色为红色
plt.plot(x,y,'ro')
# bo就是蓝色

除了通过折线图绘制散点图外。matplotlib中还提供了scatter函数绘制散点图

plt.scatter 是 Matplotlib 库中的一个函数，用于在二维空间中绘制散点图。

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, *, data=None, **kwargs)

参数名	描述	示例值或默认值
x, y	这些是位置参数，分别表示散点图中每个点的 x 和 y 坐标。	x = [1, 2, 3, …], y = [4, 5, 6, …]
s	散点的大小。如果是一个标量，那么所有的点都会是这个大小。	s = 100
c	散点的颜色。如果是一个标量，那么所有的点都会是这个颜色。	c = ‘blue’
marker	散点的形状。默认值是 None，此时使用 ‘o’（圆形）。	marker = ‘s’
cmap	颜色映射，用于将数据值映射到颜色。仅在 c 是一个浮点数数组时使用。	cmap = plt.cm.viridis
norm	用于缩放 c 的颜色数据，使其在 0 和 1 之间。	norm = plt.Normalize(vmin=0, vmax=1)
vmin, vmax	当 norm 是 None 时，这两个参数用于将 c 的数据缩放到颜色映射的范围内。	vmin = 0, vmax = 1
alpha	散点的透明度。值在 0（完全透明）到 1（完全不透明）之间。	alpha = 0.5
linewidths	散点边缘的线宽。默认值是 None，此时不绘制边缘。	linewidths = 1
edgecolors	散点边缘的颜色。默认值是 None，此时边缘颜色与散点颜色相同。	edgecolors = ‘black’
data	如果提供，那么 x, y, s, c 等参数可以通过字符串来指定，这些字符串将映射到 data 的列。	data = None
**kwargs	其他关键字参数，可以传递给 Line2D 对象，用于进一步自定义散点图。	**kwargs = {}

x = [1,2,3,4,5]
y = [1,2,3,4,5]
plt.scatter(x,y)
plt.show()

设置点的颜色为红色

plt.scatter(x,y,color='r')

# 设置散点图中点的大小 -- 随机大小
size = np.random.rand(5)*200
plt.scatter(x,y,color='g',s=size)

# 绘制多个散点图
x = [1,2,3,4,5]
y = [1,2,3,4,5]
a = np.random.rand(10)
b = np.random.rand(10)
size = np.random.rand(5)*200
plt.scatter(x,y,color='y',s=size)
plt.scatter(a,b,color='b',s=size)
plt.show()

2.直方图

直方图是一种用于显示数值数据分布的柱状图。它通过将数据分成若干个区间（或称为“箱子”），然后绘制每个区间内数据的数量或频率来表示数据的分布情况。直方图可以用来展示数据的集中趋势、离散程度以及是否存在异常值等。

直方图是由竖立在x轴上的多个相邻的矩形组成，这些矩形把x轴拆分为一段段彼此不重叠的线段；每个矩形都是有面积的，那么它的面积和所对应的直方图元素的个数是成正比，这种方法就可以用于样本分布统计

x = [1,2,3,4,5]
plt.hist(x) # 绘制直方图
plt.show()

# 更改x的值观察一下
x = [1,2,3,4,5,1.1,1.2,1.3]
plt.hist(x) # 绘制直方图
plt.show()

# 下面使用直方图绘制一个正态分布
# 使用 NumPy 的 random.normal 函数生成一个包含 100000 个随机数的数组。normal(0,1) 表示生成的数据符合均值为 0、标准差为 1 的正态分布。
data = np.random.normal(0,1,100000)
# bins=200 指定了直方图的箱数，即横轴（x轴）的划分数量。每个箱代表数据中一个范围的数据值，直方图的高度表示该范围内数据点的数量。
plt.hist(data,bins=200)
plt.show()