Python数据分析-matplotlib

type

status

date

slug

summary

引言

当谈论数据分析和数据可视化时，Matplotlib是一个强大的工具，它不仅提供了丰富的功能，还允许用户创建高质量的图形和图表。本篇博客旨在帮助你掌握Matplotlib的基础知识和高级技巧，以便你能够有效地利用它来展示数据、解释趋势和传达信息。

在这篇博客中，我们将深入探讨Matplotlib的各个方面，从数据可视化的基础开始，包括折线图、散点图、条形图、直方图和饼图等，一直到更高级的图形元素，如图形注释、箭头、图例高级用法、区域填充和阴影效果。我们还将学习如何创建三维数据可视化、动画和交互式控件，以及如何导出图形文件、设置图形风格和自定义色彩和配色方案。

本文提供了各种示例代码，图像就不提供出来了，简单示例可以通过复制代码运行获得图像
原因：个人采用的是github图床，利用jsDelivr 提供的全球 CDN 加速
github 和jsdelivr 都有大小限制： GitHub 图床仓库大小不能超过1G。因为GitHub 原则上是反对仓库图床化的，当仓库超过1G 后会有人工审核仓库内容，如果发现用来做图床，轻则删库重则封号
当然，主要还是简单图例我觉得太多，太麻烦......放重点图例吧哈哈

1. Matplotlib 简介和安装

Matplotlib简介：Matplotlib是Python中最常用的数据可视化库之一，用于创建静态、动态、交互式图表。

安装Matplotlib：使用pip或conda可以轻松安装Matplotlib。

示例代码：

python


   # 安装Matplotlib
   !pip install matplotlib

2. Matplotlib 绘图原理

绘图原理：Matplotlib采用面向对象的方式来创建图表。所有图表元素都是对象，从Figure对象到Axes对象，都是构建图表的关键部分。

3. Matplotlib 常用模块和函数

`pyplot` 模块

pyplot简介：pyplot是Matplotlib的一个子模块，提供了一种类似于MATLAB的界面，用于绘制图表。

示例代码：

python


   import matplotlib.pyplot as plt

`Figure` 对象和子图

Figure对象：Figure对象是图表的顶层容器，用于容纳图表中的所有元素。

子图：子图是Axes对象的容器，用于在一个Figure对象中容纳多个图表。

示例代码：

python


   # 创建一个Figure对象
   fig = plt.figure()
   # 创建一个子图
   ax = fig.add_subplot(111)

`Axes` 对象和坐标系

Axes对象：Axes对象是图表的主要绘图区域，用于绘制数据点、线条、文本等。

坐标系：Axes对象具有X和Y坐标轴，你可以在坐标轴上绘制数据。

示例代码：

python


   # 绘制一条线
   ax.plot([0, 1, 2], [0, 1, 4])

图形属性设置

线条样式：通过linestyle参数设置线条样式。

颜色：通过color参数设置线条颜色。

标记点：通过marker参数设置标记点样式。

示例代码：

python


   # 自定义线条样式、颜色和标记点
   ax.plot([0, 1, 2], [0, 1, 4], linestyle='--', color='red', marker='o')

文本标注和注释

添加文本标注：使用text()函数在图表中添加文本标注。

添加注释：使用annotate()函数添加带箭头的注释。

示例代码：

python


   # 添加文本标注
   ax.text(1, 3, 'Data Point (1, 3)')
   # 添加注释
   ax.annotate('Max Value', xy=(2, 4), xytext=(1.5, 3.5),
               arrowprops=dict(arrowstyle='->'))

python


import matplotlib.pyplot as plt

# 创建一个Figure对象
fig = plt.figure()
# 创建一个子图
ax = fig.add_subplot(111)

# 调整坐标轴刻度线和标签的颜色为白色——我的jupyter notebook的背景色是黑色，改与自己主题颜色适应的坐标轴颜色
ax.tick_params(axis='both', colors='white')

# 绘制一条线
ax.plot([0, 1, 2], [0, 1, 4])

# 自定义线条样式、颜色和标记点
ax.plot([0, 1, 2], [0, 1, 4], linestyle='--', color='red', marker='o')

# 添加文本标注
ax.text(1, 3, 'Data Point (1, 3)')

# 添加注释
ax.annotate('Max Value', xy=(2, 4), xytext=(1.5, 3.5),
            arrowprops=dict(arrowstyle='->'))

plt.show()

4.折线图绘制

单条折线图

绘制一个简单的单条折线图。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [10, 8, 12, 15, 7]

# 绘制折线图
plt.plot(x, y, label='Line 1', marker='o', linestyle='-', color='blue')

# 添加标题和标签
plt.title('单条折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.plot(x, y, label='Line 1', marker='o', linestyle='-', color='blue')：这行代码绘制了折线图。x和y分别是X轴和Y轴的数据，label用于设置图例标签，marker指定标记点的样式，linestyle设置线条样式，color设置线条颜色。

plt.title('单条折线图')：添加标题。

plt.xlabel('X轴') 和 plt.ylabel('Y轴')：添加X轴和Y轴的标签。

plt.legend()：显示图例。

plt.show()：显示图表。

多条折线图

绘制多条折线图。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3, 4, 5]
y1 = [10, 8, 12, 15, 7]
y2 = [5, 12, 6, 8, 11]

# 绘制多条折线图
plt.plot(x, y1, label='Line 1', marker='o', linestyle='-', color='blue')
plt.plot(x, y2, label='Line 2', marker='x', linestyle='--', color='red')

# 添加标题和标签
plt.title('多条折线图')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图例
plt.legend()

# 显示图表
plt.show()

5.散点图绘制

散点图基本绘制

绘制一个基本的散点图。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [10, 8, 12, 15, 7]

# 绘制散点图
plt.scatter(x, y, label='Data Points', color='blue', marker='o')

# 添加标题和标签
plt.title('基本散点图')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.scatter(x, y, label='Data Points', color='blue', marker='o')：这行代码绘制了散点图。x和y分别是X轴和Y轴的数据，label用于设置图例标签，color设置散点的颜色，marker指定散点的样式。

散点图颜色映射

使用颜色映射来为散点图中的数据点添加颜色。下面是一个带有颜色映射的散点图示例：

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.random.rand(100)
y = np.random.rand(100)
colors = np.random.rand(100)  # 随机生成颜色数据

# 绘制散点图，使用颜色映射
plt.scatter(x, y, c=colors, cmap='viridis', label='Data Points')

# 添加标题和标签
plt.title('散点图颜色映射')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 添加颜色映射条
plt.colorbar()

# 显示图例
plt.legend()

# 显示图表
plt.show()

c=colors：通过c参数指定颜色数据。

cmap='viridis'：通过cmap参数指定颜色映射。

散点图大小映射

根据数据的大小来映射散点的大小。下面是一个带有大小映射的散点图示例：

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.random.rand(100)
y = np.random.rand(100)
sizes = np.random.rand(100) * 100  # 随机生成大小数据

# 绘制散点图，使用大小映射
plt.scatter(x, y, s=sizes, label='Data Points', alpha=0.7)

# 添加标题和标签
plt.title('散点图大小映射')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 显示图例
plt.legend()

# 显示图表
plt.show()

s=sizes：通过s参数指定大小数据。

alpha=0.7：通过alpha参数设置散点的透明度。

6.条形图绘制

水平条形图

绘制一个水平条形图。

python


import matplotlib.pyplot as plt

# 创建示例数据
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [30, 50, 40, 60]

# 绘制水平条形图
plt.barh(categories, values, color='skyblue')

# 添加标题和标签
plt.title('水平条形图')
plt.xlabel('值')
plt.ylabel('类别')

# 显示图表
plt.show()

plt.barh(categories, values, color='skyblue')：这行代码绘制了水平条形图。categories是类别标签，values是条形的值，color设置条形的颜色。

垂直条形图

绘制一个垂直条形图。

python


import matplotlib.pyplot as plt

# 创建示例数据
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [30, 50, 40, 60]

# 绘制垂直条形图
plt.bar(categories, values, color='salmon')

# 添加标题和标签
plt.title('垂直条形图')
plt.xlabel('类别')
plt.ylabel('值')

# 显示图表
plt.show()

plt.bar(categories, values, color='salmon')：这行代码绘制了垂直条形图，参数设置与水平条形图类似。

分组条形图和堆积条形图

分组条形图和堆积条形图可以通过调整数据和条形的宽度来创建。以下是一个示例：

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values1 = [30, 50, 40, 60]
values2 = [20, 40, 60, 30]
width = 0.35  # 条形的宽度

# 计算每个类别的中心位置
x = np.arange(len(categories))

# 绘制分组条形图
plt.bar(x - width/2, values1, width, label='Group 1', color='skyblue')
plt.bar(x + width/2, values2, width, label='Group 2', color='salmon')

# 添加标题和标签
plt.title('分组条形图')
plt.xlabel('类别')
plt.ylabel('值')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.bar(x - width/2, values1, width, label='Group 1', color='skyblue')：这行代码绘制了两组分组条形图。x - width/2用于确定第一组的位置，x + width/2用于确定第二组的位置。

7.直方图绘制

单变量直方图

绘制一个单变量直方图，以探索单个变量的分布。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据（单变量）
data = np.random.randn(1000)

# 绘制单变量直方图
plt.hist(data, bins=20, color='skyblue', edgecolor='black')

# 添加标题和标签
plt.title('单变量直方图')
plt.xlabel('值')
plt.ylabel('频率')

# 显示图表
plt.show()

plt.hist(data, bins=20, color='skyblue', edgecolor='black')：这行代码绘制了单变量直方图。data是要分析的数据，bins参数指定了直方图的箱数，color设置直方图的颜色，edgecolor设置边界颜色。

双变量直方图

绘制一个双变量直方图，用于探索两个变量之间的关系。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据（双变量）
x = np.random.randn(1000)
y = 2 * x + np.random.randn(1000)

# 绘制双变量直方图
plt.hist2d(x, y, bins=20, cmap='viridis')

# 添加标题和标签
plt.title('双变量直方图')
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 添加颜色条
plt.colorbar()

# 显示图表
plt.show()

plt.hist2d(x, y, bins=20, cmap='viridis')：这行代码绘制了双变量直方图。x和y是两个变量，bins参数指定了直方图的箱数，cmap参数设置颜色映射。

直方图密度曲线

直方图密度曲线也被称为核密度估计，它可用于估计数据的连续概率密度。

python


import matplotlib.pyplot as plt
import numpy as np
from scipy.stats import norm

# 创建示例数据
data = np.random.randn(1000)

# 绘制直方图
plt.hist(data, bins=20, density=True, color='skyblue', alpha=0.7, edgecolor='black')

# 绘制密度曲线
mu, std = norm.fit(data)
xmin, xmax = plt.xlim()
x = np.linspace(xmin, xmax, 100)
p = norm.pdf(x, mu, std)
plt.plot(x, p, 'k', linewidth=2)

# 添加标题和标签
plt.title('直方图和密度曲线')
plt.xlabel('值')
plt.ylabel('密度')

# 显示图表
plt.show()

plt.hist(data, bins=20, density=True, color='skyblue', alpha=0.7, edgecolor='black')：这行代码绘制了直方图，density=True参数将频率转换为密度。

norm.fit(data)：使用正态分布拟合数据以绘制密度曲线。

norm.pdf(x, mu, std)：使用正态分布的概率密度函数绘制密度曲线。

8.饼图绘制

基本饼图

绘制一个基本的饼图，以表示数据占比。

python


import matplotlib.pyplot as plt

# 创建示例数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['skyblue', 'salmon', 'lightgreen', 'lightcoral']

# 绘制基本饼图
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)

# 添加标题
plt.title('基本饼图')

# 显示图表
plt.show()

plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)：这行代码绘制了基本饼图。sizes是数据占比，labels是每个切片的标签，colors是切片颜色，autopct用于在饼图中显示百分比，startangle指定饼图的起始角度。

饼图切片突出和排序

可以通过突出某个切片来强调数据，也可以通过排序来改变切片的顺序。

python


import matplotlib.pyplot as plt

# 创建示例数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['skyblue', 'salmon', 'lightgreen', 'lightcoral']

# 突出切片 B
explode = (0, 0.1, 0, 0)

# 绘制突出切片的饼图并排序
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90, explode=explode, shadow=True)

# 添加标题
plt.title('突出切片和排序的饼图')

# 显示图表
plt.show()

explode = (0, 0.1, 0, 0)：通过explode参数，我们突出了切片 B。

shadow=True：为饼图添加阴影效果。

饼图标签和百分比

可以在饼图上添加标签和百分比。

python


import matplotlib.pyplot as plt

# 创建示例数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['skyblue', 'salmon', 'lightgreen', 'lightcoral']

# 绘制饼图并添加标签和百分比
plt.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90, pctdistance=0.85)

# 添加标题
plt.title('带标签和百分比的饼图')

# 显示图表
plt.show()

autopct='%1.1f%%'：通过autopct参数，我们在饼图中显示百分比。

pctdistance=0.85：通过pctdistance参数，我们调整了百分比标签的位置。

9.坐标系

轴范围和刻度设置

可以使用plt.xlim()和plt.ylim()函数设置X轴和Y轴的范围，并使用plt.xticks()和plt.yticks()函数设置刻度。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图表
plt.plot(x, y, label='sin(x)')

# 设置X轴和Y轴范围
plt.xlim(0, 10)
plt.ylim(-1, 1)

# 设置X轴和Y轴刻度
plt.xticks(np.arange(0, 11, 2))
plt.yticks([-1, -0.5, 0, 0.5, 1])

# 添加标题
plt.title('坐标系范围和刻度设置')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.xlim(0, 10)：通过plt.xlim()函数，我们设置了X轴范围为0到10。

plt.ylim(-1, 1)：通过plt.ylim()函数，我们设置了Y轴范围为-1到1。

plt.xticks(np.arange(0, 11, 2))：通过plt.xticks()函数，我们设置了X轴的刻度为0到10，步长为2。

plt.yticks([-1, -0.5, 0, 0.5, 1])：通过plt.yticks()函数，我们设置了Y轴的刻度为指定的值。

轴标签和标题

可以使用plt.xlabel()和plt.ylabel()函数设置X轴和Y轴的标签，使用plt.title()函数设置标题。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图表
plt.plot(x, y, label='sin(x)')

# 设置X轴和Y轴标签
plt.xlabel('X轴')
plt.ylabel('Y轴')

# 添加标题
plt.title('坐标系标签和标题设置')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.xlabel('X轴')：通过plt.xlabel()函数，我们设置了X轴的标签。

plt.ylabel('Y轴')：通过plt.ylabel()函数，我们设置了Y轴的标签。

plt.title('坐标系标签和标题设置')：通过plt.title()函数，我们设置了图表的标题。

网格线设置

可以使用plt.grid()函数来设置网格线的显示和样式。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 绘制图表
plt.plot(x, y, label='sin(x)')

# 启用网格线
plt.grid(True)

# 添加标题
plt.title('网格线设置')

# 显示图例
plt.legend()

# 显示图表
plt.show()

plt.grid(True)：通过plt.grid()函数，我们启用了网格线。

10.图形布局

子图分割和排列

使用plt.subplot()函数来创建和排列子图。此函数的参数包括行数、列数和子图的索引。

python


import matplotlib.pyplot as plt

# 创建一个2x2的子图布局，选择第一个子图
plt.subplot(2, 2, 1)
plt.plot([1, 2, 3, 4])
plt.title('子图1')

# 选择第二个子图
plt.subplot(2, 2, 2)
plt.plot([4, 3, 2, 1])
plt.title('子图2')

# 选择第三个子图
plt.subplot(2, 2, 3)
plt.plot([1, 2, 1, 2])
plt.title('子图3')

# 选择第四个子图
plt.subplot(2, 2, 4)
plt.plot([2, 1, 2, 1])
plt.title('子图4')

# 调整子图间距
plt.tight_layout()

# 显示图表
plt.show()

在这个示例中，创建了一个2x2的子图布局，并在每个子图中绘制了不同的数据。plt.subplot()函数用于选择要绘制的子图，使用plt.title()函数为每个子图添加标题。plt.tight_layout()用于自动调整子图的间距，以确保它们适合图表。

坐标系网格布局

Matplotlib还允许在单个图形中创建多个坐标系，以更复杂的方式排列它们。

python


import matplotlib.pyplot as plt

# 创建一个包含2x2坐标系的图形
fig, axes = plt.subplots(2, 2)

# 在每个坐标系中绘制数据
axes[0, 0].plot([1, 2, 3, 4])
axes[0, 0].set_title('坐标系1')

axes[0, 1].plot([4, 3, 2, 1])
axes[0, 1].set_title('坐标系2')

axes[1, 0].plot([1, 2, 1, 2])
axes[1, 0].set_title('坐标系3')

axes[1, 1].plot([2, 1, 2, 1])
axes[1, 1].set_title('坐标系4')

# 调整子图间距
plt.tight_layout()

# 显示图表
plt.show()

在这个示例中，使用plt.subplots()创建了一个包含2x2坐标系的图形，然后在每个坐标系中绘制了不同的数据。最后，plt.tight_layout()用于自动调整坐标系之间的间距。

11.多轴图绘制

共享轴和独立轴

使用plt.subplots()函数创建具有共享或独立轴的多轴图。

共享轴

python


import matplotlib.pyplot as plt
import numpy as np

# 创建一个具有共享X轴的多轴图
fig, axes = plt.subplots(2, 1, sharex=True)

# 绘制数据到不同子图
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

axes[0].plot(x, y1)
axes[0].set_title('共享X轴的子图1')

axes[1].plot(x, y2)
axes[1].set_title('共享X轴的子图2')

# 显示图表
plt.show()

在这个示例中，创建了一个具有共享X轴的多轴图，两个子图共享相同的X轴。

独立轴

python


import matplotlib.pyplot as plt

# 创建具有独立轴的多轴图
fig, axes = plt.subplots(1, 2, sharey=True)

# 绘制数据到不同子图
data1 = [1, 2, 3, 4, 5]
data2 = [5, 4, 3, 2, 1]

axes[0].plot(data1)
axes[0].set_title('独立Y轴的子图1')

axes[1].plot(data2)
axes[1].set_title('独立Y轴的子图2')

# 显示图表
plt.show()

在这个示例中，创建了一个具有独立Y轴的多轴图，两个子图具有不同的Y轴。

双坐标系图和次坐标轴

使用twinx()函数创建双坐标系图，允许在同一图中绘制具有不同Y轴的数据。

python


import matplotlib.pyplot as plt

# 创建双坐标系图
fig, ax1 = plt.subplots()

data1 = [1, 2, 3, 4, 5]
data2 = [10, 8, 6, 4, 2]

# 绘制第一个数据集
ax1.plot(data1, color='skyblue', label='数据集1')
ax1.set_xlabel('X轴')
ax1.set_ylabel('Y轴1', color='skyblue')
ax1.legend(loc='upper left')

# 创建第二个Y轴
ax2 = ax1.twinx()

# 绘制第二个数据集
ax2.plot(data2, color='salmon', label='数据集2')
ax2.set_ylabel('Y轴2', color='salmon')
ax2.legend(loc='upper right')

# 添加标题
plt.title('双坐标系图')

# 显示图表
plt.show()

在这个示例中，创建了一个双坐标系图，同时绘制了两个数据集，每个数据集具有不同的Y轴。使用ax1.twinx()来创建第二个Y轴，并在同一图中绘制两个数据集。

次坐标轴

使用secondary_xaxis()和secondary_yaxis()函数来创建次坐标轴，以表示不同尺度的数据。这通常用于在同一图中显示不同单位的数据。

12.高级图形元素

图形注释和箭头

使用plt.annotate()函数添加图形注释和箭头。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3]
y = [2, 4, 6]

# 绘制数据
plt.plot(x, y)

# 添加图形注释和箭头
plt.annotate('重要点', xy=(2, 4), xytext=(2.5, 5),
             arrowprops=dict(arrowstyle='->', lw=1.5),
             fontsize=12, color='red')

# 显示图表
plt.show()

在这个示例中，我们使用plt.annotate()函数在数据点 (2, 4) 处添加了一个注释文本，并使用箭头指向 (2.5, 5) 处。

图例高级用法

Matplotlib的图例允许自定义图例的位置、标签、颜色等属性。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3]
y1 = [2, 4, 6]
y2 = [3, 5, 7]

# 绘制数据
plt.plot(x, y1, label='数据集1', color='skyblue')
plt.plot(x, y2, label='数据集2', color='salmon')

# 自定义图例
plt.legend(loc='upper left', title='数据集', title_fontsize=12, fontsize=10)

# 显示图表
plt.show()

在这个示例中，使用plt.legend()函数自定义了图例的位置、标题、标题字体大小和图例项的字体大小。

区域填充和阴影效果

使用fill_between()函数来填充区域和创建阴影效果。

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制数据
plt.plot(x, y1, label='sin(x)', color='skyblue')
plt.plot(x, y2, label='cos(x)', color='salmon')

# 填充区域
plt.fill_between(x, y1, y2, where=(y1 > y2), interpolate=True, color='lightgray', alpha=0.5, label='sin(x) > cos(x)')

# 自定义图例
plt.legend()

# 显示图表
plt.show()

在这个示例中，使用plt.fill_between()函数填充了两个数据集之间 sin(x) > cos(x) 的区域，并为填充区域添加了颜色和透明度。添加了图例以标识填充区域。

13.3D数据可视化

三维散点图和曲面图

使用Axes3D子模块来创建三维散点图和曲面图。

三维散点图

python


import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 创建示例数据
x = np.random.rand(100)
y = np.random.rand(100)
z = np.random.rand(100)

# 创建三维散点图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x, y, z, c='b', marker='o', label='随机数据')

# 添加标签
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')

# 添加图例
ax.legend()

# 显示图表
plt.show()

在这个示例中，使用Axes3D子模块创建了一个三维散点图，其中 x、y 和 z 是随机生成的数据。

三维曲面图

python


import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 创建示例数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

# 创建三维曲面图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x, y, z, cmap='viridis', label='三维曲面')

# 添加标签
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')

# 添加图例
ax.legend()

# 显示图表
plt.show()

在这个示例中，用Axes3D子模块创建了一个三维曲面图，其中 x 和 y 是网格化的坐标，z 是一个函数的值。

等高线图和热力图

Matplotlib允许创建三维等高线图和热力图，用于可视化等高线和数据热力分布。

三维等高线图

python


import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

# 创建示例数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = np.sin(np.sqrt(x**2 + y**2))

# 创建三维等高线图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.contour(x, y, z, cmap='viridis', levels=20)

# 添加标签
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')

# 显示图表
plt.show()

在这个示例中，用Axes3D子模块创建了一个三维等高线图。

热力图

python


import matplotlib.pyplot as plt
import numpy as np

# 创建示例数据
data = np.random.rand(10, 10)

# 创建热力图
plt.imshow(data, cmap='coolwarm', interpolation='nearest')
plt.colorbar()

# 显示图表
plt.show()

这个示例演示了如何创建热力图，其中 data 是一个矩阵。

3D 动画和交互式控件

Matplotlib还支持3D动画和交互式控件，允许你创建交互式的三维图形。

14.图形导出和美化

导出图形文件

使用Matplotlib将图形保存为各种文件格式，如PNG、JPG、SVG、PDF等。

python


import matplotlib.pyplot as plt

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制数据
plt.plot(x, y, label='数据集')

# 自定义图形
plt.title('导出图形文件示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()

# 保存图形为PNG文件
plt.savefig('sample_plot.png', dpi=300, bbox_inches='tight')

# 保存图形为PDF文件
plt.savefig('sample_plot.pdf', bbox_inches='tight')

# 显示图表
plt.show()

在这个示例中，用plt.savefig()函数将图形保存为PNG和PDF文件，可以使用不同的文件扩展名来指定不同的文件格式。

图形风格设置

Matplotlib允许设置图形的风格，包括背景、网格线、字体和刻度等。

python


import matplotlib.pyplot as plt

# 设置图形风格
plt.style.use('seaborn-darkgrid')

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制数据
plt.plot(x, y, label='数据集')

# 自定义图形
plt.title('图形风格设置示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()

# 显示图表
plt.show()

在这个示例中，用plt.style.use()函数设置了图形的风格为seaborn-darkgrid，选择不同的风格来自定义图形外观。

自定义色彩和配色方案

自定义色彩和配色方案，以满足特定的需求。

python


import matplotlib.pyplot as plt

# 自定义色彩和配色方案
colors = ['red', 'green', 'blue', 'orange', 'purple']

# 创建示例数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制数据，使用自定义色彩
for i in range(len(x)):
    plt.plot(x[i], y[i], label=f'数据点 {i+1}', color=colors[i])

# 自定义图形
plt.title('自定义色彩和配色方案示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend()

# 显示图表
plt.show()

在这个示例中，自定义的颜色列表colors来为每个数据点选择不同的颜色。

参考

matplotlib官网：https://matplotlib.org/stable/users/index

引言

1. Matplotlib 简介和安装

python

2. Matplotlib 绘图原理

3. Matplotlib 常用模块和函数

pyplot 模块

python

Figure 对象和子图

python

Axes 对象和坐标系

python

图形属性设置

python

文本标注和注释

python

python

4.折线图绘制

单条折线图

python

多条折线图

python

5.散点图绘制

散点图基本绘制

python

散点图颜色映射

python

散点图大小映射

python

6.条形图绘制

水平条形图

python

垂直条形图

python

分组条形图和堆积条形图

python

7.直方图绘制

单变量直方图

python

双变量直方图

python

直方图密度曲线

python

8.饼图绘制

基本饼图

python

饼图切片突出和排序

python

饼图标签和百分比

python

9.坐标系

轴范围和刻度设置

python

轴标签和标题

python

网格线设置

python

10.图形布局

子图分割和排列

python

坐标系网格布局

python

11.多轴图绘制

共享轴和独立轴

共享轴

python

独立轴

python

双坐标系图和次坐标轴

python

次坐标轴

12.高级图形元素

图形注释和箭头

python

图例高级用法

python

区域填充和阴影效果

python

13.3D数据可视化

三维散点图和曲面图

三维散点图

`pyplot` 模块

`Figure` 对象和子图

`Axes` 对象和坐标系