Python大数据可视化编程实践绘制图表文档格式.docx
《Python大数据可视化编程实践绘制图表文档格式.docx》由会员分享，可在线阅读，更多相关《Python大数据可视化编程实践绘制图表文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
调用subplot（231）方法把图表分割成2行3列的网格，1表示图形的标号。
x=[1,2,3,4]
y=[5,4,3,2]
plt.figure（figsize=（12,6））
plt.subplot（231）
plt.plot（x,y）#折线图
plt.subplot（232）
plt.bar（x,y）#垂直柱状图
plt.subplot（233）
plt.barh（x,y）#水平柱状图
plt.subplot（234）
plt.bar（x,y）
y1=[7,8,5,3]
plt.bar（x,y1,bottom=y,color='
r'
）#堆叠柱状图设置参数bottom=y
plt.subplot（235）
plt.boxplot（x）#箱线图
plt.subplot（236）
plt.scatter（x,y）#散点图
plt.show（）
具体解释下箱线图中的几个最重要的显示选项。
首先，我们可以添加从箱体延伸出来的箱须来展示数据集合的整个X围。
箱体和箱须主要用于表现一个或多个数据集合中数据的编号，容易对数据进展比照而且易于理解。
在同一个箱线图中可以呈现5种数据。
最小值：
数据集合的最小值。
第二四分位数：
其以下为数据集合中较低的25%数据。
中值：
数据集合的中值
第三四分位数：
其以上为数据集合中较高的25%数据。
最大值：
给定数据集合的最大值。
dataset=[113,115,119,121,124,
124,125,126,126,126,
127,127,128,129,130,
130,131,132,133,136]
plt.figure（figsize=（10,6））
plt.subplot（121）
plt.boxplot（dataset,vert=False）
plt.subplot（122）
plt.hist（dataset）
我们用同一个数据集合来绘制箱线图和直方图，观察两种图表在数据展现上的差异。
左图呈现了五个统计数据，右图展示了数据集合在给定X围内的分组情况。
简单的正弦图和余弦图
我们对从-Pi到Pi之间具有一样线性距离的256个点来计算正弦值和余弦值，然后把sin（x）值和cos（x）值在用以图表中绘制出来。
x=np.linspace（-np.pi,np.pi,256,endpoint=True）
y=np.cos（x）
y1=np.sin（x）
plt.plot（x,y）
plt.plot（x,y1）
plt.title（"
Functions$\sin$and$\cos$"
）#设置图标题
plt.xlim（-3.0,3.0）#设置x轴X围
plt.ylim（-1.0,1.0）#设置y轴X围
plt.xticks（[-np.pi,-np.pi/2,0,np.pi/2,np.pi],
[r'
$-\pi$'
r'
$-\pi/2$'
$0$'
$+\pi/2$'
$+\pi$'
]）#用希腊字母标注x轴标签
plt.yticks（[-1,0,+1],
$-1$'
$+1$'
]）
设置坐标轴长度和X围
如果不实用axis（）或者其他参数设置，matplotlib会自动使用最小值，刚好可以让我们在一个图中看到所有的数据点。
调用autoscale（）方法，会以坐标轴的最优大小适应数据的显示。
axis（）里面的值分别表示坐标轴上xmin、xmax、ymin、ymax
axhline（）表示绘制了一条y=0的水平线
axvline（）表示绘制了一条x=0的垂直线
axhline（4）表示绘制了一条y=4的水平线
l=[-1,1,-10,10]
plt.axis（l）
plt.axhline（）
plt.axvline（）
plt.axhline（4）
设置图表的线型、属性和格式化字符串
常见的线条样式：
-直线
--虚线
:
细小虚线
常见的点样式：
s--方形
h--六角形
H--六角形
*--星号
+--加好
x--x型
d--菱形
D--菱形
p--五角形
常见的颜色样式：
c-cyan--青色
r-red--红色
m-magente--品红
g-green--绿色
b-blue--蓝色
y-yellow--黄色
k-black--黑色
w-white--白色
#plot（x轴数据,y轴数据,展现形式）
x=[1,2,3,4,8]
y=[5,7,2,1,5]
plt.plot（x,y,'
-'
color='
g'
linewidth=0.8）
plt.plot（x,y,'
*'
color='
）#散点图
设置刻度、刻度标签和网格
刻度是图形的一局部，由刻度定位器〔指定刻度所在的位置〕和刻度格式器〔指定刻度显示的样式〕组成。
刻度有主刻度和次刻度，默认次刻度不显示。
locator_params（）方法控制刻度定位器，可以控制刻度的数目。
#获取当前坐标
ax=plt.gca（）
#设置紧凑视图，设置刻度间隔最大为10
ax.locator_params（tight=True,nbins=10）
#生成100个正态分布值
ax.plot（np.random.normal（10,.1,100））
使用dates模块的一个例子来说明刻度格式器的配置。
刻度格式器规定了值的显示方式。
importdatetime
fig=plt.figure（figsize=（10,6））
#获取当前的坐标轴
#设置一些日期区间
start=datetime.datetime（2013,01,01）
stop=datetime.datetime（2013,12,31）
delta=datetime.timedelta（days=1）
#转换日期
dates=mpl.dates.drange（start,stop,delta）
#产生一些随机值
values=np.random.rand（len（dates））
#用日期值画图
ax.plot_date（dates,values,linestyle='
marker='
'
#指定格式
date_format=mpl.dates.DateFormatter（'
%Y-%m-%d'
#应用格式
ax.xaxis.set_major_formatter（date_format）
#自动格式日期标签
fig.autofmt_xdate（）
添加图例和注解
图例和注解清洗连贯地解释了数据图表的内容。
通过给给个plot添加一个关于所显示数据的简短描述，能让观察者更容易理解。
在每个plot中指定了一个字符串标签（label），这样legend（）会把它们添加到图例框中。
通过loc参数确定图例框的位置。
annotate（）可以为xy坐标位置的数据点添加字符串描述。
通过设置xycoord='
data'
，可以指定注解和数据使用一样的坐标系，注解文本的起始位置通过xytext指定。
箭头由xytext指向xy坐标位置。
arrowstyle指定了箭头风格。
plt.figure（figsize=（10,6））
#生成不同正态分布值
x1=np.random.normal（30,3,100）
x2=np.random.normal（20,2,100）
x3=np.random.normal（10,3,100）
#在同X画布里画3条线
plt.plot（x1,label='
plot'
plt.plot（x2,label='
2ndplot'
plt.plot（x3,label='
3ndplot'
#生成图例框
plt.legend（bbox_to_anchor=（0.,1.02,1.,.102）,loc=3,ncol=3,mode="
expand"
borderaxespad=0.）
#注解重要值
plt.annotate（"
Importantvalue:
（55,20）"
（55,20）,xycoords='
xytext=（5,38）,arrowprops=dict（arrowstyle='
->
））
移动轴线到图中央
轴线定义了数据区域的边界，把坐标轴刻度标记连接起来。
一共有四个轴线，可以把它们放置在任何位置。
默认情况下，它们被放置在坐标轴的边界。
为了把轴线移到图中央，需要把其中两个轴线隐藏起来〔设置color为none〕。
然后，移动另外两个到坐标〔0，0〕。
坐标为数据空间坐标。
x=np.linspace（-np.pi,np.pi,500,endpoint=True）
y=np.sin（x）
ax.spines['
right'
].set_color（'
none'
）#隐藏右边的轴线
top'
）#隐藏顶端的轴线
bottom'
].set_position（（'
0））#移动底端的轴线到〔0，0〕
left'
0））#移动左端的轴线到（0,0）
ax.xaxis.set_ticks_position（'
）#移动底端的刻度到x轴
ax.yaxis.set_ticks_position（'
）#移动左侧的刻度到x轴
绘制直方图
直方图被用于可视化数据的分布估计。
表示一定间隔下数据点频率的垂直矩阵称为bin。
bin以固定的间隔创建，因此直方图的总面积等于数据点的
升级会员 