数据可视化基石：11个Matplotlib实用图表

大家好，欢迎来到IT知识分享网。

在数据科学和数据分析领域，数据的可视化是理解和传达信息的关键环节。而Matplotlib作为Python中最常用的可视化库之一，可以帮助你轻松创建精美的图表。无论是折线图、柱状图还是其他类型的图表，Matplotlib都能用简洁的代码实现，让数据的展示变得直观且富有表现力。

接下来我们通过11个Python Matplotlib实用图表的示例和详细的代码讲解，你将学会如何用Matplotlib生成各种图表，为你的数据分析增添视觉亮点。不论你是数据科学新手还是有经验的从业者，这些实用图表都将成为你工作中的得力助手。

1.简单折线图(Line Plot)

• 图形和坐标轴：在Matplotlib中，图形（figure）就像一个盒子，容纳了图表的所有部分。坐标轴（axes）则像是图形内的一个小盒子，周围有线条和说明图表含义的文字。
• 变量命名：图形对象通常命名为fig，坐标轴对象通常命名为ax。
• 绘制数据：使用ax.plot方法在坐标轴上绘制数据。
• Pylab接口：提供类似于MATLAB的接口，自动创建图形和坐标轴。
• 多条折线：多次调用plot函数可以在同一图形上绘制多条折线。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') fig = plt.figure() ax = plt.axes() x = np.linspace(0, 10, 1000) plt.plot(x, np.sin(x)) plt.plot(x, np.cos(x)); plt.show()

2.简单的散点图(Scatter Plot)

• 什么是散点图：散点图有一些不按顺序排列的点。折线图的点是连接在一起的。
• 如何制作：你可以使用plt.plot或ax.plot来制作散点图。
• 点的样式：你可以使用特定的代码改变点的外观。文档中有说明使用哪些代码。
• plt.scatter的酷炫功能：你可以让每个点都与众不同。它们可以有不同的大小和颜色。你可以使用数据集来实现这一点。
• 透明点：你可以通过alpha设置让点变得透明。当点重叠时，这个功能特别有用。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') rng = np.random.RandomState(0) x = rng.randn(100) y = rng.randn(100) colors = rng.rand(100) sizes = 1000 * rng.rand(100) plt.scatter(x, y, c=colors, s=sizes, alpha=0.3, cmap='viridis') plt.colorbar(); plt.show()

3.错误可视化(Error Visualization)

• 为什么重要：在科学中，准确处理误差与测量本身同样重要。
• 举个例子：为了估算哈勃常数，你必须考虑误差。这有助于你判断不同测量结果是否一致。
• 不确定性：当你报告一个测量值时，还要说明你的不确定程度（例如71±2.5 (km/s)/Mpc）。这让你更好地比较数据。
• 显示误差：在图表中加入误差信息能提供更完整和正确的信息。
• fmt设置：它控制图表中线条和点的外观，类似于plt.plot的代码。
• errorbar函数：它让你改变误差条的外观，例如使它们变浅以便更容易看到。
• 个性化设置：使用更多的errorbar设置可以实现水平误差条、单边误差条等。根据你的需求自定义图表。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') x = np.linspace(0, 10, 50) dy = 0.8 y = np.sin(x) + dy * np.random.randn(50) plt.errorbar(x, y, yerr=dy, fmt='o', color='black', ecolor='lightgray', elinewidth=3, capsize=0); plt.show()

4.密度和等高线图(Density and Contour Plots)

• 显示三维数据：在二维图表中展示三维数据，比如等高线图或热图。
• 函数：使用plt.contour绘制等高线图，使用plt.contourf绘制填充等高线图，使用plt.imshow绘制图片。
• 准备数据：使用np.meshgrid将一维数组转换为二维网格。
• 绘制等高线图：plt.contour需要x、y和z数据用于网格和高度点。
• 线条样式：在黑白等高线图中，虚线表示负值，实线表示正值。
• 颜色图：使用cmap设置等高线的颜色，比如用RdGy显示集群数据。
• 颜色键：使用plt.colorbar生成颜色键，显示颜色所对应的数值范围。
• 填充等高线图：使用plt.contourf填充等高线图，使图表间隙更少，视觉效果更好。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') def f(x, y): return np.sin(x) 10 + np.cos(10 + y * x) * np.cos(x) x = np.linspace(0, 5, 50) y = np.linspace(0, 5, 40) X, Y = np.meshgrid(x, y) Z = f(X, Y) plt.contourf(X, Y, Z, 20, cmap='RdGy') plt.colorbar(); plt.show()

5.直方图、分箱和密度(Histograms, Binning, and Density)

• 基本直方图：使用Matplotlib的hist()函数快速绘制基本直方图。
• 参数调整：hist()提供了多种参数来调整直方图的计算和显示。
• 设置更改：不再使用normed参数。使用density参数来标准化数据。
• 个性化：使用histtype=’stepfilled’和alpha参数来绘制透明条形图。这有助于比较不同数据。
• 查阅文档：查看plt.hist文档，了解更多调整方式。
• 仅获取数据：如果只需要直方图数据而不需要绘图，可以使用np.histogram()。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') x1 = np.random.normal(0, 0.8, 1000) x2 = np.random.normal(-2, 1, 1000) x3 = np.random.normal(3, 2, 1000) kwargs = dict(histtype='stepfilled', alpha=0.3, density=True, bins=40) plt.hist(x1, kwargs) plt.hist(x2, kwargs) plt.hist(x3, kwargs); plt.show()

6.自定义图例(Custom Legends)

• 重要性：图例为可视化增加了意义，澄清了图表的不同元素。
• 创建图例：使用plt.legend()为图表部分添加名称和图例。
• 自定义：选择图例的位置。去掉边框。使用多行显示。使边角圆滑或添加阴影。改变透明度和文字间距。
• 选择显示内容：指定哪些部分和名称显示在图例中。通过设置plot返回的内容来实现。
• 多条线条：plt.plot可以返回多条线条。选择要传递给plt.legend()的线条，以创建你需要的图例。
• 命名部分：在图表部分直接添加名称，然后将它们放入图例中，这样可以更容易看清每个部分的含义。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') x = np.linspace(0, 10, 1000) y = np.sin(x[:, np.newaxis] + np.pi * np.arange(0, 2, 0.5)) plt.plot(x, y[:, 0], label='first') plt.plot(x, y[:, 1], label='second') plt.plot(x, y[:, 2:]) plt.legend(framealpha=1, frameon=True); plt.show()

7.自定义颜色条(Custom Colorbars)

• 图例与颜色条：图例标记离散标签，而颜色条表示连续的值与颜色之间的关系。
• 创建颜色条：使用plt.colorbar()创建颜色条。
• 颜色图：使用cmap参数指定颜色图。
• 颜色图资源：所有可用的颜色图都在plt.cm模块中，可以使用IPython的Tab自动补全列出颜色图。
• 颜色图类型：
• 连续颜色图：单一连续的颜色系列，如binary或viridis。
• 分叉颜色图：两个对比色系列，如RdBu或PuOr。
• 定性颜色图：不连续的颜色组合，如rainbow或jet。

import numpy as np import matplotlib.pyplot as plt plt.style.use('classic') x = np.linspace(0, 10, 1000) I = np.sin(x) * np.cos(x[:, np.newaxis]) plt.imshow(I, aspect='auto', cmap='viridis') plt.colorbar() plt.show()

8.多子图（Multiple Subplots）

• 概念：Matplotlib允许在单个图中显示多个子图，以便并排展示数据。
• 创建子图：使用plt.axes()创建子图，可以通过列表参数[left, bottom, width, height]指定位置和大小。
• 默认行为：plt.axes()默认创建填满整个图形区域的坐标轴对象。
• 对齐：使用plt.subplot()在网格中创建子图，可以指定行数、列数和子图索引的参数。
• 多行/列：使用plt.GridSpec()创建跨多行或多列的子图，定义网格布局。
• GridSpec用法：plt.GridSpec()定义网格布局，并可传递给plt.subplot()用于创建子图。
• GridSpec特点：它不直接创建图表，而是定义子图的网格布局。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') mean = [0, 0] cov = [[1, 1], [1, 2]] x, y = np.random.multivariate_normal(mean, cov, 3000).T fig = plt.figure(figsize=(6, 6)) grid = plt.GridSpec(4, 4, hspace=0.2, wspace=0.2) main_ax = fig.add_subplot(grid[:-1, 1:]) y_hist = fig.add_subplot(grid[:-1, 0], xticklabels=[], sharey=main_ax) x_hist = fig.add_subplot(grid[-1, 1:], yticklabels=[], sharex=main_ax) main_ax.plot(x, y, 'ok', markersize=3, alpha=0.2) x_hist.hist(x, 40, histtype='stepfilled', orientation='vertical', color='gray') x_hist.invert_yaxis() y_hist.hist(y, 40, histtype='stepfilled', orientation='horizontal', color='gray') y_hist.invert_xaxis() plt.show()

9.文本和注释（Text and Annotations）

• 目的：可视化旨在向读者传达数据背后的故事。
• 表达方式：有些图表本身就能讲述故事，而有些则需要文字辅助。
• 注释：在图表中添加文本注释可以吸引读者注意力并帮助理解。
• 文本放置：使用plt.text或ax.text在图表的特定位置（x，y）添加文本。
• 指导：通过文本注释引导读者关注关键的图表特征，以增强信息传递效果。

import numpy as np import matplotlib.pyplot as plt import pandas as pd import matplotlib.dates as mdates plt.style.use('seaborn-v0_8-whitegrid') # Create sample dataset dates = pd.date_range(start='1969-01-01', end='1988-12-31', freq='D') data = np.random.randint(3000, 5000, size=len(dates)) births = pd.DataFrame(data, columns=['births'], index=dates) fig, ax = plt.subplots(figsize=(12, 4)) births_by_date = births.pivot_table('births', [births.index.month, births.index.day]) births_by_date.index = [pd.Timestamp(year=2012, month=month, day=day) for month, day in births_by_date.index] births_by_date.plot(ax=ax) # Annotate specific positions on the line plot style = dict(size=10, color='gray') ax.text(pd.Timestamp('2012-1-1'), 3950, "New Year's Day", style) ax.text(pd.Timestamp('2012-7-4'), 4250, "Independence Day", ha='center', style) ax.text(pd.Timestamp('2012-9-4'), 4850, "Labor Day", ha='center', style) ax.text(pd.Timestamp('2012-10-31'), 4600, "Halloween", ha='right', style) ax.text(pd.Timestamp('2012-11-25'), 4450, "Thanksgiving", ha='center', style) ax.text(pd.Timestamp('2012-12-25'), 3850, "Christmas", ha='right', style) # Set title and y-axis label ax.set(title='USA births by day of year (1969-1988)', ylabel='average daily births') # Center month labels on the x-axis ax.xaxis.set_major_locator(mdates.MonthLocator()) ax.xaxis.set_minor_locator(mdates.MonthLocator(bymonthday=15)) ax.xaxis.set_major_formatter(plt.NullFormatter()) ax.xaxis.set_minor_formatter(mdates.DateFormatter('%b')) plt.show()

10.自定义刻度（Custom Ticks）

• 修改刻度：Matplotlib默认的刻度对大多数图表来说都很好用。但对于某些图表，你可能需要进行修改。
• 组成部分：Matplotlib中的所有图表部分都是事物。图形（Figure）包含坐标轴（Axes）。坐标轴包含图表的各种内容。
• 坐标轴内容：坐标轴有xaxis和yaxis。它们包括线条、刻度、名称等。

import numpy as np import matplotlib.pyplot as plt plt.style.use('seaborn-v0_8-whitegrid') fig, ax = plt.subplots() x = np.linspace(0, 3 * np.pi, 1000) ax.plot(x, np.sin(x), lw=3, label='Sine') ax.plot(x, np.cos(x), lw=3, label='Cosine') ax.grid(True) ax.legend(frameon=False) ax.axis('equal') ax.set_xlim(0, 3 * np.pi); plt.show()

11.创建Matplotlib中的3D图表(Creating 3D Plots in Matplotlib)

• 从2D到3D：Matplotlib最初仅支持2D图表；3D绘图工具是在版本1.0中引入的。
• 3D工具包：通过加载mplot3d工具包，Matplotlib支持3D绘图。
• 3D图表类型：激活3D坐标轴后，可以绘制各种3D图表，如线图和散点图。
• 3D绘图函数：使用ax.plot3D和ax.scatter3D分别绘制3D线图和散点图。
• 透明度和深度：散点图具有不同的透明度来表示深度。
• 交互视图：交互视图提供更好的3D视觉体验。
• 3D凸起图：mplot3d工具包具有制作3D凸起图的工具。它们类似于2D的ax.contour图。
• 3D表面图：表面图使用颜色填充形状以展示3D表面，看起来比线框图更好。
• 网格数据图片：从网格数据生成的3D图片包括线框图和表面图。它们将数据展示在3D形状上，使其更加清晰和具有说服力。
• 修改刻度样式：正常的刻度样式对大多数情况都适用。但对于某些图表，如正弦和余弦图表，你可能需要修改它们。
• 自定义示例：修改刻度的位置和外观有助于展示图表的含义。你可以根据数据调整刻度，使之更加合适。

import numpy as np import matplotlib.pyplot as plt fig = plt.figure() ax = plt.axes(projection='3d') def f(x, y): return np.sin(np.sqrt(x 2 + y 2)) x = np.linspace(-6, 6, 30) y = np.linspace(-6, 6, 30) X, Y = np.meshgrid(x, y) Z = f(X, Y) ax.set_xlabel('x') ax.set_ylabel('y') ax.set_zlabel('z') # Flatten the X, Y, Z arrays for plot_trisurf ax.plot_trisurf(X.flatten(), Y.flatten(), Z.flatten(), cmap='viridis', edgecolor='none') plt.show()

上面通过11个实用示例，详细讲解如何用Matplotlib生成各种图表，包括折线图、散点图、错误可视化、密度图、直方图、自定义图例和颜色条、文本注释、自定义刻度以及3D图表。这些示例将帮助你提升数据展示的直观性和表现力，不论你是新手还是有经验的数据科学从业者，都能从中受益。