绘图和数据可视化工具包——matplotlib

时间:2023-01-28 07:35:15

一、Matplotlib介绍

  Matplotlib是一个强大的Python**绘图**和**数据可视化**的工具包。

# 安装方法
pip install matplotlib
# 引用方法
import matplotlib.pyplot as plt

# 绘图函数
plt.plot()
# 展示图像
plt.show()

  执行后显示效果如下:

  绘图和数据可视化工具包——matplotlib

二、plot函数使用

  plot函数:用于绘制折线图。

1、绘制线型图

  线型linestyle:‘-’是实线、'--'是线虚线、‘-.’是线点虚线等、‘:’是点虚线。

import matplotlib.pyplot as plt

plt.plot([1,2,3,4],[2,3,1,8])  # 绘制折线图
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

2、绘制点型图

  点型marker:v、^、s、*、H、+、x、D、o.....

  其中是o是圆点、v是下三角、D是菱形、H是六边形等。

(1)绘制点图

plt.plot([1,2,3,4],[2,3,1,8], 'o')  # 参数o,绘制点图
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

(2)绘制点线图

plt.plot([1,2,3,4],[2,3,1,8], 'o-')  # 参数o-,绘制点线图
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

3、绘图颜色

  颜色color:b、g、r、y、k、w......

(1)方法一:配合线设置颜色

plt.plot([1,2,3,4],[2,3,2,7], 'o:r')   # 红色线
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

(2)方法二:用color参数设置颜色

plt.plot([1,2,3,4],[2,3,2,7], color='purple')   # 紫色线
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

4、plot函数绘制多条曲线

  生成几个plot.plot()就可以在一个图里绘制多少个曲线。

plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

三、图像标注

  前面学习的plt.plot()和plt.show()函数只是绘图和显示图像。但如果要设置标题、名称等图像标注就需要用到其他函数了。

  • 设置图像标题:plt.title()
  • 设置x轴名称:plt.xlabel()
  • 设置y轴名称:plt.ylabel()
  • 设置x轴范围:plt.xlim()
  • 设置y轴范围:plt.ylim()
  • 设置x轴刻度:plt.xticks()
  • 设置y轴刻度:plt.yticks()
  • 设置曲线图例:plt.legend()

1、设置图像标题

# 引用方法
import matplotlib.pyplot as plt

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.title('Matplotlib Test Plot')   # 设置图像标题

# 展示图像
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

2、设置xy轴名称

# 引用方法
import matplotlib.pyplot as plt

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.title('Matplotlib Test Plot')
plt.xlabel('Xlabel')
plt.ylabel('Ylabel')

# 展示图像
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

3、设置xy轴范围

# 引用方法
import matplotlib.pyplot as plt

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.title('Matplotlib Test Plot')
plt.xlabel('Xlabel')
plt.ylabel('Ylabel')
plt.xlim(0,5)  # 设置x轴最小值0,最大值5
plt.ylim(0,10)   # 设置y轴最小值0,最大值10

# 展示图像
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

4、设置xy轴刻度

# 引用方法
import matplotlib.pyplot as plt
import numpy as np

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.title('Matplotlib Test Plot')
plt.xlabel('Xlabel')
plt.ylabel('Ylabel')
plt.xlim(0,10)
plt.ylim(0,10)
# plt.xticks(0,2,4)  # 设置x轴刻度
plt.xticks(np.arange(0,11,2))  # 用numpy设置x轴刻度

# 展示图像
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

  刻度还可以自定义字段显示:

# 引用方法
import matplotlib.pyplot as plt
import numpy as np

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o')
plt.title('Matplotlib Test Plot')
plt.xlabel('Xlabel')
plt.ylabel('Ylabel')
plt.xlim(0,10)
plt.ylim(0,10)
# plt.xticks(0,2,4)  # 设置x轴刻度
plt.xticks(np.arange(0,11,2), ['a','b','c','d','e','f'])  # 用numpy设置x轴刻度

# 展示图像
plt.show()

 

  显示效果如下:

  绘图和数据可视化工具包——matplotlib

5、设置曲线图例

  在plt.plot()中设置label,即可使用plt.legend()函数设置曲线图例。

# 引用方法
import matplotlib.pyplot as plt
import numpy as np

# 绘图函数
plt.plot([1,2,3,4],[2,3,2,7], color='red', label='Line A')
plt.plot([1,2,3,4],[3,5,6,9], color='black',marker='o', label='Line B')
plt.title('Matplotlib Test Plot')
plt.xlabel('Xlabel')
plt.ylabel('Ylabel')
plt.legend()  # 曲线图例

# 展示图像
plt.show()

  显示效果如下:

  绘图和数据可视化工具包——matplotlib

四、Matplotlib应用实例 

1、pandas和matplotlib结合使用

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv('601318.csv', parse_dates=['date'], index_col='date')[['open','close','high','low']]  # 读取csv文件,使用date作为索引列
df.plot()
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

2、绘制数学函数图像

  绘图和数据可视化工具包——matplotlib

# 引用方法
import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(-100,100,10000)   # 起点、终点、分多少份
y1=x
y2=x**2
y3=3*(x**3)+5*(x**2)+2*x+1
plt.plot(x, y1, color='red', label='y=x')
plt.plot(x, y2, color='green', label='y=x**2')
plt.plot(x, y3, color='purple', label='y=3*(x**3)+5*(x**2)+2*x+1')
plt.ylim(-1000,1000)  # 由于紫色线增长过快,图片显示会导致红色和绿色重合
plt.xlim(-100,100)
plt.legend()

# 展示图像
plt.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

五、matplotlib绘制常用图表

  Matplotlib提供了很多函数来支持不同的图类型,如下所示:

函数 说明
plt.plot(x,y,fmt,...) 坐标图
plt.boxplot(data,notch,position) 箱型图

plt.bar(left,height,width,bottom)

条形图
plt.barh(width,bottom,left,height) 横向条形图
plt.polar(theta, r) 极坐标图
plt.pie(data, explode) 饼图
plt.psd(x,NFFT=256,pad_to,Fs) 功率谱密度图
plt.specgram(x,NFFT=256,pad_to,F) 谱图
plt.cohere(x,y,NFFT=256,Fs) X-Y相关性函数 
plt.scatter(x,y) 散点图
plt.step(x,y,where) 步阶图 
plt.hist(x,bins,normed) 直方图 

 

 

 

 

 

 

 

 

 

 

 

 

  相关文档参见:matplotlib官网

 

 

 

 

 

 

 

1、画布和子图

(1)子图并行排列

import matplotlib.pyplot as plt
import pandas as pd

# 画布:figure
fig = plt.figure()    # 生成画布
# 图:subplot
ax1 = fig.add_subplot(2,2,1)   # 两行两列第一个图
ax1.plot([1,2,3,4],[5,6,7,8])
ax2 = fig.add_subplot(2,2,2)   # 两行两列第二个图
ax2.plot([1,4,2,3],[2,6,3,8])
fig.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

(2)子图上下排列

import matplotlib.pyplot as plt
import pandas as pd

# 画布:figure
fig = plt.figure()    # 生成画布
# 图:subplot
ax1 = fig.add_subplot(2,1,1)   # 两行一列第一个图
ax1.plot([1,2,3,4],[5,6,7,8])
ax2 = fig.add_subplot(2,1,2)   # 两行一列第二个图
ax2.plot([1,4,2,3],[2,3,4,6])
fig.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib

(3)用subplots_adjust()调节子图间距

  subplots_adjust()函数源码如下所示:

def subplots_adjust(self, left=None, bottom=None, right=None, top=None,
                    wspace=None, hspace=None):
    """
    Update the :class:`SubplotParams` with *kwargs* (defaulting to rc when
    *None*) and update the subplot locations.

    """
    if self.get_constrained_layout():
        self.set_constrained_layout(False)
        warnings.warn("This figure was using constrained_layout==True, "
                      "but that is incompatible with subplots_adjust and "
                      "or tight_layout: setting "
                      "constrained_layout==False. ")
    self.subplotpars.update(left, bottom, right, top, wspace, hspace)
    for ax in self.axes:
        if not isinstance(ax, SubplotBase):
            # Check if sharing a subplots axis
            if isinstance(ax._sharex, SubplotBase):
                ax._sharex.update_params()
                ax.set_position(ax._sharex.figbox)
            elif isinstance(ax._sharey, SubplotBase):
                ax._sharey.update_params()
                ax.set_position(ax._sharey.figbox)
        else:
            ax.update_params()
            ax.set_position(ax.figbox)
    self.stale = True

  

2、柱状图和饼图

(1)柱状图基本示例

import matplotlib.pyplot as plt
import numpy as np

data = [32,48,21,100]
labels = ['Jan', 'Feb', 'Mar', 'Apr']

# 柱状图
plt.bar(np.arange(len(data)), data , color='blue', width=0.5)
plt.xticks(np.arange(len(data)), labels)
plt.show()

  显示效果:

  绘图和数据可视化工具包——matplotlib

(2)饼图基本示例

import matplotlib.pyplot as plt

plt.pie([10,20,28,42], labels=['England','German','USA','China'], autopct='%.2f%%',explode=[0,0.1,0,0.1])
# labels设置标签,autopct显示百分比,explode设置突出程度
# plt.axis('equal')  # 设置图片朝向
plt.show()

  显示效果:

  绘图和数据可视化工具包——matplotlib

 

3、绘制K线图 

  matplotlib.finanace子包中有许多绘制金融相关图的函数接口。

  绘制K线图:matplotlib.finance.candlestick_ochl函数。

import matplotlib.finance as fin

  但是从matplotlib 2.2.0版本开始,matplotlib.finance已经从matplotlib中剥离了,需要单独安装mpl_finance这个包了。

  可以anaconda中下载mpl-finance包等方法下载。

import mpl_finance as fin

(1)candlestick_ochl()函数源码分析

def candlestick_ochl(ax, quotes, width=0.2, colorup='k', colordown='r',
                     alpha=1.0):
    """
    Plot the time, open, close, high, low as a vertical line ranging
    from low to high.  Use a rectangular bar to represent the
    open-close span.  If close >= open, use colorup to color the bar,
    otherwise use colordown

    Parameters
    ----------
    ax : `Axes`  # 图对象
        an Axes instance to plot to
    quotes : sequence of (time, open, close, high, low, ...) sequences  # 二维数组
        As long as the first 5 elements are these values,
        the record can be as long as you want (e.g., it may store volume).

        time must be in float days format - see date2num   # datetime要转化为小数类型时间戳

    width : float   # k线宽度
        fraction of a day for the rectangle width
    colorup : color  # 阳线颜色
        the color of the rectangle where close >= open
    colordown : color  # 阴线颜色
         the color of the rectangle where close <  open
    alpha : float    # 矩形的透明度
        the rectangle alpha level

    Returns
    -------
    ret : tuple
        returns (lines, patches) where lines is a list of lines
        added and patches is a list of the rectangle patches added

    """
    return _candlestick(ax, quotes, width=width, colorup=colorup,
                        colordown=colordown,
                        alpha=alpha, ochl=True)

(2)date2num函数用于将datetime对象转化为浮点数表示的时间戳

def date2num(d):
    """
    Convert datetime objects to Matplotlib dates.

    Parameters
    ----------
    d : `datetime.datetime` or `numpy.datetime64` or sequences of these

    Returns
    -------
    float or sequence of floats
        Number of days (fraction part represents hours, minutes, seconds, ms)
        since 0001-01-01 00:00:00 UTC, plus one.

    Notes
    -----
    The addition of one here is a historical artifact. Also, note that the
    Gregorian calendar is assumed; this is not universal practice.
    For details see the module docstring.
    """
    if hasattr(d, "values"):
        # this unpacks pandas series or dataframes...
        d = d.values
    if not np.iterable(d):
        if (isinstance(d, np.datetime64) or (isinstance(d, np.ndarray) and
                np.issubdtype(d.dtype, np.datetime64))):
            return _dt64_to_ordinalf(d)
        return _to_ordinalf(d)

    else:
        d = np.asarray(d)
        if np.issubdtype(d.dtype, np.datetime64):
            return _dt64_to_ordinalf(d)
        if not d.size:
            return d
        return _to_ordinalf_np_vectorized(d)

(3)使用上述包绘制k线图示例

# import matplotlib.finance as fin

import pandas as pd
import matplotlib.pyplot as plt
import mpl_finance as fin
from matplotlib.dates import date2num   # 用于将datetime对象转化为浮点数

# 读取csv文件中保存的行情数据,使用date作为索引列
# na_values将None字符串解释为缺失值
df = pd.read_csv('601318.csv', parse_dates=['date'], index_col='date', na_values=['None'])[['open','close','high','low']]
# 添加time这一列
df['time'] = date2num(df.index.to_pydatetime())
# 将df转换为数组才能传递给candlestick_ochl()函数
arr = df[['time','open','close','high','low']].values

# print(df)
'''
              open   close    high     low      time
date                                                
2007-03-01  21.878    None  22.302  20.040  732736.0
2007-03-02  20.565    None  20.758  20.075  732737.0
'''
# 由于candlestick_ochl函数中要求有Axes,因此创建画布和子图
fig = plt.figure()  # 画布
ax = fig.add_subplot(1,1,1)  # 子图

# candlestick_ochl()与candlestick_ohlc()的区别主要是执行顺序
fin.candlestick_ochl(ax, arr)
# fig.grid()
fig.show()

  显示效果如下所示:

  绘图和数据可视化工具包——matplotlib