python利用Matplotlib.pyplot库绘制不同的图形，但是在显示中文时存在部分问题，一般在导入库后，添加如下代码：
# 设置中文正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
# 设置负号正常显示
plt.rcParams['axes.unicode_minus'] = False
1.折线图
一般折线图
输入：
# 画出折线图 import pandas as pd
import numpy as np
import matplotlib.pyplot as plt # 设置中文正常显示
plt.rcParams['font.sans-serif'] = ['SimHei']
# 设置负号正常显示
plt.rcParams['axes.unicode_minus'] = False # 读取数据
unrate = pd.read_csv(r'D:\codes_jupyter\数据分析_learning\课件\03_matplotlib\UNRATE.csv', engine='python') # 结合数据形式，将数据的日期格式进行转化
unrate['DATE'] = pd.to_datetime(unrate['DATE'])
print(unrate.head()) # 画图
First_twelve = unrate[0:12] # 拿12个月份的数据进行画图 # plot()画折线图。函数传入两个值，左边的值作为x轴，右边的值作为y轴
plt.plot(First_twelve['DATE'], First_twelve['VALUE'])
# show()函数显示图片
plt.show()
输出：
折线图设置
对折线图操作，添加标签、标题，并对坐标刻度进行设置
输入：
# 对折线图操作，添加标签、标题，并对坐标刻度进行设置 unrate['DATE'] = pd.to_datetime(unrate['DATE'])
First_12 = unrate[0:12]
plt.plot(First_12['DATE'], First_12['VALUE']) # 对横坐标进行一定的变换
# rotation=45 表示转动45°
plt.xticks(rotation=90) # 添加标签
plt.xlabel('月份')
plt.ylabel('失业率') # 添加标题
plt.title('1948年失业率走势') plt.show()
输出：
2.子图
子图概念
fig.add_subplot(4,1,x)函数画子图
参数表示画4行1列，共4个子图，垂直排列，每行一个图，x表示第x个子图
参数：（2,2，x）表示两行两列，4个图，每行2个图，x表示第x个子图
参数：（2,3，x）表示2行3列，每行3个子图，x表示第x个子图
绘制子图
使用add_subplot()绘制子图，并通过figsize()制定画板大小
输入：
# add_subplot()添加子图，figsize()指定画板大小 import matplotlib.pyplot as plt # figsize=(x, y)指定画板, 不填写参数表示默认值
# fig = plt.figure()
fig = plt.figure(figsize=(10, 6)) # 通过figsize=(x, y)指定画板大小 # 对第一个子图进行操作
ax1 = fig.add_subplot(2, 2, 1)
ax1.plot(np.random.randint(1, 5, 5), np.arange(5)) # 生成随机整数 # 对第二个子图进行操作
ax2 = fig.add_subplot(2, 2, 2)
ax2.plot(np.random.randint(1, 5, 5), np.arange(5)) # 对第四个子图进行操作
ax4 = fig.add_subplot(2, 2, 4)
ax4.plot(np.random.randint(1, 5, 5), np.arange(5)) plt.show()
输出：
绘制多条折线
在一张图上画出多条折线
输入：
# 一张图上画出多条曲线 # 拿到日期的月份。
# dt.month获取datetime类型值的月份
unrate['MONTH'] = unrate['DATE'].dt.month # 指定画板大小
fig = plt.figure(figsize=(6, 3)) # 画图 通过c='red'指定线条颜色
plt.plot(unrate[:12]['MONTH'], unrate[:12]['VALUE'], c='red')
plt.plot(unrate[12:24]['MONTH'], unrate[12:24]['VALUE'], c='blue') plt.show()
输出：
添加图例1
使用for循环绘制多条折线，并添加对应的图例说明
输入：
# for循环画出多条折线，并添加图例说明 fig = plt.figure(figsize=(10, 6))
color = ['r', 'b', 'orange', 'black', 'green'] for i in range(5):
start_index = i * 12
end_index = (i+1) * 12 # 取范围
subset = unrate[start_index: end_index] # 给每条线添加标签
label = str(1948 + i)
plt.plot(subset['MONTH'], subset['VALUE'], c=color[i], label=label) # 将图例说明自动放置合适位置
plt.legend(loc='best', fontsize=10, ncol=2)
plt.show() # plt.legend()函数显示图例
# loc参数设置位置
# fontsize设置图例字体大小
# ncols 设置用多少列显示图例
# loc='best':将图例说自动添加到合适位置
# loc='center':将图例放置在中心
# 通过print(help(plt.legend))查看其它参数
输出：
设置线条宽度
输入：
# 设置线宽度 fig = plt.figure(figsize=(10, 6))
color = ['r', 'b', 'orange', 'black', 'green']
for i in range(5):
start_index = i * 12
end_index = (i+1) * 12
subset = unrate[start_index: end_index]
label = str(1948 + i) # linewidth=10设置线宽度
plt.plot(subset['MONTH'], subset['VALUE'], c=color[i], label=label, linewidth=8)
plt.legend(loc='best', fontsize=10, ncol=2) # xticks的size设置坐标刻度字体的大小，yticks同理设置
plt.xticks(size=30)
plt.yticks(size=15) # 添加标签和标题
plt.xlabel('月份')
plt.ylabel('失业率')
plt.title('1948-1953年失业率走势图') plt.show()
输出：
添加图例2
输入：
import pandas as pd
import matplotlib.pyplot as plt women_degree = pd.read_csv(r'D:\codes_jupyter\数据分析_learning\课件\03_matplotlib\percent-bachelors-degrees-women-usa.csv', engine='python') # 设置颜色，label两侧的内容，图例，线宽
plt.plot(women_degree['Year'], women_degree['Biology'], color='blue', label='Women', linewidth=10)
plt.plot(women_degree['Year'], 100-women_degree['Biology'], c='green', label='Men', linewidth=10) # 在图中添加文本信息
plt.text(2005, 35, 'Men', size=25) # 在(2005,35)这个点添加信息，信息内容为后面的字符串，size为字体大小
plt.text(2005, 55, 'Women') # 设置图例
plt.legend(loc='upper right') # 设置title
plt.title('Precentage of Biology Awarded By Gender') # 设置是否显示网格
plt.grid(True) plt.show()
输出：
设置线型、点型及坐标轴
输入：
# 设置线型、点型、坐标轴 plt.figure(figsize=(10, 6))
x1 = np.arange(-2*np.pi, 2*np.pi, 0.01)
x2 = np.arange(-2*np.pi, 2*np.pi, 0.2) y1 = np.sin(3*x2)/x2
y2 = np.sin(2*x1)/x1
y3 = np.sin(x1)/x1 # linestyle设置线条类型；marker设置线条上点的风格
plt.plot(x2, y1, c='b', linestyle='--', marker='^')
plt.plot(x1, y2, c='r', linestyle='-')
plt.plot(x1, y3, c='g') # 获取Axes对象
ax = plt.gca()
# spines['right']获取有边框
ax.spines['right'].set_color('none') # set_color设置颜色为none
# spines['top']获取上边框
ax.spines['top'].set_color('none') # set_color设置颜色为none # 设置坐标轴
ax.xaxis.set_ticks_position('bottom') # 设置下边框为x轴
ax.spines['bottom'].set_position(('data', 0)) # 获取下边框，set_position设置坐标轴位置 ax.yaxis.set_ticks_position('left') # 设置左边框为y轴
ax.spines['left'].set_position(('data', 0)) # 设置y轴显示在刻度范围内，0的地方 plt.show() # set_position()传入元组
# ('data', 0) 表示将x轴放到数字0的位置
# 下面的一个表示将y轴放到数字0的位置
# 使用print(help(ax.spine['left'].set_position))查看帮助文档
# data 表示将坐标轴设置在刻度范围内部
# outwards 表示将坐标轴设置在整体刻度范围的最外面
# 第一个0 表示x轴在y轴的刻度0的地方，第二个0同理
输出：
设置刻度及坐标轴显示
输入：
# 设置刻度的显示、显示图的一部分 plt.figure(figsize=(10, 6))
x1 = np.arange(-2*np.pi, 2*np.pi, 0.01)
x2 = np.arange(-2*np.pi, 2*np.pi, 0.2) y1 = np.sin(3*x2)/x2
y2 = np.sin(2*x1)/x1
y3 = np.sin(x1)/x1 # linestyle设置线条类型；marker设置线条上点的风格
plt.plot(x2, y1, c='b', linestyle='--', marker='^')
plt.plot(x1, y2, c='r', linestyle='-')
plt.plot(x1, y3, c='g') # 设置要显示刻度的刻度值
# plt.xticks([-2*np.pi, -np.pi, 0, np.pi, 2*np.pi]) # 用后面的刻度，替换前面的刻度值
plt.xticks([-2*np.pi, -np.pi, 0, np.pi, 2*np.pi], ['-2π', '-π', '', 'π', '2π'], size=15) # 设置只显示刻度范围内的值
# plt.xlim((-1 * np.pi, np.pi))
# plt.ylim((0, 3)) plt.show()
输出：
3.柱形图
# 读取数据
import pandas as pd review = pd.read_csv(r'D:\codes_jupyter\数据分析_learning\课件\03_matplotlib\fandango_scores.csv', engine='python')
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'RT_norm', 'Fandango_Stars'] # 取出对应列
norm_review = review[cols]
norm_review.head()
FILM RT_user_norm Metacritic_user_nom IMDB_norm RT_norm Fandango_Stars
0 Avengers: Age of Ultron (2015) 4.3 3.55 3.90 3.70 5.0
1 Cinderella (2015) 4.0 3.75 3.55 4.25 5.0
2 Ant-Man (2015) 4.5 4.05 3.90 4.00 5.0
3 Do You Believe? (2015) 4.2 2.35 2.70 0.90 5.0
4 Hot Tub Time Machine 2 (2015) 1.4 1.70 2.55 0.70 3.5
一般柱形图
输入：
# plt.bar函数，画柱形图 # 首先，指定柱的高度
bar_height = norm_review.loc[0, cols[1:]].values # 这里就取5家媒体对0号电影的评分值 # 其次，指定柱的位置
bar_position = np.arange(5) + 1
# print(bar_position) plt.figure(figsize=(10, 6)) # 使用plt.bar函数画柱状图
plt.bar(bar_position, bar_height, 0.5) # 0.5是设置柱的宽度
plt.show()
输出：
设置柱状图的颜色、文本注释、坐标轴格式、标题和标签
输入：
# 设置柱状图的颜色、文本注释、坐标轴格式、标题和标签 bar_height = norm_review.loc[0, cols[1:]].values
bar_position = np.arange(5) + 1
plt.figure(figsize=(10, 6)) # color属性，设置颜色
plt.bar(bar_position, bar_height, 0.5, color=['r', 'g', 'b']) # 设置一种颜色直接color=‘r’ # xticks替换坐标, 利用电影名替换1,2,3，。。。
plt.xticks(bar_position, cols[1:]) #设置标签和标题
plt.xlabel("评分公司")
plt.ylabel("评分")
plt.title("5家公司对电影0的评分情况") # 利用plt.text方法，设置具体数值
for x, y in zip(bar_position, bar_height):
plt.text(x, y, '%.2f'% y, ha='center', va='bottom', size=14) # 说明：
# plt.text()依次传入坐标和字符串内容
# x,y 代表传入柱的位置和高度
# '%.2f' 代表传入字符串的内容
# ha='center' 设置文字水平对齐方式，其他参数查看帮助文档
# va='bottom' 设置文字垂直对齐方式，其他参数查看帮助文档
# size 设置字体大小 plt.show()
输出：
横向柱形图
输入：
# plt.barh画横向柱状图 # 设置柱的高度
bar_width = norm_review.loc[0, cols[1:]].values
# 设置柱的位置
bar_position = np.arange(5) + 1 # 设置画板大小
plt.figure(figsize=(10, 6)) # 设置标签和标题
plt.xlabel('评分公司')
plt.ylabel('分数')
plt.title('公司评分分布图') # 设置坐标轴
plt.yticks(bar_position, cols[1:]) # 添加文本注释
for x,y in zip(bar_width, bar_position):
plt.text(x,y, '%.2f'%x, ha='left', va='center', size=14) # 画出柱状图
plt.barh(bar_position, bar_width, 0.5, color=['r', 'g', 'b'])
plt.show()
输出：
4.散点图
一般散点图
输入：
# plt.scatter（）画出散点图 # 设置画板大小
plt.figure(figsize=(10, 6)) # 传入每个点的x,y坐标
plt.scatter(norm_review['RT_user_norm'], norm_review['Metacritic_user_nom']) # 设置标签
plt.xlabel('RT_user_norm')
plt.ylabel('Metacritic_user_nom')
plt.title('两家媒体对同一电影的评分') plt.show()
输出：
散点图加子图
输入：
# 散点图加子图 # 新建画板
fig = plt.figure(figsize=(10, 6)) # 添加子图
ax1 = fig.add_subplot(2, 1, 1)
ax2 = fig.add_subplot(2, 1, 2) # 画出子图，并进行设置
ax1.scatter(norm_review['RT_user_norm'], norm_review['Metacritic_user_nom'])
ax1.set_xlabel('RT_user_norm') # 添加标签
ax1.set_ylabel('Metacritic_user_nom') ax2.scatter(norm_review['RT_user_norm'], norm_review['Metacritic_user_nom'],s=10, c='r', marker='^' )
# s=10 设置点的大小
# c='r' 设置颜色
# marker='^' 设置点的类型
ax2.set_xlabel('RT_user_norm') # 添加标签
ax2.set_ylabel('Metacritic_user_nom') plt.show()
输出：
输入：
"""
需求说明：
读取pandas_practice数据
一共两个科目的分数，
通过的用红色 x 表示
淘汰的用蓝色 . 表示
添加图例等相关信息
"""
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt # 数据读取
datas = pd.read_csv(r'D:\codes_jupyter\数据分析_learning\课件\03_matplotlib\pandas_practice.csv', engine='python') # 指定画板大小
fig = plt.figure(figsize=(10,4)) # 取出所有通过的人Exam1分数和Exam2分数，添加标签，指定颜色和点型
plt.scatter(datas['Exam1'][(datas['Admitted'] == 1)], datas['Exam2'][(datas['Admitted'] == 1)], label="通过", s=14, c='r', marker='x')
# 取出所有淘汰的人的分数，添加相关内容
plt.scatter(datas['Exam1'][(datas['Admitted'] == 0)], datas['Exam2'][(datas['Admitted'] == 0)], label="淘汰", s=14, c='b') # 添加标签
plt.xlabel('科目1分数')
plt.ylabel('科目2分数') # 添加图例
plt.legend(loc='best') plt.show()
输出：
5.条形图
数据展示：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt reviews = pd.read_csv(r'D:\codes_jupyter\数据分析_learning\课件\03_matplotlib\fandango_scores.csv', engine='python')
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'RT_norm', 'Fandango_Stars'] norm_reviews = reviews[cols]
norm_reviews.head()
FILM RT_user_norm Metacritic_user_nom IMDB_norm RT_norm Fandango_Stars
0 Avengers: Age of Ultron (2015) 4.3 3.55 3.90 3.70 5.0
1 Cinderella (2015) 4.0 3.75 3.55 4.25 5.0
2 Ant-Man (2015) 4.5 4.05 3.90 4.00 5.0
3 Do You Believe? (2015) 4.2 2.35 2.70 0.90 5.0
4 Hot Tub Time Machine 2 (2015) 1.4 1.70 2.55 0.70 3.5
频数分布图
输入：
# 对某家媒体的评分进行统计，拿到评分的频数分布，并画出频数分布图 # 利用value_counts()函数，对不同评分进行统计，得到频数
# fandango_distribute = norm_reviews['RT_user_norm'].value_counts()
# print(fandango_distribute) # 利用sort_index()函数，按照索引排序
# fandango_sort = fandango_distribute.sort_index()
# print(fandango_sort) # plt.hist()函数画出频数分布图
plt.hist(norm_reviews['RT_user_norm'], bins=20, range=(4, 5), edgecolor='black', rwidth=0.8)
# bins=20 将原来数据的范围分为20份
# edgecolot 设置边框的颜色
# rwidth 设置条形的宽度
# range=(4, 5) 可选参数 设置只显示4到5之间的频数分布 plt.show()
输出：
6.三维图
三维线图
输入：
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np # 构造一个3D画板
fig = plt.figure()
ax = Axes3D(fig) x = np.arange(-2, 2, 0.1)
y = np.arange(-2, 2, 0.1)
def f(x, y):
return (x**2 + y**2) # 传入（x,y,z）坐标
ax.plot(x, y, f(x, y), color='r') # 画图 # 设置标签
ax.set_xlabel('x label')
ax.set_ylabel('y label')
ax.set_zlabel('z label') plt.show()
输出：
三维平面图
输入：
# 构造空间图 # 构造一个3D画板
fig = plt.figure()
ax = Axes3D(fig) x = np.arange(-2, 2, 0.1)
y = np.arange(-2, 2, 0.1)
# 将x,y构成点矩阵
x, y = np.meshgrid(x, y) def f(x, y):
return (x**2 + y**2) # 传入（x,y,z）坐标
ax.plot_surface(x, y, f(x, y), color='r') # 画图 # 设置标签
ax.set_xlabel('x label')
ax.set_ylabel('y label')
ax.set_zlabel('z label') plt.show()
输出：
三维散点图
输入：
# 构造一个空间散点图 # 构造一个3D画板
fig = plt.figure()
ax = Axes3D(fig) x = np.arange(-2, 2, 0.1)
y = np.arange(-2, 2, 0.1)
# 将x,y构成点矩阵
x, y = np.meshgrid(x, y) def f(x, y):
return (x**2 + y**2) # 传入（x,y,z）坐标
ax.scatter3D(x, y, f(x, y), color='g', marker='*', s=10) # 画图 # 设置标签
ax.set_xlabel('x label')
ax.set_ylabel('y label')
ax.set_zlabel('z label') plt.show()
输出：
