Matplotlib图形

1、 柱状图

柱状图（Bar Chart）是一种常用的数据可视化工具，用于展示分类数据的分布情况。

语法：

ax.bar(x, height, width=0.8, bottom=None, align='center', **kwargs)

参数：

• x: 柱状图的 X 轴位置。

• height: 柱状图的高度。

• width: 柱状图的宽度，默认为 0.8。

• bottom: 柱状图的底部位置，默认为 0。

• align: 柱状图的对齐方式，可以是 'center'（居中对齐）或 'edge'（边缘对齐）。

• **kwargs: 其他可选参数，用于定制柱状图的外观，如 color、edgecolor、linewidth 等。

案例1：

x = [1, 2, 3, 4, 5, 6]
    y = [100, 50, 200, 350, 240, 190]

    fig, axs = plt.subplots()
    # bar():柱状图
    # 参数:
    # :x轴的数据，格式是列表# height:y轴的数据，格式是列表
    # width:柱子的宽度，范围在0-1之间
    # align:柱子的对齐方式，center、edge
    axs.bar(x, y, width=0.6, align='edge')

    plt.show()

案例2：堆叠柱状图

x = [1, 2, 3, 4, 5, 6]
    y1 = [30, 40, 25, 60, 18, 45]
    y2 = [10, 15, 9, 21, 23, 10]

    fig, axs = plt.subplots()
    # bottom:柱状图底部的位置，默认为0
    axs.bar(x, y1, color='r')
    axs.bar(x, y2, bottom=y1, color='y')

    plt.show()

说明：

bottom=values1：绘制第二个数据集的柱状图，堆叠在第一个数据集上

案例3：分组柱状图

# 数据
categories = ['A', 'B', 'C', 'D']
values1 = [20, 35, 30, 25]
values2 = [15, 25, 20, 10]
​
# 创建图形和子图
fig, ax = plt.subplots()
​
# 计算柱状图的位置
x = np.arange(len(categories))
width = 0.35
​
# 绘制第一个数据集的柱状图
ax.bar(x - width/2, values1, width, color='skyblue', label='Values 1')
​
# 绘制第二个数据集的柱状图
ax.bar(x + width/2, values2, width, color='lightgreen', label='Values 2')
​
# 设置 X 轴标签
ax.set_xticks(x)
ax.set_xticklabels(categories)
​
# 设置标题和标签
ax.set_title('Grouped Bar Chart')
ax.set_xlabel('Categories')
ax.set_ylabel('Values')
​
# 添加图例
ax.legend()
​
# 显示图形
plt.show()

2、 直方图

直方图（Histogram）是一种常用的数据可视化工具，用于展示数值数据的分布情况。

语法：

ax.hist(x, bins=None, range=None, density=False, weights=None, cumulative=False, **kwargs)

参数：

• x: 数据数组。

• bins: 直方图的柱数，可以是整数或序列。

• range: 直方图的范围，格式为 (min, max)。

• density: 是否将直方图归一化，默认为 False。

• weights: 每个数据点的权重。

• cumulative: 是否绘制累积直方图，默认为 False。

• **kwargs: 其他可选参数，用于定制直方图的外观，如 color、edgecolor、linewidth 等。

案例：

data = np.random.randn(1000)

    fig, axs = plt.subplots()

    axs.hist(data, bins=30)

    plt.show()

3、 饼图

饼图（Pie Chart）是一种常用的数据可视化工具，用于展示分类数据的占比情况。

语法：

ax.pie(x, explode=None, labels=None, colors=None, autopct=None, shadow=False, startangle=0, **kwargs)

参数：

• x: 数据数组，表示每个扇区的占比。

• explode: 一个数组，表示每个扇区偏离圆心的距离，默认为 None。

• labels: 每个扇区的标签，默认为 None。

• colors: 每个扇区的颜色，默认为 None。

• autopct: 控制显示每个扇区的占比，可以是格式化字符串或函数，默认为 None。

• shadow: 是否显示阴影，默认为 False。

• startangle: 饼图的起始角度，默认为 0。

• **kwargs: 其他可选参数，用于定制饼图的外观。

案例：

def np_pie():
    x = [20, 30, 25, 40]
    label = ['a', 'b', 'c', 'd']

    fig, axs = plt.subplots()

    axs.pie(x, labels=label, startangle=90, autopct='%1.1f%%')

    plt.show()

4、 折线图

使用 plot 函数

案例：

from matplotlib import pyplot as plt
​
# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
​
# 创建图形和子图
fig, ax = plt.subplots()
​
# 绘制多条折线图
ax.plot(x, y1, label='sin(x)', color='blue')
ax.plot(x, y2, label='cos(x)', color='red')
​
# 设置标题和标签
ax.set_title('Multiple Line Charts')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
​
# 添加图例
ax.legend()
​
# 显示图形
plt.show()

5、 散点图

散点图（Scatter Plot）是一种常用的数据可视化工具，用于展示两个变量之间的关系。

语法：

ax.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, edgecolors=None, **kwargs)

参数：

• x: X 轴数据。

• y: Y 轴数据。

• s: 点的大小，可以是标量或数组。

• c: 点的颜色，可以是标量、数组或颜色列表。

• marker: 点的形状，默认为 'o'（圆圈）。

• cmap: 颜色映射，用于将颜色映射到数据。

• norm: 归一化对象，用于将数据映射到颜色映射。

• vmin, vmax: 颜色映射的最小值和最大值。

• alpha: 点的透明度，取值范围为 0 到 1。

• linewidths: 点的边框宽度。

• edgecolors: 点的边框颜色。

• **kwargs: 其他可选参数，用于定制散点图的外观。

案例：

def np_scatter():
    x = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
    data = [
        [120, 132, 101, 134, 90, 230, 210],
        [220, 182, 191, 234, 290, 330, 310],
    ]
    y0 = data[0]
    y1 = data[1]

    flg, axs = plt.subplots()
    axs.scatter(x, y0, color='red')
    axs.scatter(x, y1, color='b')
    plt.show()

marker常用的参数值：

• 'o': 圆圈

• 's': 正方形

• 'D': 菱形

• '^': 上三角形

• 'v': 下三角形

• '>': 右三角形

• '<': 左三角形

• 'p': 五边形

• '*': 星形

• '+': 加号

• 'x': 叉号

• '.': 点

• ',': 像素

• '1': 三叉戟下

• '2': 三叉戟上

• '3': 三叉戟左

• '4': 三叉戟右

• 'h': 六边形1

• 'H': 六边形2

• 'd': 小菱形

• '|': 竖线

• '_': 横线

6、 图片读取

plt.imread 是 Matplotlib 库中的一个函数，用于读取图像文件并将其转换为 NumPy 数组。这个函数非常方便，可以轻松地将图像加载到 Python 中进行处理或显示。

参数

• fname: 图像文件的路径（字符串）。

• format: 图像格式（可选）。如果未指定，imread 会根据文件扩展名自动推断格式。

返回值

• 返回一个 NumPy 数组，表示图像的像素数据。数组的形状取决于图像的格式：

  • 对于灰度图像，返回一个二维数组 (height, width)。

  • 对于彩色图像，返回一个三维数组 (height, width, channels)，其中 channels 通常是 3（RGB）或 4（RGBA）。

案例：

def np_imread():
    filepath = os.path.dirname(__file__)
    print(filepath)
    filepath = os.path.join(filepath, 'leaf.png')
    print(filepath)
    filepath = os.path.relpath(filepath)
    print(filepath)

    data = plt.imread(filepath)
    print(data.shape)

    print(data)

    # data = data+0.1
    # print(data)

    # 将数组显示为图片
    plt.imshow(data)

    plt.show()

    data1 = np.transpose(data, (2, 0, 1))

    for i in data1:
        plt.imshow(i)
        plt.show()

        # 保存图片
        plt.imsave('leaf1.png', i)