C C++最全matplotlib 基础教程_arrstyles什么意思(1)，你会的还只有初级工程师的技术吗

本文链接：https://blog.youkuaiyun.com/2401_84973592/article/details/138872352

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

做数据分析，首先是要熟悉和理解数据，所以掌握一个趁手的可视化工具是非常重要的，否则对数据连个基本的感性认识都没有，如何进行下一步的design

原文地址（非常棒）：http://www.cnblogs.com/fxjwind/p/3923028.html

Getting Started with Matplotlib

先看个简单的例子，plot，即画线

画线，需要给出线上的点的坐标，然后Matplotlib会自动将点连成线

In [2]: x = range(6)
In [3]: plt.plot(x, [xi**2 for xi in x])

可以看到plot的参数是两个list，分布表示x轴和y轴的坐标点的list

可以看到这里的线不是很平滑，是因为range的产生的点粒度比较粗，并且使用list comprehension来产生y值

所以这里尽量使用Numpy的arange(x, y, z)函数

好处是粒度可以更小，而且关键是返回的是Numpy的Array，可以直接进行向量或矩阵运算，如下

In [3]: x = np.arange(1, 5)
In [4]: plt.plot(x, x*1.5, x, x*3.0, x, x/3.0)

可以用plot画多条线

Grid, axes, and labels

打开网格

In [5]: plt.grid(True)

默认会自动产生X和Y轴上的取值范围，比如上面的图，

In [5]: plt.axis() # shows the current axis limits values
Out[5]: (1.0, 4.0, 0.0, 12.0)
分别表示，[xmin, xmax, ymin, ymax]，所以看上图x轴是从1到4，y轴是从0到12

改变取值范围，
In [6]: plt.axis([0, 5, -1, 13]) # set new axes limits

还能给x和y轴加上lable说明，

In [2]: plt.plot([1, 3, 2, 4])
In [3]: plt.xlabel(‘This is the X axis’)
In [4]: plt.ylabel(‘This is the Y axis’)

Titles and legends

给整个图加上title

In [2]: plt.plot([1, 3, 2, 4])
In [3]: plt.title(‘Simple plot’)

还可以给每条线增加图示，legend

In [3]: x = np.arange(1, 5)
In [4]: plt.plot(x, x*1.5, label=‘Normal’)
In [5]: plt.plot(x, x*3.0, label=‘Fast’)
In [6]: plt.plot(x, x/3.0, label=‘Slow’)
In [7]: plt.legend()

指定每条线的label，然后调用legend()会自动显示图示

可以看到这个图示的位置不是很好，挡住图，可以通过参数指定位置

legend(loc=‘upper left’)

loc可以选取的值，其中best，是自动找到最好的位置

Saving plots to a file

最简单，使用默认设置
plt.savefig(‘plot123.png’)

其中两个设置可以决定图片大小，figure size and the DPI

In [1]: import matplotlib as mpl
In [2]: mpl.rcParams[‘figure.figsize’]
Out[2]: [8.0, 6.0]
In [3]: mpl.rcParams[‘savefig.dpi’]
Out[3]: 100

an 8x6 inches figure with 100 DPI results in an 800x600 pixels image，这就是默认值

In [4]: plt.savefig(‘plot123_2.png’, dpi=200)

这样图的分辨率，变为1600×1200

Decorate Graphs with Plot Styles

Markers and line styles

上面画的线都是一样的，其实我们可以画出各种不同的线
Marker就是指形成线的那些点

plot() supports an optional third argument that contains a format string for each pair of X, Y arguments in the form of:
plt.plot(X, Y, ‘’, …)

plot通过第三个string参数可以用来指定，Colors，Line styles，Marker styles

线的颜色，

线的style，

Marker的style

可以用string format单独或混合的表示所有的style，

In [3]: y = np.arange(1, 3, 0.3)
In [4]: plt.plot(y, ‘cx–’, y+1, ‘mo:’, y+2, ‘kp-.’);

比如第一条线，c表示cyan青色，x表示marker style为x，–表示line style

一般用string format已经足够，但也可以用具体的keyword参数进行更多的个性化

Handling X and Y ticks

前面X和Y轴上的ticks是自动生成的，这个也是可以通过xticks和yticks函数个性化定制的

The arguments (in the form of lists) that we can pass to the function are:
• Locations of the ticks
• Labels to draw at these locations (if necessary)

可以定义，每个tick的location和相应的label（可选，不指定默认显示location）

In [2]: x = [5, 3, 7, 2, 4, 1]
In [3]: plt.plot(x);
In [4]: plt.xticks(range(len(x)), [‘a’, ‘b’, ‘c’, ‘d’, ‘e’, ‘f’]);
In [5]: plt.yticks(range(1, 8, 2));

对x轴同时指定location和label
对y轴只是指定location

Plot types

上面介绍了很多，都是以plot作为例子，matplotlib还提供了很多其他类型的图
作者这张图很赞，描述所有图的用法

Histogram charts

直方图是用来离散的统计数据分布的，会把整个数据集，根据取值范围，分成若干类，称为bins
然后统计中每个bin中的数据个数

In [3]: y = np.random.randn(1000)
In [4]: plt.hist(y);
In [5]: plt.show()

hist默认是分为10类，即bins=10，上图就是把取值[-4,4]上的1000个随机数，分成10个bins，统计每个的数据个数
可以看出这个随机函数是典型的正态分布

我们可以改变bins的值，
In [6]: plt.hist(y, 25);

如图是，分成25个bins

Error bar charts

In [3]: x = np.arange(0, 4, 0.2)
In [4]: y = np.exp(-x)
In [5]: e1 = 0.1 * np.abs(np.random.randn(len(y)))
In [8]: e2 = 0.1 * np.abs(np.random.randn(len(y)))
In [9]: plt.errorbar(x, y, yerr=e1, xerr=e2, fmt=‘.-’, capsize=0);

画出每个点的同时，画出每个点上的误差范围

还能画出非对称的误差，
In [11]: plt.errorbar(x, y, yerr=[e1, e2], fmt=‘.-’);

Bar charts

plt.bar([1, 2, 3], [3, 2, 5]);

对于bar，需要设定3个参数
左起始坐标，高度，宽度（可选，默认0.8）
所以上面的例子，指定起始点和高度参数

好，看个复杂的例子，bar图一般用于比较多个数据值

In [3]: data1 = 10*np.random.rand(5)
In [4]: data2 = 10*np.random.rand(5)
In [5]: data3 = 10*np.random.rand(5)
In [6]: e2 = 0.5 * np.abs(np.random.randn(len(data2)))
In [7]: locs = np.arange(1, len(data1)+1)
In [8]: width = 0.27
In [9]: plt.bar(locs, data1, width=width);
In [10]: plt.bar(locs+width, data2, yerr=e2, width=width, color=‘red’);
In [11]: plt.bar(locs+2*width, data3, width=width, color=‘green’) ;
In [12]: plt.xticks(locs + width*1.5, locs);

需要学习的是，如何指定多个bar的起始位置，后一个bar的loc = 前一个bar的loc + width
如何设置ticks的label，让它在一组bars的中间位置，locs + width*1.5

Pie charts

饼图很好理解，表示成分

In [2]: plt.figure(figsize=(3,3));
In [3]: x = [45, 35, 20]
In [4]: labels = [‘Cats’, ‘Dogs’, ‘Fishes’]
In [5]: plt.pie(x, labels=labels);

来个复杂的，
增加explode，即突出某些wedges，可以设置explode来增加offset the wedge from the center of the pie，即radius fraction
0表示不分离，越大表示离pie center越远，需要显式指定每个wedges的explode

增加autopct，即在wedges上显示出具体的比例

In [2]: plt.figure(figsize=(3,3));
In [3]: x = [4, 9, 21, 55, 30, 18]
In [4]: labels = [‘Swiss’, ‘Austria’, ‘Spain’, ‘Italy’, ‘France’, ‘Benelux’]
In [5]: explode = [0.2, 0.1, 0, 0, 0.1, 0]
In [6]: plt.pie(x, labels=labels, explode=explode, autopct=‘%1.1f%%’);