pyplot饼图的绘制

Python matplotlib 绘制饼图 前言 众所周知,matplotlib.pyplot 提供绘制不同表格绘制方法,如使用plot()方法绘制折线,bar()绘制柱 在matplotlib.pyplot 中还有一种图表用于直观表示占比情况的饼图,在matplotlib官网上也列举出非常多关于饼图的案例。 本期,我们将详细学习matplotlib 绘制饼图相关属性的学习,let's go~ 1. 等高线图概述 什么是饼图? 饼图将各项的大小与总项和的比例显示在一个圆里 饼图展示通过不同大小,来确定各项的占比 饼图相. 阅读详情

本文的主要内容是基于中国大学mooc(慕课)中的“Python数据分析与可视化”课程进行整理和总结。
能够根据百分比展示数据功能的图表,对显示形式为百分数的数据具有很好的展示效果。使用matplotlib种的pie函数绘制饼图。

x = [10,20,50,30]
plt.pie(x)

在这里插入图片描述
得到的会直接过如上图所示,需要为pie函数输入一个列表类型的数据,函数会将各数据值以百分数形式绘制称为饼状图。x作为最基本的输入属性是必须要作为参数输入的,当然,pie函数也有一些其他的属性可以完善绘图功能。

x = [10,20,50,30]
label = ['A','B','C','D']
explods = [0,0.2,0,0]
plt.pie(x,labels=label,explode=explods)

在这里插入图片描述

可以看到,当增加了label和explod属性后就变成了带标签的,指定某一数据具有爆炸效果的饼图,其中label和explod均为列表。

x = [10,20,50,30]
label = ['A','B','C','D']
explods = [0,0.2,0,0]
plt.pie(x,labels=label,shadow=True,autopct='1.1f%%',explode=explods)

在这里插入图片描述
属性shadow默认为False,表示无阴影效果,autopct表示百分数的显示效果。

x = [10,20,50,30]
label = ['A','B','C','D']
explods = [0,0.2,0,0]
plt.pie(x,labels=label,shadow=True,autopct='1.1f%%',explode=explods,startangle=90)
plt.legend(loc = (1,1))

在这里插入图片描述
startangle表示饼图绘制第一个数据的起始位置,同时添加了图例。

pyplot绘制折线图 散点图 饼图 绘制折线图 使用numpy产生[0,10]的随机数50个 import numpy as np from matplotlib import pyplot as plt x= np.arange(50) y =np.random.randint(0,10,50) fig, ax=plt.subplots() ax.plot(x,y) plt.show() 这里ax是绘图对象 将上面的代码中ax... 阅读详情

相关推荐

python pyplot库画线图、饼图、条形图

Matplotlib pyplot库: • Matplotlib的pyplot子库提供了和MATLAB类似的绘图API,方 便用户快速绘制2D图表,包括直方图、饼图、散点图等 下面我们介绍用pyplot画线图、饼图、条形图 绘制线图 >>>import matplotlib.pyplot as plt #导入模块matplotlib.pyplot >>&g...

qq_43799507的博客 1338

(代码详解)饼图绘制+参数讲解+饼图内外标签字体大小设置+添加图例,并调整图例大小与位置+调整标题与图之间的距离

(代码详解)饼图绘制+参数讲解+饼图内外标签字体大小设置+添加图例,并调整图例大小与位置+调整标题与图之间的距离

2301_81199775的博客 7523

matplotlib.pyplot 绘图应用--(散点图、折线图、饼图、条形图、箱线图)

一、散点图、折线图 import numpy as np import matplotlib.pyplot as plt # plt.rcParams['font.sans-serif']='SimHei' plt.rcParams['axes.unicode_minus']= False #numpy版本为1.16.1或1.16.2 最新的1.16.3 load功能更新需设置 data=np....

Cganger的博客 1618

Python数据可视化01:饼图(扇形统计图)

底下有投票!!!饼图英文学名为Sector Graph,又名Pie Graph。常用于统计学模块。2D饼图为圆形,手画时,常用圆规作图。 仅排列在工作表的一列或一行中的数据可以绘制到饼图中。饼图显示一个数据系列 (数据系列:在图表中绘制的相关数据点,这些数据源自数据表的行或列。图表中的每个数据系列具有唯一的颜色或图案并且在图表的图例中表示。可以在图表中绘制一个或多个数据系列。饼图只有一个数据系列。)中各项的大小与各项总和的比例。饼图中的数据点 (数据点:在图表中绘制的单个值,这些值由条形、柱形、折线、饼图或

m0_54853503的博客 1万+

最全Python绘制饼形图(饼状图)

让你彻底学会用Python绘制饼状图。

阿黎逸阳的博客 8万+

Python中绘制饼图等可视化图表

在数据分析和机器学习中,可视化是一项重要的技能。Python的matplotlib库是一个非常强大的画图工具,通过它可以轻松绘制多种类型的图表,其中就包括饼图。下面将介绍如何使用Python的matplotlib库绘制饼图。通过调整上述参数,可以绘制出各种不同类型的饼图。绘制饼图是数据可视化中非常重要的一环,希望这篇简单的教程能够为初学者提供一些帮助。在matplotlib库中,绘制饼图的函数为pie。Python中绘制饼图等可视化图表。

持续更新 894

matplotlib.pyplot.pie()绘制饼图

一、matplotlib.pyplot.pie()语法 二、绘制饼图 ① 绘制简单饼图 ②各个参数绘制的饼图 (1)explode参数(数组,设置各部分相隔多少) (2)labels参数(列表,设置各部分标签) (3)autopct参数(显示饼图内的百分比) (4)pctdistance参数(float值,设置autopct的位置刻度,默认值0.6) (5)shadow参数(bool值,设置是否有阴影,默认值False) (6)labeldistance参数(设置饼块外标签与圆心

Yangyuqing_的博客 5021

从零到一:STM32 CubeMX与WS2812B的DMA驱动艺术

本文详细介绍了如何使用STM32 CubeMX和DMA技术驱动WS2812B RGB LED灯条,从硬件设计到软件实现的全过程。通过CubeMX配置定时器和DMA,实现高效的PWM波形生成与数据传输,解决传统GPIO控制资源占用高的问题。文章还提供了颜色编码、动画效果实现及常见问题解决方案,助力开发者快速掌握智能LED控制技术。

weixin_28278377的博客 978

python matplotlib pyplot 绘制饼图

#每天一点点,记录工作中实际可行操作# python matplotlib pyplot 绘制饼图 #plt.pie(data, explode)绘制饼图函数(数据,字符分割) import matplotlib.pyplot as plt labels = 'Frogs','Hogs','Dogs','Logs'#给出4个品项 sizes = [15,30,45,10]#给出分别的尺寸 ...

YmeBtc的博客 1282

告别手动维护!教你用SAP BAPI批量更新生产订单BOM组件(CO02工单)

本文详细介绍了如何利用SAP BAPI实现生产订单BOM组件的批量更新,解决传统手工操作(如CO02工单)效率低下的问题。通过核心函数解析和批量处理框架设计,帮助用户大幅提升工作效率,降低错误率,适用于物料主数据变更、季节性配方调整等场景。

weixin_30844577的博客 561

保姆级教程:在Windows 10上为QT5.15.2配置Android开发环境(含SDK/NDK/JDK避坑指南)

本文提供了一份详细的Windows 10环境下为QT5.15.2配置Android开发环境的保姆级教程,涵盖SDK、NDK、JDK的安装与配置,以及常见问题的避坑指南。通过优化安装流程、解决Gradle下载慢等痛点,帮助开发者快速搭建稳定的编译环境,并提供了模拟器配置和调试技巧,确保开发效率。

weixin_30919571的博客 528

【可视化2-升级图形】使用Python中matplotlib.pyplot库绘制 堆积图、饼图、雷达图

使用Python中matplotlib.pyplot库绘制 堆积图、饼图、雷达图

Likely_X的博客 1501

数据中心光模块升级实录:从200G QSFP56到400G QSFP-DD的踩坑指南

本文记录了数据中心从200G QSFP56升级至400G QSFP-DD光模块的完整实战经验。文章深入剖析了升级过程中面临的兼容性、链路预算、布线、散热与功耗管理等核心挑战,并提供了具体的解决方案与排坑指南,为高速网络升级提供了宝贵的实践参考。

butter的博客 479

七、matplotlib系列---pyplot饼图的绘制

matplotlib系列—pyplot饼图的绘制pyplot使用plt.pie()来绘制饼图import matplotlib.pyplot as pltlabels = 'Frogs','Hogs','Dogs','Logs' sizes = [15,30,45,10] explode = (0,0.1,0,0) #0.1表示将Hogs那一块凸显出来 plt.pie(sizes,explode=e

G的博客 1万+

Android 9.0 SystemUI禁用长按recent键的分屏功能

​ 在9.0的系统产品开发中,系统对于多窗口模式默认会有分屏功能的,但是在某些产品中,需要禁用分屏模式,所以需要在导航栏中 禁用长按recent的分屏模式功能,接下来分析下相关分屏模式的实现 ​

安卓兼职framework和app工程师的博客 448

数据结构课程设计C/C++版--美团餐馆预定信息的管理与分析 5 6

第5关:注销个人信息。

m0_62222486的博客 2126

python绘制饼图程序_Python入门-matplotlib的pyplot子库-绘制饼图

饼状图显示一个数据系列中各项的大小与各项总和的比例。pyplot使用pie()来绘制饼图,其语法格式如下:pie(sizes, explode= None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None)参数...

weixin_39736150的博客 667

医疗影像配准与融合: 使用MATLAB对医学影像进行配准和融合,实现不同影像模态之间的对准和结构信息融合等

医疗影像配准与融合是医学影像处理的重要技术,它用于将不同来源、不同时间或不同模态的医学影像进行配准和融合,以获得更加完整、准确的患者解剖信息。基于MATLAB的医疗影像配准与融合可以帮助医生更准确地诊断疾病,制定更有效的治疗方案。医疗影像配准与融合是医学影像处理的关键技术,它对于提高医学影像诊断和治疗的准确性至关重要。MATLAB是一种功能强大的数学和科学计算软件,它可以为医疗影像配准与融合提供强大的工具和支持。

走向CTO的路上... 713

matpltlib.pyplot绘制饼图

代码来源:Python数据分析与挖掘实战 #-*- coding: utf-8 -*- import matplotlib.pyplot as plt labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' #定义标签 sizes = [15, 30, 45, 10] #定义每一块的比例 colors = ['yellowgreen', 'gold',...

见贤思齐 433

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

【4. BSP开发指南 - [4.6. 安全启动使用说明]】

Sugar_wolf的博客 275

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Matplotlib库学习笔记(7) pyplot 绘制饼图

参考链接: Matplotlib官网 参考链接: Python数据分析与展示 参考链接: Matplotlib官网 API Overview

敲代码的小风 664

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

python脚本画pie饼图_python 使用matplotlib.pyplot.pie绘制饼图

一、饼图(Pie)介绍饼图广泛得应用在各个领域,用于表示不同分类的占比情况,通过弧度大小来对比各种分类。饼图通过将一个圆饼按照分类的占比划分成多个区块,整个圆饼代表数据的总量,每个区块(圆弧)表示该分类占总体的比例大小,所有区块(圆弧)的加和等于 100%。二、饼图绘制1、如果需要显示不同的电影的排片占比1.1电影排片:1.2数据:movie_name = ['雷神3:诸神黄昏','正义联盟','...

weixin_39958025的博客 444

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

利用pandas读取Excel表格,用matplotlib.pyplot绘制直方图、折线图、饼图

利用pandas读取Excel表格,用matplotlib.pyplot绘制直方图、折线图、饼图 数据: 折线图代码: import pandas as pdimport matplotlib.pyplot as plt​plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签plt.rc...

4065

python数据可视化 | matplotlib.pyplot()函数绘制饼图

【代码】python数据可视化 | matplotlib.pyplot()函数绘制饼图。

梦在硅谷的博客 820

pyplot基本图形(饼图、直方图、极坐标图、散点图、曲线图)的绘制

       本来是想出一个pyplot的教程记录一下,但是matplotlib这个库实在是太强大了,当然它的子库pyplot也是非常强大,所以我就写了一些常用的图形例子供大家参考使用。如果我们需要绘制更多的图形可以自行去官网或者博客查阅学习,学无止境! 1.饼图的绘制 import matplotlib.pyplot as plt labels = 'Frogs','Hogs','Dogs','Logs' #饼图的标签 sizes =

☆下山☆的博客 941
上一篇: pyplot的基础图表函数
下一篇: pyplot直方图
June �
博客等级 码龄8年 10粉丝 27原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值