常用图像绘制方法
1. 折线图:plt.plot(x,y)
折线图是最常见的图形之一，适用于展示数据随时间或其他变量变化的趋势。
plt.figure(figsize=(8,4))
x=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
y=[53, 65, 32, 54, 68, 76, 102]
plt.plot(x, y, marker='o')
plt.ylim(0, 500)
plt.title('一周内公园接待人数')
plt.xlabel('星期')
plt.ylabel('人数/个')
for a,b in zip(x, y):
plt.text(
x=a,
y=b+3,
s=b,
ha='center'
)
plt.plot(x, np.cumsum(y), marker='D')
plt.grid()
for a,b in zip(x, np.cumsum(y)):
plt.text(
x=a,
y=b+3,
s=b,
ha='center'
)
2. 散点图:plt.scatter()
散点图用于显示两个变量之间的关系。
# 创建数据
x = np.random.rand(50)
y = np.random.rand(50)
# 绘制散点图
plt.scatter(x, y, color='r', marker='x')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Scatter Plot Example')
plt.show()
3. 柱状图:plt.bar()/plt.hbar()
柱状图适用于显示不同类别数据的比较。
# 创建数据
categories = ['A', 'B', 'C', 'D', 'E']
values = [5, 7, 3, 9, 6]
# 绘制柱状图
plt.bar(categories, values, color='c')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Bar Chart Example')
plt.show()
- 簇型柱状图
要绘制簇型柱状图，您需要将两组数据在相同类别下进行并排显示，而不是重叠在一起。为此，您需要设置 bar 的位置，并通过调整宽度来使柱状图并排显示。可以通过 width 参数控制柱体的宽度，并通过调整 x 坐标来实现这一效果。
# 创建数据
categories = ['A', 'B', 'C', 'D', 'E']
values1 = [5, 7, 3, 9, 6]
values2 = [3, 9, 5, 8, 4]
# 设置柱体宽度
width = 0.2
# 设置类别的x轴位置
x = np.arange(len(categories))
# 绘制簇型柱状图
plt.bar(x - width/2, values1, width, color='c', label='Values 1')
plt.bar(x + width/2, values2, width, color='g', label='Values 2')
# 设置标签和标题
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Clustered Bar Chart Example')
# 设置x轴的刻度标签
plt.xticks(x, categories)
# 添加图例
plt.legend()
# 显示图形
plt.show()
- 堆叠柱状图
通过设置bottom属性，将要堆叠的部分上移动
# 绘制簇型柱状图
plt.bar(categories, values1, width, color='c', label='Values 1')
plt.bar(categories, values2, width, color='g', label='Values 2', bottom=values1)
# 设置标签和标题
plt.xlabel('Categories')
plt.ylabel('Values')
plt.title('Clustered Bar Chart Example')
plt.grid()
# 添加图例
plt.legend()
# 显示图形
plt.show()
4. 直方图：plt.hist(）
直方图用于展示数据的分布情况。
#创建数据
data = np.random.randn(1000)
# 绘制直方图
# 直方图会统计每个数字出现的个数并展示
# bins表示要分的组的范围：((data.max()+1)-data.min())/bins
# edgecolor：边框的颜色
# density=True可以将各个数的此数转换为其占比
plt.hist(data, bins=30, color='g', edgecolor='black', density=True)
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Histogram Example')
plt.show()
5. 饼图:plt.pie(）
饼图适用于展示各部分占整体的比例。
# 数据：不同水果的销售量
labels = ['苹果', '香蕉', '橙子', '葡萄', '西瓜']
sizes = [25, 40, 20, 10, 5] # 每种水果的销售数量
plt.pie(
x=sizes, #数据
labels=labels,#标签
autopct='%.1f%%',#显示百分比
pctdistance=0.8,#百分比位置
labeldistance=1.2,#标签的位置
shadow=True,#阴影
textprops={'fontsize':12, 'color':'black'},#文字大小
explode=[0,0.1,0,0,0] #将某一部分突出展示
)
plt.show()
- 环形饼状图
# 数据：不同水果的销售量
labels = ['苹果', '香蕉', '橙子', '葡萄', '西瓜']
sizes = [25, 40, 20, 10, 5] # 每种水果的销售数量
plt.pie(
x=sizes, #数据
labels=labels,#标签
autopct='%.1f%%',#显示百分比
pctdistance=0.8,#百分比位置
labeldistance=1.2,#标签的位置
textprops={'fontsize':12, 'color':'black'},#文字大小
#用于自定义饼图中各个扇区（楔形区域）外观的属性
wedgeprops={'width':0.4, 'edgecolor':'white'}
)
plt.show()
- 双环形饼状图
import matplotlib.pyplot as plt
# 数据：不同水果的销售量
labels = ['苹果', '香蕉', '橙子', '葡萄', '西瓜']
sizes = [25, 40, 20, 10, 5] # 每种水果的销售数量
sizes2 = [100, 60, 130, 110, 85] # 总利润
# 设置每个扇区的颜色
colors = ['#ff9999', '#66b3ff', '#99ff99', '#ffcc99', '#ffb3e6']
plt.figure(figsize=(8, 6))
# 外层饼图：显示水果的销售量
plt.pie(
x=sizes, # 数据
labels=labels, # 标签
autopct='%.1f%%', # 显示百分比
pctdistance=0.8, # 百分比位置
labeldistance=1.2, # 标签的位置
textprops={'fontsize': 12, 'color': 'black'}, # 文字大小
wedgeprops={'width': 0.4, 'edgecolor': 'white'}, # 扇区外观
colors=colors # 设置颜色
)
# 内层饼图：显示水果的总利润
plt.pie(
x=sizes2, # 数据
autopct='%.1f%%', # 显示百分比
pctdistance=0.8, # 百分比位置
textprops={'fontsize': 12, 'color': 'black'}, # 文字大小
radius=0.6, # 半径
colors=colors # 设置与外层相同的颜色
)
plt.show()
6. 箱线图:plt.boxplot()
- 箱体（Box）：箱体的上、下边分别代表数据的第三四分位数（Q3，75%的数据）和第一四分位数（Q1，25%的数据）。箱体内的中线通常表示数据的中位数（Q2，50%的数据）。
- 须（Whiskers）：箱体的两侧分别延伸出“须”，这些“须”代表了数据的最大值和最小值，但必须排除异常值。通常，须的长度表示数据范围，但不会超出1.5倍四分位间距（IQR，Interquartile Range）。
- 异常值（Outliers）：如果数据点超出1.5倍四分位间距(Q3-Q1)的范围，它们就被视为异常值，通常以小圆点或星号的形式标出。
箱线图用于展示数据的分布情况，特别是异常值和中位数。
plt.boxplot(
x=[-4,1,5,6,7,8,9,15], # 数据集：这是一组包含8个数值的数据
notch=True, # 开启缺口：这会使箱型图的箱体边缘带有缺口，表示中位数的置信区间
sym='r*' # 设置异常值的样式：这里使用红色星形（r*）来表示异常值
)
plt.grid() # 添加网格线：方便查看箱型图和数据的分布
plt.show() # 显示图形：绘制和展示箱型图
7. 热图:plt.imshow()
热图适用于展示二维数据的强度或密度。
data=df.set_index('姓名')
plt.imshow(
X=data.values,
cmap='rainbow'#用于指定 颜色映射（colormap） 的参数
)
plt.xticks(range(len(data.index)), data.index)
plt.yticks(range(len(data.columns)), data.columns)
for i in range(len(data.index)):
for j in range(len(data.columns)):
plt.text(
x=i,
y=j,
s=data.values[i][j])
plt.colorbar()
plt.show()
8. 极坐标图:plt.subplot(projection=‘polar’)
极坐标图用于展示极坐标系下的数据。
N = 8 # 设置N值，表示将圆形分成8份
# 使用np.linspace生成一个从0到2π的等间距的数组，共N个点，不包括2π本身
x = np.linspace(0, 2*np.pi, N, endpoint=False) # 将圆形分成N份
# 生成一个大小为N的随机整数数组，取值范围在1到10之间，用作极坐标的高度
h = np.random.randint(1, 10, size=N) # 极坐标的高度
# 创建一个极坐标图，'projection'设置为'polar'，表示使用极坐标系
axes = plt.subplot(1, 1, 1, projection='polar') # 生成一个极坐标系
# 绘制极坐标条形图
# x: 条形的角度位置，height: 条形的高度，width: 条形的宽度，color: 条形的颜色
axes.bar(x=x, height=h, width=2*np.pi/N, color=np.random.rand(8, 3))
9.雷达图
注意：雷达图的数据要首位相连
fig=plt.figure(figsize=(6,6))
N = 8
x = np.linspace(0, 2 * np.pi, N, endpoint=False) # 角度
axes = plt.subplot(1, 1, 1, polar=True) # 生成一个极坐标系
# 准备数据
data = [85, 90, 80, 80, 60, 38, 93, 77]
labels = ['速度', '中投', '三分', '外防', '内防', '篮板', '突破', '组织']
# 将数据首尾相连
x = np.concatenate((x, [x[0]]))
y = np.concatenate((data, [data[0]]))
# 绘制雷达图
axes.plot(x, y, marker='o')
axes.fill(x, y, alpha=0.3)
# 设置刻度
axes.set_yticklabels([]) # 取消刻度标签
axes.set_xticklabels(labels) # 设置标签
# 显示数值
for i in range(len(data)):
axes.text(
x=x[i], # 角度位置
y=y[i] + 3, # 数值位置略高于数据点
s=str(data[i]), # 显示数值
horizontalalignment='center', # 水平居中
size=10 # 字体大小
)
plt.show()
fig.savefig('1.png')
10. 填充图（Fill Plot）
填充图展示数据之间的区域，常用于展示函数曲线下方的面积。
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
# 绘制填充图
plt.fill_between(x, y, color='lightblue', alpha=0.5)
plt.plot(x, y, label='y = sin(x)', color='blue')
plt.title('Fill Plot Example')
plt.show()
扫一扫
6480
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
