資料可視化何其多，除了Tableau，ECharts，Matplotlib也是神器之一，將枯燥無味的資料形象直觀地展示出來，是很有成就感的事情，Matplotlib作為資料科學的的必備庫，算得上是python可視化領域的元老，更是很多高級可視化庫的底層基礎，其重要性不言而喻，本文主要學習的是matplotlib.pyplot的可視化應用

一、資料可視化型別

二、相關函式簡介

matplotlib.pyplot是一個命令型函式集合，它可以讓人們像使用MATLAB一樣使用matplotlib，在matplotlib.pyplot庫中有plt子庫，該子庫提供了7個用于讀取和顯示的函式，17個用于繪制基礎圖表的函式、3個區域填充函式、9個坐標軸設定函式以及11個標簽與文本設定函式，具體如下表1-1~1-5所示：

注意：均可通過help()命令查看API，用到什么查什么，

補充：

繪圖介面有2種形式，分別是面向"當前"圖的plt介面和面向物件介面，在這2種方式的相應介面中，多數介面名是一致的，例如：plt.plot()和axes.plot()、plt.legend()和axes.legend()，但也有一些不一致的介面：

plt.axes()——fig.add_axes()

plt.subplot()——fig.add_subplot()

plt.GridSped()——fig.add_gridspec()

plt.xlabel()——axes.set_xlabel()

plt.ylabel()——axes.set_ylabel()

plt.xlim()——axes.set_xlim()

plt.ylim()——axes.set_ylim()

plt.title()——axes.set_title()

對此，一方面兩類介面雖然略有區別，但也還算有規律；另一方面，在面向物件繪圖配置圖例時，有更為便捷的設定圖例介面axes.set()，其可以接收多種引數一次性完成所有配置，這也正是面向物件繪圖的強大之處，

三、一些常用的基礎API

1、解決中文亂碼，防止方塊化

plt.rcParams["font.sans-serif"]="SimHei"

2、解決負號不能正常顯示的問題

plt.rcParams["axes.unicode_minus"]=False

3、在jupyter notebook上面顯示圖片

%matplotlib inline

4、作圖使用svg格式顯示更為清晰

%config InlineBackend.figure_format="svg"

5、設定畫布

plt.figure() 創建一個全域繪圖區域
引數：
num：設定影像編號
figsize：設定影像的寬度和高度，單位為英寸
facecolor：設定影像的背景顏色
dpi：設定繪圖物件的解析度
edgecplor：設定影像的邊框顏色

6、創建子圖

fig=plt.figure(）

fig.add_subplot(3,2,2)   #3X2的第2個圖形

或者plt.subplot(3,2,2)    #3X2的第2個圖形

四、繪圖3步走

五、幾種常用圖表

下面將介紹幾種較為常用的圖表：柱狀圖、餅圖、折線圖、散點圖、氣泡圖/云圖、雷達圖，

1、柱狀圖

柱狀圖也叫條形圖，是一種以長方形的長度為變數來表達圖形的統計報告圖，它由一系列高度不等的縱向條紋表示資料分布的情況，用來比較兩個或兩個以上的數值，

它適用于二維資料集，并且該資料集只需要（或者說“只能”更準確一些）比較其中一個維度，實作比較的手段就是利用柱狀體之間的高度差來反映資料差異，因為人的肉眼對于高度的辨識度是較高的，但是，當資料集的規模太過龐大時，柱狀體太多也會在所難免的沒有那么方便地進行比較了，所以柱狀圖一般只適用于中小規模的資料集，

柱狀圖實際上是用來表示分組（或離散）變數的可視化

API：

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

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少個型別，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(x, a,  width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()

結果展示：

水平條形圖

繪制方法一：使用plt.bar()
還用上的資料，引數orientation默認是’vertical’垂直，改為"horizontal"（水平），
注意：
1、x的起始位置，水平條底部，以及長度的取值變化
2、添加標簽的時候enumerate()函式遍歷出的結果（自動加序號），以及text()函式的引數，

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少個型別，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.bar(0,bottom=x,height=width,width=a, label='a',orientation="horizontal")
plt.bar(0,bottom=x+width,height=width,width=b,label='b',orientation="horizontal")
plt.bar(0,bottom=x+2*width,height=width,width=c,label='c',orientation="horizontal")

plt.legend()
plt.show()

結果展示：

繪制方法二：使用plt.barh()

barh(y, width, height=0.8, left=None, *, align='center', **kwargs)

還用上的資料，引數orientation為"horizontal"（水平），

示例：

import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
d = np.random.random(size)
x = np.arange(size)

total_width, n = 0.8, 3     # 有多少個型別，只需更改n即可
width = total_width / n
x = x - (total_width - width) / 2

plt.barh(x, left=0,height=width,width=a,orientation="horizontal",alpha = 0.8)
plt.barh(x+width, left=0,height=width,width=b,orientation="horizontal",alpha = 0.8)
plt.barh(x+2*width, left=0,height=width,width=c,orientation="horizontal",alpha = 0.8)
plt.legend()
plt.show()

結果展示：

2、折線圖

在折線圖中，我們通常更關注于每條折線的走勢（或者說“更能看出資料的走向”，所以它適用于整體趨勢比單個資料點更重要的二維資料集，而正因為它關心的是整體而非個別的點，所以當資料集的規模越大時，折線圖所呈現的整體會更加的準確，每個資料集在折線圖中僅表現為一條折線，這使得它可以同時承載多個資料集并提供比較，

API：

plt.plot(x,y,linestyle,linewidth,color,marker,markersize,markeredgecolor,markerfactcolor,label,alpha)

引數：

x，y：指定折線圖的x軸/y軸的資料；

linestyle：指定折線的型別，可以是實線、虛線、點虛線等，默認文實線；

linewidth：指定折線的寬度

marker：設定點的形狀

markersize：設定點的大小

markeredgecolor：設定點的邊框色

markerfactcolor：設定點的填充色

label：為折線圖添加標簽

常用的marker風格：

“+”：十字          “O”：圓圈

“*”：星型          “s”：正方形

“p”：五邊形         “h”：六邊形

“d”：小菱形         “D”：鉆石       

常用的color風格：

“b”：blue藍色            “g”：green綠色  

“k”：黑色                “w”：white白色

“r”：red紅色             “y”：yellow黃色

“c”：cyan青色            “m”：magenta品紅

示例：

import numpy as np
import matplotlib.pyplot as plt
plt.figure(figsize=(10,6))
x = np.arange(-2*np.pi,2*np.pi,0.01)
#x = np.arange(-2*np.pi,2*np.pi,0.01)
x1 = np.arange(-2*np.pi,2*np.pi,0.2)
y1 = np.sin(3*x1)/x1
y2 = np.sin(2*x)/x
y3 = np.sin(x)/x
plt.plot(x1,y1,c='b',linestyle='--',marker='^',label="y1=sin(3*x1)/x1")#linestyle設定線的風格，marker設定點的風格
plt.plot(x,y2,c='r',linestyle='-.',label="y2=sin(2*x)/x")
plt.plot(x,y3,c='g',label="y3=sin(x)/x")
plt.legend()
plt.show()

結果展示：

3、餅圖

餅圖是一種經常被人們避免使用的圖表，因為人眼對面積的辨識度沒有像對高度那樣那么高，所以利用面積去反映資料起不到很好的作用，但是，存在即合理，當我們想要去強調某個部分占整體的比重時，用餅圖是再適合不過了，

餅圖用于表示不同分類的占比情況，通過弧度大小來對比各種分類，餅圖將一個圓餅按照分類的占比劃分成多個區塊，整個圓餅代表資料的總量，每個區塊（圓弧）表示該分類占總體的比例大小，

API：

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

引數：

x：指定繪圖的資料；

explode：指定餅圖某些部分的突出顯示，即呈現爆炸式；

labels：為餅圖添加標簽說明，類似于圖例說明；

colors：指定餅圖的填充色；

autopct：自動添加百分比顯示，可以采用格式化的方法顯示；

pctdistance：設定百分比標簽與圓心的距離；

shadow：是否添加餅圖的陰影效果；

labeldistance：設定各扇形標簽（圖例）與圓心的距離；

startangle：設定餅圖的初始擺放角度；

radius：設定餅圖的半徑大小；

counterclock：是否讓餅圖按逆時針順序呈現；

wedgeprops：設定餅圖內外邊界的屬性，如邊界線的粗細、顏色等；

textprops：設定餅圖中文本的屬性，如字體大小、顏色等；

center：指定餅圖的中心點位置，默認為原點

frame：是否要顯示餅圖背后的圖框，如果設定為True的話，需要同時控制圖框x軸、y軸的范圍和餅圖的中心位置；

示例：

import matplotlib.pyplot as plt

labels = 'A', 'B', 'C', 'D'
fracs = [15, 30.55, 44.44, 10]
color = 'blue','red','yellow','green'
explode = [0, 0.1, 0, 0]  # 0.1 凸出這部分，
plt.pie(x=fracs,explode=explode, # 突出分裂的部分
        labels=labels, # 添加分類標簽
        colors=color, # 設定餅圖的自定義填充色
        autopct='%.1f%%', # 設定百分比的格式，這里保留一位小數
        pctdistance=0.6,  # 設定百分比標簽與圓心的距離
        labeldistance = 1.15, # 設定各標簽與圓心的距離
        startangle = 180, # 設定餅圖的初始角度
        radius = 1, # 設定餅圖的半徑
        counterclock = False, # 是否逆時針，這里設定為順時針方向
        wedgeprops = {'linewidth': 1.3, 'edgecolor':'green'},# 設定餅圖內外邊界的屬性值
        textprops = {'fontsize':15, 'color':'k'}, # 設定文本標簽的屬性值
        center = (0.5,0.5), # 設定餅圖的原點
        frame = 0 )# 是否顯示餅圖的圖框，這里設定顯示
plt.show()

結果展示：

4、散點圖

散點圖在回歸分析中的使用較多，他將序列顯示為一組點，值點在圖示表中的位置表示，類別由圖表中的不同標記表示，所以散點圖通常用于比較跨類別的聚合資料，

散點圖正是用來尋找資料集維度間的相互關系的，如果資料集規模足夠大并且維度間可能并不存在關系，我們依然可以通過散點圖來總結資料點的分布模式，得到有用的資訊，

API:

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

常用引數解釋：

x，y：表示即將繪制散點圖的資料點
s：是一個可選的引數，
c：表示的是顏色，也是一個可選項，
marker:表示的是標記的樣式，默認的是'o'，
alpha：實數，0-1之間，

示例：

#匯入必要的模塊
import numpy as np
import matplotlib.pyplot as plt
#產生測驗資料
x = np.arange(1,10)
y = x
fig = plt.figure()
ax1 = fig.add_subplot(111)
#設定標題
ax1.set_title('Scatter Plot')
#設定X軸標簽
plt.xlabel('X')
#設定Y軸標簽
plt.ylabel('Y')
#畫散點圖
ax1.scatter(x,y,c = 'r',marker = 'o')
#設定圖示
plt.legend('x1')
#顯示所畫的圖
plt.show()

結果展示：

5、氣泡圖/云圖

氣泡圖是二維圖表展示三維（或者四維）資料集的典范，通常被看做散點圖的變種，它利用點的面積來表示第三維的數值，但是，前面提到過，人眼對面積的辨識度并不高，所以氣泡圖只能用于對第三維的展現不做精確要求的場景，

示例：

import numpy as np
import matplotlib.pyplot as plt

x=np.random.rand(50)
y=np.random.rand(50)
colors=np.random.rand(50)   #顏色隨機
area=(50*np.random.rand(50))**2   #散點的大小隨機
fig=plt.figure(figsize=(10,5))

plt.subplot(1,1,1)
plt.scatter(x,y,s=area,marker="o",c=colors)
#設定標題
plt.title("plot of scatter for x to y",fontdict={'fontsize':20,'color':'blue'},loc='center')
# 設定x軸和y軸的軸標題
plt.xlabel("x for x in range(50)",fontdict={'fontsize':10,'color':'blue'})
plt.ylabel("y for y in range(50)",fontdict={'fontsize':10,'color':'blue'})
# 添加圖例
# plt.legend('xfory')
# 添加數字標簽
for a,b in zip(x,y):
    plt.text(round(a,2),round(b,2),round(b,2),ha="center",va='top',fontdict={'fontsize':7,'color':'black'})
plt.xlim(0,1)  #x軸的坐標軸取值范圍
# 給坐標A添加標注A（x10,y10）
plt.annotate("A(x,y)",xy=(x[10],y[10]),fontsize=15)
plt.show()

結果展示：

6、直方圖

直方圖又稱質量分布圖，是一種統計報告圖，它由一系列高度不等的縱向條紋或線段表示資料分布的情況，一般用橫軸表示資料型別，用縱軸表示分布情況，

API：

hist(x, bins=None, range=None, density=None, weights=None, cumulative=False, bottom=None, histtype='bar', align='mid', orientation='vertical', rwidth=None, log=False, color=None, label=None, stacked=False)

引數：

x：指定要繪制直方圖的資料；

bins：指定直方圖條形的個數；

range：指定直方圖資料的上下界，默認包含繪圖資料的最大值和最小值；

normed：是否將直方圖的頻數轉換成頻率；

weights：該引數可為每一個資料點設定權重；

cumulative：是否需要計算累計頻數或頻率；

bottom：可以為直方圖的每個條形添加基準線，默認為0；

histtype：指定直方圖的型別，默認為bar，除此還有’barstacked’,‘step’, ‘stepfilled’；

align：設定條形邊界值的對其方式，默認為mid，除此還有’left’和’right’；

orientation：設定直方圖的擺放方向，默認為垂直方向；

rwidth：設定直方圖條形寬度的百分比；

log：是否需要對繪圖資料進行log變換；

color：設定直方圖的填充色；

label：設定直方圖的標簽，可通過legend展示其圖例；

stacked：當有多個資料時，是否需要將直方圖呈堆疊擺放，默認水平擺放；

示例：

#電影時長分布分析（直方圖）
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
import matplotlib

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 顯示中文
x = [194,110,109,104,48,60,127,41,196,74,116,123,169,60,86,87,60,60,60,105,60,112,60,120,60,60,60,238,128,7,280,180,87,122,18,60,60,60,12,92,60,
     127,115,60,121,115,60,60,60,119]

plt.figure()
plt.hist(x,50,histtype='bar',label='電影時長',facecolor='red',alpha=0.75)
plt.title('電影時長分布分析')
plt.legend()
plt.show()

結果展示：

7、雷達圖

雷達圖可以用來表示多維（四維以上）的資料集，并且資料集的每個維度都必須是可以排序的，但它所能承載的資料點是非常有限的，當資料點過多時，并不利用資料點之間的比較，

示例：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['KaiTi']  # 顯示中文
results = [{"大學英語": 87, "高等數學": 79, "體育": 95, "計算機基礎": 92, "程式設計": 85},
           {"大學英語": 80, "高等數學": 90, "體育": 91, "計算機基礎": 85, "程式設計": 88}]
data_length = len(results[0])
# 將極坐標根據資料長度進行等分
angles = np.linspace(0, 2*np.pi, data_length, endpoint=False)
labels = [key for key in results[0].keys()]
score = [[v for v in result.values()] for result in results]
#為了使雷達圖一圈封閉起來，需要下面的步驟
# 使雷達圖資料封閉
score_a = np.concatenate((score[0], [score[0][0]]))
score_b = np.concatenate((score[1], [score[1][0]]))
angles = np.concatenate((angles, [angles[0]]))
labels = np.concatenate((labels, [labels[0]]))
# 設定圖形的大小
fig = plt.figure(figsize=(8, 6), dpi=100)
# 新建一個子圖 這里一定要設定為極坐標格式
ax = plt.subplot(111, polar=True)
# 繪制折線圖 /繪制雷達圖
ax.plot(angles, score_a, color='g')
ax.plot(angles, score_b, color='b')
#  添加每個特征的標簽
ax.set_thetagrids(angles*180/np.pi, labels)
# 設定雷達圖的0度起始位置
ax.set_theta_zero_location('N')
# 設定雷達圖的坐標刻度范圍
ax.set_rlim(0, 100)
# 設定雷達圖的坐標值顯示角度，相對于起始角度的偏移量
ax.set_rlabel_position(270)
ax.set_title("成績情況分析")
plt.legend(["小明", "小紅"], loc='best')
plt.show()

結果展示：