Python绘制六种可视化图表

可视化图表，有相当多种，但常见的也就下面几种，其他比较复杂一点，大都也是基于如下几种进行组合，变换出来的。对于初学者来说，很容易被这官网上众多的图表类型给吓着了，由于种类太多，几种图表的绘制方法很有可能会混淆起来。

因此，在这里，我特地总结了六种常见的基本图表类型，你可以通过对比学习，打下坚实的基础。

绘制折线图，如果你数据不是很多的话，画出来的图将是曲折状态，但一旦你的数据集大起来，比如下面我们的示例，有100个点，所以我们用肉眼看到的将是一条平滑的曲线。

这里我绘制三条线，只要执行三次 plt.plot 就可以了。

 import numpy as np

import matplotlib.pyplot as plt

x= np.linspace(0, 2, 100)

plt.plot(x, x, label='linear')

plt.plot(x, x**2, label='quadratic')

plt.plot(x, x**3, label='cubic')

plt.xlabel('x label')

plt.ylabel('y label')

plt.title("Simple Plot")

plt.legend()

plt.show()

其实散点图和折线图是一样的原理，将散点图里的点用线连接起来就是折线图了。所以绘制散点图，只要设置一下线型即可。

注意：这里我也绘制三条线，和上面不同的是，我只用一个 plt.plot 就可以了。

 import numpy as np

import matplotlib.pyplot as plt

x = np.arange(0., 5., 0.2)

# 红色破折号, 蓝色方块 ，绿色三角块

plt.plot(x, x, 'r--', x, x**2, 'bs', x, x**3, 'g^')

plt.show()

直方图，大家也不算陌生了。这里小明加大难度，在一张图里，画出两个频度直方图。这应该在实际场景上也会遇到吧，因为这样真的很方便比较，有木有？

 import numpy as np

import matplotlib.pyplot as plt

np.random.seed(19680801)

mu1, sigma1 = 100, 15

mu2, sigma2 = 80, 15

x1 = mu1 + sigma1 * np.random.randn(10000)

x2 = mu2 + sigma2 * np.random.randn(10000)

# the histogram of the data

# 50：将数据分成50组

# facecolor：颜色；alpha：透明度

# density：是密度而不是具体数值

n1, bins1, patches1 = plt.hist(x1, 50, density=True, facecolor='g', alpha=1)

n2, bins2, patches2 = plt.hist(x2, 50, density=True, facecolor='r', alpha=0.2)

# n：概率值；bins：具体数值；patches：直方图对象。

plt.xlabel('Smarts')

plt.ylabel('Probability')

plt.title('Histogram of IQ')

plt.text(110, .025, r'$\mu=100,\ \sigma=15$')

plt.text(50, .025, r'$\mu=80,\ \sigma=15$')

# 设置x，y轴的具体范围

plt.axis([40, 160, 0, 0.03])

plt.grid(True)

plt.show()

同样的，简单的柱状图，我就不画了，这里画三种比较难的图。

4.1 并列柱状图

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)

x = np.arange(size)

# 有多少个类型，只需更改n即可

total_width, n = 0.8, 3

width = total_width / n

# 重新拟定x的坐标

x = x - (total_width - width) / 2

# 这里使用的是偏移

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()

4.2 叠加柱状图

 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)

x = np.arange(size)

# 这里使用的是偏移

plt.bar(x, a, width=0.5, label='a',fc='r')

plt.bar(x, b, bottom=a, width=0.5, label='b', fc='g')

plt.bar(x, c, bottom=a+b, width=0.5, label='c', fc='b')

plt.ylim(0, 2.5)

plt.legend()

plt.grid(True)

plt.show()

5.1 普通饼图

 import matplotlib.pyplot as plt

labels = 'Frogs', 'Hogs', 'Dogs', 'Logs'

sizes = [15, 30, 45, 10]

# 设置分离的距离，0表示不分离

explode = (0, 0.1, 0, 0)

plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',

 shadow=True, startangle=90)

# Equal aspect ratio 保证画出的图是正圆形

plt.axis('equal')

plt.show()

5.2 嵌套饼图

 import numpy as np

import matplotlib.pyplot as plt

# 设置每环的宽度

size = 0.3

vals = np.array([[60., 32.], [37., 40.], [29., 10.]])

# 通过get_cmap随机获取颜色

cmap = plt.get_cmap("tab20c")

outer_colors = cmap(np.arange(3)*4)

inner_colors = cmap(np.array([1, 2, 5, 6, 9, 10]))

print(vals.sum(axis=1))

# [92. 77. 39.]

plt.pie(vals.sum(axis=1), radius=1, colors=outer_colors,

 wedgeprops=dict(width=size, edgecolor='w'))

print(vals.flatten())

# [60. 32. 37. 40. 29. 10.]

plt.pie(vals.flatten(), radius=1-size, colors=inner_colors,

 wedgeprops=dict(width=size, edgecolor='w'))

# equal 使得为正圆

plt.axis('equal')

plt.show()

5.3 极轴饼图

要说酷炫，极轴饼图也是数一数二的了，这里肯定也要学一下。

 import numpy as np

import matplotlib.pyplot as plt

np.random.seed(19680801)

N = 10

theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)

radii = 10 * np.random.rand(N)

width = np.pi / 4 * np.random.rand(N)

ax = plt.subplot(111, projection='polar')

bars = ax.bar(theta, radii, width=width, bottom=0.0)

# left表示从哪开始，

# radii表示从中心点向边缘绘制的长度（半径）

# width表示末端的弧长

# 自定义颜色和不透明度

for r, bar in zip(radii, bars):

 bar.set_facecolor(plt.cm.viridis(r / 10.))

 bar.set_alpha(0.5)

plt.show()

6.1 绘制三维散点图

 import numpy as np

import matplotlib.pyplot as plt

from mpl_toolkits.mplot3d import Axes3D

data = np.random.randint(0, 255, size=[40, 40, 40])

x, y, z = data[0], data[1], data[2]

ax = plt.subplot(111, projection='3d') # 创建一个三维的绘图工程

# 将数据点分成三部分画，在颜色上有区分度

ax.scatter(x[:10], y[:10], z[:10], c='y') # 绘制数据点

ax.scatter(x[10:20], y[10:20], z[10:20], c='r')

ax.scatter(x[30:40], y[30:40], z[30:40], c='g')

ax.set_zlabel('Z') # 坐标轴

ax.set_ylabel('Y')

ax.set_xlabel('X')

plt.show()

6.2 绘制三维平面图

 from matplotlib import pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()

ax = Axes3D(fig)

X = np.arange(-4, 4, 0.25)

Y = np.arange(-4, 4, 0.25)

X, Y = np.meshgrid(X, Y)

R = np.sqrt(X**2 + Y**2)

Z = np.sin(R)

# 具体函数方法可用 help(function) 查看，如：help(ax.plot_surface)

ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap='rainbow')

plt.show()