柱状图plt.bar

同一柱状图堆叠显示plt.pivot()+plt.bar(bottom=)

对于不同季度，不同产品的质量评价显示，先将使用的数据内容通过pd.pivot_table()进行数据筛选，重新设置了索引列和列标题（columns），再对数据使用柱状图显示

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data=pd.read_csv(r'my_csv_date.csv',encoding='gbk')
print(data)
#解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.figure(figsize=(6.4,4.8))#设置图片背景的参数
print('下面是整理后的数据：==========')
#通过pivot_table函数重新提取数据两列作为(data)索引列和横向的列名（columns），另外的vlues对应的是数列,注意的是，尽量让索引是和数字有关的序列，可自动排序
over_view=pd.pivot_table(data=data,index='Q',columns='GOODS',values='QUA',aggfunc=np.sum)
print(over_view)
#使用tick_label对x轴的标签重新赋值
plt.bar(x= over_view.index.values,height=over_view.甲,color='green',tick_label=['第一季度','第二季度','第三季度','第四季度'] )
plt.bar(x= over_view.index.values,height=over_view.乙,bottom=over_view.甲 ,color='red')
plt.bar(x= over_view.index.values,height=over_view.丙,bottom=over_view.甲+over_view.乙,color='orange')
plt.xticks(rotation=45)	#x轴上的标签旋转45度
plt.ylabel('质量分数',fontsize=20,labelpad=20)
plt.show()

通过上边的程序和运行结果，得出一下几点注意，
1、索引尽量使用能够数字排序的字符，可自动排序，到最后只需使用plt.bar(tick_label=[ ])修改横坐标的标签字符即可
2、建立直方图时，使用的数据是自己处理后的变量索引和column，而且处理数据一般使用np.sum(),记录一类数量。
3、为了显示的图形不会出现遮挡，需要使用到plt.bar(bottom=),将想要放在下边的数据作为值传入，若不使用，每次图形的最低端都是以横轴开始计算，若出现完全遮挡，则图形无意义
上例中，每个季度，三个产品的服务质量评分。让季度和物品名称（甲乙丙）作为横纵参数，服务质量分数作为数据显示

同一柱状图堆叠显示plt.crosstab(nomalize=)+plt.bar(bottom=)

堆叠显示，对数据选择并单位化，可以明显看出，每个阶段数据量占的百分比；
而且再使用bar绘制图形时，要设置label属性的值，否则，使用plt.legend时会出现问题
plt.legend（）的显示位置不合适，可以通过plt.legend()中的bbox_to_anchor=(坐标)，认为图形的右上角是（1，1），可设置（1.01，0.8）将内容注释放在图像外部

#前面和上个程序一样
over_view=pd.crosstab(data.Q,data.GOODS,normalize='index', values=data.QUA,aggfunc=np.sum,)
print(over_view)
plt.bar(x= over_view.index.values,height=over_view.甲,color='green',label='甲',tick_label=['第一','第二','第三','第四'] )
plt.bar(x= over_view.index.values,height=over_view.乙,bottom=over_view.甲 ,label='乙',color='red')
plt.bar(x= over_view.index.values,height=over_view.丙,label='丙',bottom=over_view.甲+over_view.乙,color='orange')
plt.xticks(rotation=45)#旋转横坐标标签
plt.ylabel('质量分数',fontsize=20,labelpad=20)
plt.legend(bbox_to_anchor=(1.01,0.8))
plt.show()

程序解析：这个程序及绘制的图形是通过pd.crosstab( )将数据的每一行（也就是index的每行）归一化

直方图plt.hist

正态分布函数，下面函数返回对应的计算正态频率值输出

def zhengtai_func(x,miu,sigma):
    zhen_y=np.exp(-(x-miu)**2/(2*(sigma**2)))/(sigma*np.sqrt(2*np.pi))
    return zhen_y

正态计算公式；

data=pd.read_csv(r'my_csv_date.csv',encoding='gbk')
print(data)
#解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

#删除数据中缺失项，计算数据的均值，标准差，和正态分布频率点
data.dropna(subset=['人数'],inplace=True)
print(data)
#x_mean=np.mean(data.人数) #与下一行数据功能相同
x_mean=data.人数.mean()
x_std=np.std(data.人数)
x=np.arange(data.人数.min(),data.人数.max(),0.1)
y=zhengtai_func(x,x_mean,x_std)

#显示直方图，核密度图，设置注释标签label                      
plt.hist(x=data.人数,bins=5,color='lightblue',label='年龄频率',\
         edgecolor='orange',density=True)
plt.plot(x,y,color='red',linewidth=3,label='正态分布线')
data.人数.plot(kind='kde',color="black",xlim=[0,10],label='核密度图')
plt.xlabel('不同年龄',fontsize=15,labelpad=20)
plt.title('年龄频率分布图',fontsize=25,pad=25)
plt.legend(loc='best')
plt.show()

程序及图形解析：
1、先定义了正态分布的概率计算，参数分别是，数据x,平均值x_mean,标准差x_std，返回计算的概率值，，
2、然后读取数据，data.dropna( )删除缺失数据行，计算数据均值，标准差，取多个x值，通过正态公式显示成线，（使用数据的平均值和标准差就确定了数据的正态概率分布图）。
3、绘制直方图plt.hist( )，正态分布线plt.plot( x,y),核密度分布线data.plot(kind=‘kde’)、
4、核密度分布和正态分布区别：核密度分布和数据的每阶段的关系更大，正态分布确定了平均平均值和标准差后就确定了

箱图plt.boxplot()

参考：箱体知识、参数知识

plt.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False, zorder=None, hold=None, data=None)
**x：**指定要绘制箱线图的数据；
notch：是否是凹口的形式展现箱线图，默认非凹口；
sym：指定异常点的形状，默认为+号显示；
vert：是否需要将箱线图垂直摆放，默认垂直摆放；
whis：指定上下须与上下四分位的距离，默认为1.5倍的四分位差；
positions：指定箱线图的位置，默认为[0,1,2…]；
widths：指定箱线图的宽度，默认为0.5；
**patch_artist：**是否填充箱体的颜色；
**meanline：**是否用线的形式表示均值，默认用点来表示；
**showmeans：**是否显示均值，默认不显示；
showcaps：是否显示箱线图顶端和末端的两条线，默认显示；
**showbox：**是否显示箱线图的箱体，默认显示；
showfliers：是否显示异常值，默认显示；
**boxprops：**设置箱体的属性，如边框色，填充色等；
labels：为箱线图添加标签，类似于图例的作用；
filerprops：设置异常值的属性，如异常点的形状、大小、填充色等；
**medianprops：**设置中位数的属性，如线的类型、粗细等；
**meanprops：**设置均值的属性，如点的大小、颜色等；
**capprops：**设置箱线图顶端和末端线条的属性，如颜色、粗细等；
whiskerprops：设置须的属性，如颜色、粗细、线的类型等；

data=pd.read_csv(r'my_csv_date.csv',encoding='gbk')
print(data)
#解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

plt.boxplot(x=data.人数,patch_artist=True,showmeans=True,meanline=True, boxprops={'facecolor':'green','color':'red'},\
            flierprops={'marker':'o','markerfacecolor':'red','markersize':20},\
           medianprops={'linestyle':'--','color':'orange'},\
           meanprops={'linestyle':'-','color':'blue'})
plt.xlabel('不同标号的人数',fontsize=15,labelpad=20)
plt.title('人数箱图',fontsize=25,pad=25)
# plt.legend(loc='best')
plt.show()

程序解释及图形描述，箱图能够明显的显示出离群点，箱子的显示框在分位数的25%-75%，下线：25%分数-1.5(75%分位数-25%分位数)，上线：25%分数+1.5(75%分位数-25%分位数)，

散点图plt.scatter

感谢鸢尾花数据
鸢尾花数据官方网址,下载或打开慢
为了展示两个连续型变量的关系，使用循环为每一个事物给不同的显示属性，注意数据的名称准确性

data=pd.read_csv(r'iris.csv',encoding='gbk')

# print(data)
#解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

#设置不同物种的颜色形状标记
species=['virginica','setosa','versicolor']
colors=['red','blue','orange']
marker=['o','s','x']

#给每个物种不同标记
for i in range(0,3):
    plt.scatter(x=data.Width[data.Species==species[i]],
                y=data.Length[data.Species==species[i]],
                color=colors[i],marker=marker[i],label=species[i])
plt.legend(loc='best')
plt.ylabel('花瓣长度',fontsize=15,labelpad=10)
plt.xlabel('花瓣宽度',fontsize=15,labelpad=10)
plt.title('三种鸢尾花数据',fontsize=20,pad=20)

plt.show()

折线图plt.plot()

显示数据的变化趋势

#设置图像大小和读取数据
fig=plt.figure(figsize=(8,7))
data=pd.read_csv(r'my_csv_date.csv',encoding='gbk')
print(data)

#解决中文乱码问题
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

#设置第1列作为x的值，第3，4，5列作为对应的y值
plt.plot(data.iloc[:,0],data.iloc[:,2],'bs--',
        data.iloc[:,0],data.iloc[:,3],'ro--',
        data.iloc[:,0],data.iloc[:,4],'gh--',)

#修改折线图的横坐标名称，第一个参数是原始名称，第二个参数是新的名称
plt.xticks(range(0,12,1),data.iloc[range(0,12,1),1],rotation=45,fontsize=10)
plt.legend(loc='best')
plt.ylabel('数据值',fontsize=15,labelpad=10)
plt.xlabel('顺序',fontsize=15,labelpad=10)
plt.title('数据变化',fontsize=20,pad=20)

plt.show()

下面是对图像中线的描述，（程序和图像并不对应），图片中的参数正确

plt.legend(loc='best',frameon=False,ncol=1)
plt.legend(loc='best',frameon=True,ncol=1)
plt.legend(loc='best',frameon=False,ncol=3)

python中的绘图工具 ：matplotli，专门用于画图。

一. 安装与导入

工具包安装：conda install matplotli
导入：import matplotlib.pyplot as plt

画图主要有：列表绘图；多图绘图；数组绘图

二. 列表绘图

1. 基础绘图：plt.plot；plt.show

import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)
plt.show()

2. 画图设置属性

画图属性设置

import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
# plt.plot(x, y, color='r', marker='o', linestyle='--')
plt.plot(x, y, 'ro--')  # 该行为上一句的简写
plt.show()

3. 坐标轴的属性

（1）x、y坐标名称设置

plt.xlabel('x')
plt.ylabel('y')

（2）设置x、y范围
主要参考博客
plt.axis([a, b, c, d]) 设置x轴的范围为[a, b]，y轴的范围为[c, d]
plt.axis('equal') x,y轴刻度等长
plt.axis('square') 作图为正方形，并且x,y轴范围相同
（3）坐标间隔设定
参考博客
plt.xticks(参数一，参数二，参数三) 用来实现对x轴和y轴坐标间隔（也就是轴记号）的设定。

• 参数一：x或者y的参数
• 参数二：新的标签
• 参数三：旋转角度

import matplotlib.pyplot as plt
x = [1, 2, 3, 4]
y = [1, 4, 9, 6]
labels = ['Frogs', 'Hogs', 'Bogs', 'Slogs']
plt.plot(x, y)
# You can specify a rotation for the tick labels in degrees or with keywords.
plt.xticks(x, labels, rotation='vertical')
plt.show()

4. 坐标轴移动

参考博客
ax = plt.gca() 获取当前坐标轴，总共有四个轴top、bottom、left和right
ax.spines[‘bottom’] 获取底部的轴，获取哪个轴，则参数中写哪个
ax.spines['right'].set_color('none') 隐藏了右侧的坐标轴
ax.spines['top'].set_color('none') 隐藏了左侧的坐标轴

ax.xaxis.set_ticks_position('bottom') 要挪动底部的X轴，所以先目光锁定底部。
ax.spines['bottom'].set_position(('data',0)) 在这里，position位置参数有三种，这里用到了“按Y轴刻度位置挪动”，'data’表示按数值挪动，其后数字代表挪动到Y轴的刻度值

则移动坐标轴位置的代码变为：

import matplotlib.pyplot as plt
plt.figure(1)
plt.plot()
ax = plt.gca()
ax.xaxis.set_ticks_position('bottom')
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
ax.spines['top'].set_color('none')  # 设置顶部支柱的颜色为空
ax.spines['right'].set_color('none')  # 设置右边支柱的颜色为空
plt.show()

5. 图片上添加文本和网格

（1）plt.title('标题') 添加标题，可以参考博客
（2）plt.annotate() 添加注释，可以参考博客

import matplotlib.pyplot as plt
x=[1, 2, 3, 4]
y=[1, 4, 9, 16]
plt.plot(x, y)
plt.xlabel('x坐标轴')
#y轴文本
plt.ylabel('y坐标轴')
#标题
plt.title('Title')
#添加注释 参数名xy：箭头注释中箭头所在位置，参数名xytext：注释文本所在位置，
#arrowprops在xy和xytext之间绘制箭头, shrink表示注释点与注释文本之间的图标距离
plt.annotate('I am zhushi', xy=(2,5), xytext=(2, 10),
            arrowprops=dict(facecolor='black', shrink=0.01),
            )
#第3步：显示图形
plt.show()

（3） plt.legend() 右上角显示各个曲线代表什么意思。

import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
n = np.linspace(-5, 4, 30)
m1 = 3 * n + 2
m2 = n ** 2
plt.xlabel('时间')
plt.ylabel('心情')
plt.plot(n, m1, color='r', linewidth=1.5, linestyle='-', label='女生购物欲望')
plt.plot(n, m2, 'b', label='男生购物欲望')
plt.legend()  # 右上角显示各个曲线代表什么意思
plt.show()

（4）是否显示网格

import matplotlib as mpl
import matplotlib.pyplot as plt
plt.grid() # 显示网格线 1=True=默认显示；0=False=不显示
plt.grid(1) # 显示网格线
plt.grid(True) # 显示网格线
plt.grid(b=True) # 显示网格线
plt.grid(b=1) # 显示网格线
plt.grid(b=True, axis='x') #只显示x轴网格线
plt.grid(b=True, axis='y') #只显示y轴网格线

三、多图绘制

如何使用Python创建多个画板和画纸来绘制多幅图，如果事先不声明画板画板，默认是创建一个画板一个画纸

• 使用figure()方法创建画板1
• 使用subplot()方法创建画纸，并选择当前画纸并绘图
• 最后显示图形

figure()函数可以帮助我们同时处理生成多个图，而subplot()函数则用来实现，在一个大图中，出现多个小的子图。

处理哪个figure，则选择哪个figure，再进行画图。

参考博客

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

plt.figure(1) # 生成第一个图，且当前要处理的图为fig.1

plt.subplot(1, 2, 1) # fig.1是一个一行两列布局的图，且现在画的是左图
y1 = np.exp(x)
plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1) # 画图
plt.xlabel("x")
plt.ylabel("y1")

plt.figure(2) # 生成第二个图，且当前要处理的图为fig.2
y2 = np.exp(2 * x)
plt.plot(x, y2, color="k", linestyle="-", marker="s", linewidth=1) # 画图，fig.2是一张整图，没有子图，默认subplot(1, 1, 1)
plt.xlabel("x")
plt.ylabel("y2")

plt.figure(1)  # 当前要处理的图为fig.1，而且当前图是fig.1的左图
plt.subplot(1, 2, 2) # 当前图变为fig.1的右图
y3 = np.exp(1.5 * x)
plt.plot(x, y3, color="b", linestyle="-", marker="v", linewidth=1)
plt.xlabel("x")
plt.ylabel("y3")

plt.show()

其他属性则与上一节二一样设置。

也可以将subplot子图设置为ax，然后对ax进行画图，则常用设置即为：

ax.set_xlabel('x')	    #设置x轴名称
ax.set_ylabel('y')	    #设置y轴名称
ax.set_title('title')	#设置标题
ax.legend()	            #设置图例：
#方法1：
# ax.plot(x1,y1,label='label1',x2,y2,label='label1') ax.legend()
#方法2：
# ax.plot(x1,y1,,x2,y2) ax.legend(('label1', 'label2'))
#可设置图例位置属性:ax.legend(loc='best'),其他位置包括:'upper right','upper left', 'lower right','lower left','center'等
ax.set_xlim(0，5)       #设置x轴范围
ax.set_ylim(0，5)       #设置y轴范围
ax.set_xticks((0, 2, 4, 6))  #设置x轴刻度
ax.set_xticks((0, 2, 4, 6))  #设置y轴刻度
ax.set_xticklabels(labels=['x1','x2','x3','x4'],rotation=30,fontsize='small')  #设置x刻度的显示文本
ax.set_yticklabels()    #设置y刻度的显示文本，同上
ax.text()               #指定位置显示文本
ax.annotate()           #添加标注，参数：注释文本、指向点、文字位置、箭头属性
ax.grid()               #显示网格

修改上述代码则为：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(-1, 1, 0.1)

plt.figure(1) # 生成第一个图，且当前要处理的图为fig.1

ax1 = plt.subplot(1, 2, 1) # fig.1是一个一行两列布局的图，且现在画的是左图
y1 = np.exp(x)
plt.plot(x, y1, color="r", linestyle="-", marker="^", linewidth=1) # 画图
ax1.set_xlabel("x")
ax1.set_ylabel("y1")

plt.figure(2) # 生成第二个图，且当前要处理的图为fig.2
y2 = np.exp(2 * x)
plt.plot(x, y2, color="k", linestyle="-", marker="s", linewidth=1) # 画图，fig.2是一张整图，没有子图，默认subplot(1, 1, 1)
plt.xlabel("x")
plt.ylabel("y2")

plt.figure(1)  # 当前要处理的图为fig.1，而且当前图是fig.1的左图
ax2 = plt.subplot(1, 2, 2) # 当前图变为fig.1的右图
y3 = np.exp(1.5 * x)
plt.plot(x, y3, color="b", linestyle="-", marker="v", linewidth=1)
ax2.set_xlabel("x")
ax2.set_ylabel("y3")

plt.show()

四. 数组绘图

就是根据数组和函数进行绘图，和上面没什么区别。

#多图绘制
import matplotlib.pyplot as plt
#导入包numpy
import numpy as np
#定义一维数组
t = np.arange(0, 5, 0.2)


#使用数组同时绘制多个线性

#线条1
x1=y1=t
#线条2
x2=x1
y2=t**2
#线条3
x3=x1
y3=t**3
#使用plot绘制线条
linesList=plt.plot(x1, y1,
         x2, y2,
         x3, y3 )
#用setp方法可以同时设置多个线条的属性
plt.setp(linesList, color='r')
plt.show()
print('返回的数据类型',type(linesList))
print('数据大小：',len(linesList))

Python自带的plt是深度学习最常用的库之一，在发表文章时必然得有图作为支撑，plt为深度学习必备技能之一。作为深度学习入门，只需要掌握一些基础画图操作即可，其他等要用到的时候看看函数API就行。

1 导入plt库（名字长，有点难记）

import matplotlib.pyplot as plt

先随便画一个图，保存一下试试水：

plt.figure(figsize=(12,8), dpi=80)
plt.plot([1,2,6,4],[4,5,6,9])
plt.savefig('./plt_png/test1.png') #必须要放在show()前面，show()之后会自动释放图表内存
plt.show()

2 创建数据，画一个标准的图

import random
#创建一个小时内温度随时间变化的曲线（以分钟计算，温度在15到20之间）
#1.准备数据
x = range(60)
y = [random.uniform(15,20)for i in x]

#2.创建画布
plt.figure( figsize=(12,8), dpi=80 )
plt.plot(x,y)

#3 设置刻度及步长
z = range(40)
x_label = ['11:{}'.format(i) for i in x]
plt.xticks( x[::5], x_label[::5])
plt.yticks(z[::5])  #5是步长

#4 添加网格信息
plt.grid(True, linestyle='--', alpha=0.5) #默认是True，风格设置为虚线，alpha为透明度

#5 添加标题（中文在plt中默认乱码，不乱码的方法在本文最后说明）
plt.xlabel('Time')
plt.ylabel('Temperature')
plt.title('Curve of Temperature Change with Time')

#6 保存图片，并展示
plt.savefig('./plt_png/test1.2.png')
plt.show()

3 画两条曲线的图

#3 创建另一个曲线的数据
y_another = [random.uniform(5,10)for i in x]

#输入两个曲线的信息
plt.figure( figsize=(12,8), dpi=80 )
plt.plot(x, y, color='r', linestyle='--', label = 'ShangHai')
plt.plot(x, y_another, color='g', linestyle='-.', label = 'BeiJing')

#显示图例
plt.legend() #默认loc=Best

#设置刻度及步长
z = range(40)
x_label = ['11:{}'.format(i) for i in x]
plt.xticks( x[::5], x_label[::5])
plt.yticks(z[::5])  #5是步长

#添加网格信息
plt.grid(True, linestyle='--', alpha=0.5) #默认是True，风格设置为虚线，alpha为透明度

#添加标题
plt.xlabel('Time')
plt.ylabel('Temperature')
plt.title('Curve of Temperature Change with Time')

plt.savefig('./plt_png/test1.3.png')
plt.show()

4 多个绘图区域画不同的图

#4 创建多个绘图区

#输入两个曲线的信息
#plt.figure( figsize=(12,8), dpi=80 )
figure, axes = plt.subplots( nrows=1, ncols=2, figsize=(12,8), dpi=80 )
axes[0].plot(x, y, color='r', linestyle='--', label = 'ShangHai')
axes[1].plot(x, y_another, color='g', linestyle='-.', label = 'BeiJing')

#显示图例
axes[0].legend() #默认loc=Best
axes[1].legend()

#设置刻度及步长
z = range(40)
x_label = ['11:{}'.format(i) for i in x]
#axes[0].set_xticks( x[::5], x_label[::5]) #set_xticks()不支持字符串，只支持布尔值
#axes[1].set_yticks(z[::5])  #5是步长 #set_yticks()不支持字符串，只支持布尔值
axes[0].set_xticks( x[::10]) #设置步长
axes[0].set_xticklabels(x_label[::5]) #设置字符串名
axes[0].set_yticks(z[::5])
axes[1].set_xticks( x[::10]) #设置步长
axes[1].set_xticklabels(x_label[::5]) #设置字符串名
axes[1].set_yticks(z[::5])


#添加网格信息
axes[0].grid(True, linestyle='--', alpha=0.5) #默认是True，风格设置为虚线，alpha为透明度
axes[1].grid(True, linestyle='--', alpha=0.5)

#添加标题
axes[0].set_xlabel('Time')
axes[0].set_ylabel('Temperature')
axes[0].set_title("Curve of ShangHai's Temperature Change with Time")
axes[1].set_xlabel('Time')
axes[1].set_ylabel('Temperature')
axes[1].set_title("Curve of BeiJing's Temperature Change with Time")

plt.savefig('./plt_png/test1.4.png')
plt.show()

5 绘制简单数学函数图像

import numpy as np
#准备数据
x = np.linspace(-1,1,1000) #在-1至1之间等距生成1000个数
y = 2*x*x
#绘制画布
#折线图plot
plt.figure(figsize=(12,8), dpi=80)
plt.plot( x, y, color='b', label='Y=2*X^2' )
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)

plt.savefig('./plt_png/test1.5.png')
plt.show()

6 散点图、柱状图、双柱状图、直方图、饼图

6.1 散点图

#散点图scatter
x = np.linspace(-1,1,20) 
y = 2*x*x
plt.figure(figsize=(12,8), dpi=80)
plt.scatter( x, y, color='b', label='Y=2*X^2' ) #主要是这里plot换成scatter，下面的根据需要修改
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)

plt.savefig('./plt_png/test1.6.png')
plt.show()

6.2 柱状图

#柱状图bar
x = range(8) 
y = [100,200,400,350,450,350,250,300]
plt.figure(figsize=(20,8), dpi=80)
plt.bar( x, y, width=0.4, color=['r', 'k', 'y', 'g', 'b', 'c', 'm', 'k'], label='Bar_x_y' ) #这里是bar()函数
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
#修改x刻度名字
plt.xticks(x, ['class1','class2','class3','calss4','class5','class6','class7','calss8']) 
#设置xy标签
plt.xlabel('Classes')
plt.ylabel('Numbers')
plt.title('the Numbers of Classes')

plt.savefig('./plt_png/test1.7.png')
plt.show()

6.3 对比柱状图（双柱状图）

#对比柱状图bar
x = range(8) 
y = [100,200,400,350,450,350,250,300]
z = [200,300,350,250,450,450,500,250]
plt.figure(figsize=(20,8), dpi=80)
plt.bar( x, y, width=0.2, color='r', label='Bar_1' )
#加一个柱状图，[i+0.2 for i in x]为间距生成式
plt.bar( [i+0.2 for i in x], z, width=0.2, color='b', label='Bar_2' )
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)
#修改x刻度名字
plt.xticks([i+0.1 for i in x], ['class1','class2','class3','calss4','class5','class6','class7','calss8']) 
#设置xy标签
plt.xlabel('Classes')
plt.ylabel('Numbers')
plt.title('the Numbers of Classes')

plt.savefig('./plt_png/test1.8.png')
plt.show()

6.4 直方图

#直方图histogram
x_1 = range(80)
number = np.random.randint(50,200,[80])
print(max(number),min(number))
bins = int((max(number) - min(number))//10)
plt.figure(figsize=(20,8), dpi=80)
plt.hist( number, bins=bins, color='b', label='Histogram' ) #y轴可以是频数，也可以是频率
plt.legend()
plt.grid(True, linestyle='--', alpha=0.5)

plt.xticks(range(min(number), max(number), 10)) 

plt.savefig('./plt_png/test1.9.png')
plt.show()

6.5 饼图

#饼图pie ，超过9个类别不适合用饼图
import matplotlib.pyplot as plt
x3 = range(8) 
y3 = [100,200,400,350,450,350,250,300]
z3 = ['class1','class2','class3','calss4','class5','class6','class7','calss8']
plt.figure(figsize=(20,8), dpi=80)
plt.pie( y3, labels=z3, colors=['r', 'k', 'y', 'g', 'b', 'c', 'm', 'k'], autopct='%1.2f%%' )
plt.legend()
 
plt.title('the Numbers of Classes')

plt.axis('equal') #调节饼图长轴短轴的比例，以及整图布局

plt.savefig('./plt_png/test1.10.png')
plt.show()

注：plt不能显示中文的解决方法

导入plt时顺便加上下面两行代码即可

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #显示中文
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号