精华内容
下载资源
问答
  • 节-matlab 绘图和数据可视化 04-三维曲线 % 第节-matlab 绘图和数据可视化 ...%例1绘制一空间折线。 x=[0.2, 1.8, 2.5] %x坐标值 y=[1.3,2.8, 1.1] %y坐标值 z=[0.4, 1.2, 1.6] %z坐标值 plot3

    第四节-matlab 绘图和数据可视化

    04-三维曲线

    
    % 第四节-matlab 绘图和数据可视化
    % 04-三维曲线
    
    
    % plot3 函数
    % fplot3 函数
    
    
    % (1) plot3函数的基本用法
    % plot3(x, y, z)其中,参数x、y、z组成一组曲线的坐标。
    
    
    
    %1绘制一条空间折线。
    x=[0.2, 1.8, 2.5]       %x坐标值
    y=[1.3,2.8, 1.1]        %y坐标值
    z=[0.4, 1.2, 1.6]       %z坐标值
    plot3(x, y, z)          %绘制三维曲线
    grid on                 %打开网格
    axis([0,3, 1,3, 0, 2])  %设置x,y,z的坐标范围
    
    % 绘制螺旋线
    % x=sin(t)+t*cost
    % y=cos(t)-tsin(t)
    % z=t
    
    figure(2)
    t=linspace(0, 10*pi, 200)
    x=sin(t)+t.*cos(t)
    y=cos(t)-t.*sin(t)
    z=t
    subplot(1,2,1)
    plot3(x,y,z)
    grid on
    subplot(1,2,2)
    plot3(x(1:4:200),y(1:4:200),z(1:4:200)) 
    grid on
    
    
    %绘制5条不同的正弦曲线
    figure(3)
    t1=0:0.01 :2*pi
    t1=t1'
    x1=[t1,t1,t1,t1,t1]
    y1=[sin(t1), sin(t1)+1, sin(t1)+2, sin(t1)+3, sin(t1)+4]
    z1=[t1,t1,t1,t1,t1]
    plot3(x1, y1, z1)
    
    
    % 绘制空间曲线
    % x=cost
    % y=sint
    % z=2t
    t2=0:pi/50:6*pi ;          %
    x2=cos(t2)                 %  
    y2=sin(t2)                 %
    z2=2*t2                    %
    plot3(x2,y2,z2,'p')        % 绘制x,y,z
    xlabel('X')                % 设置x的标签
    ylabel('Y')                % 设置y的标签
    zlabel('Z')                % 设置z的标签
    grid on                    % 开启网格
    
    
    % fplot3{funx, funy, funz, tlims)
    % 其中,funx、funy、 funz代表定义曲线x、y、z坐标的函数
    % 通常【采用函数句柄】的形式。
    % tlims为参数函数自变量的取值范围
    % 用二元向量[tmin, tmax]描述 ,默认为[-55]% 绘制墨西哥帽顶曲线,曲线的参数方程如下
    figure(4)
    xt=@(t)exp(-t/10).*sin(5*t) % 函数句柄形式
    yt=@(t)exp(-t/10).*cos(5*t) % 函数句柄形式
    zt=@(t)t                    % 函数句柄形式
    fplot3(xt,yt,zt,[-12,12])   % 绘制图形,句柄形式参数
    
    
    % 指定曲线的线型、颜色和数据点标记。
    fplot3(xt,yt,zt,[-12,12],'r-')   % 绘制图形,句柄形式参数,红色,虚线
    
    
    展开全文
  • 线型图(一)绘制单线型图(二)绘制多线型图(三)绘制折线图二. 直方图与密度图(一)直方图(二)核密度曲线(三)直方图与密度图叠加三. 条形图(一)垂直条形图(二)水平条形图(三)堆叠条形图()...

    一. 线型图

    线型图的绘制主要由plt.plot()函数完成。该函数的调用格式如下:

    matplotlib.pyplot.plot(x,y,format_string,**kwargs)
    

    参数说明如下:

    参数 属性 描述
    x 列表或数组,可选参数 x轴数据
    y 列表或数组,必选参数 y轴数据
    format_string 可选参数 控制曲线的格式字符串

    在plt.plot()函数中x轴和y轴的数据也可以通过numpy传递参数。根据传递的参数,可以绘制单个或多个线条,可以是直线,也可以是曲线。format_string可以设置线性的风格与样式。

    (一)绘制单条线型图

    例1:绘制一个包含一条直线的直线线型图

    import matplotlib.pyplot as plt
    import numpy as np
    
    x = np.arange(1,11)
    y = 2*x + 5
    # 设置图标样式
    plt.title("Matplotlib Demo")
    plt.xlabel("x axis caption")
    plt.ylabel("y axis caption")
    # 绘制图表
    plt.plot(x,y,"oc")
    # 展示图表
    plt.show()
    

    在这里插入图片描述

    例2:绘制正弦图和余弦图

    import matplotlib.pyplot as plt
    import numpy as np
    
    x = np.arange(0, 3*np.pi, 0.1)
    y_sin = np.sin(x)
    y_cos = np.cos(x)
    # 建立subplot网格,高为 2,宽为1
    # 激活第一个subplot,并绘制第一个图像
    plt.subplot(2,  1,  1)
    plt.plot(x, y_sin, "pm")
    plt.title('Sine')
    # 激活第二个subplot,并绘制第二个图像
    plt.subplot(2,  1,  2)
    plt.plot(x, y_cos, "*y")
    plt.title('Cosine')
    # 展示图表
    plt.show()
    

    在这里插入图片描述

    (二)绘制多条线型图

    例3:绘制x的一次幂、二次幂和三次幂曲线

    import matplotlib.pyplot as plt
    import numpy as np
    
    x = np.linspace(0, 10, 100)
    plt.axis([0, 4, 0, 50])
    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()
    

    在这里插入图片描述

    (三)绘制折线图

    例4:绘制一个简单的折线图

    from matplotlib import pyplot as plt
    
    x = range(2,26,2)
    y = [15,13,14,5,17,20,25,26,24,22,18,15]
    plt.figure(figsize=(20,8),dpi=80) # figsize设置图片大小,dpi设置清晰度
    plt.plot(x,y)
    plt.xticks(x)
    plt.yticks(range(min(y),max(y)+1)) # 最后一位取不到,所以要加1
    plt.show()
    

    在这里插入图片描述

    例5:绘制气温变化折线图

    import random
    from matplotlib import pyplot as plt
    import matplotlib
    
    # 绘制气温变化
    # matplotlib设置显示中文
    matplotlib.rc("font",family='KaiTi',weight="bold")
    x = range(0,120)
    y = [random.randint(20,35) for i in range(120)]
    plt.figure(figsize=(25,8),dpi=80)
    plt.plot(x,y)
    # 调整x轴的刻度
    _x1 = list(x)
    _xtick_labels = ["10点{}分".format(i) for  i in range(60)]
    _xtick_labels += ["11点{}分".format(i) for  i in range(60)]
    # 设置字符串作为x轴,要有数字和字符一一对应
    plt.xticks(list(_x1)[::3],_xtick_labels[::3],rotation=45)
    plt.xlabel("时间")
    plt.ylabel("温度 单位(。c)")
    plt.title("10点到12点每分钟的气温变化情况")
    plt.show()
    

    在这里插入图片描述

    二. 直方图与密度图

    (一)直方图

    直方图(histogram)是一种可以对值的频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中,绘制的是各面元中数据点的数量。绘制直方图所需调用的函数格式如下:

    matplotlib.pyplot.hist(
        x, bins=10, range=None, normed=False,
        weights=None, cumulative=False, bottom=None,
        histtype=u'bar', align=u'mid', orientation=u'vertical',
        rwidth=None, log=False, color=None, label=None, stacked=False,
        hold=None, **kwargs)
    

    参数说明如下:

    参数 属性 意义
    x 数组或数组列表 指定要绘制直方图的数据
    bins 整数值或列表 指定直方图条形的个数
    range 元组或None 指定直方图数据的上下界,默认包含绘图数据的最大值和最小值
    normed 布尔类型,默认值为false 是否将直方图的频数转换成频率,如果其值为true,则返回的元组的第一个参数frequency将为频率
    weights 该参数可为每一个数据点设置权重,如果normed取值为true,则会对权重进行归一化处理
    cumulative 布尔类型 是否需要计算累计频数或频率,如果normed取值为true,则计算累计频率
    bottom 列表,标量值或None 可以为直方图的每个条形添加基准线,默认为0
    histtype 默认为bar,除此之外,还有barstacked、step和stepfilled 指定直方图的类型
    align 默认值为mid,另外还有left和right 设置条形边界值的对齐方式
    orientation 默认为vertical,另外还有horizontal 设置直方图的摆放方向
    rwidth 标量值或None 设置直方图条形的宽度
    log 布尔类型 是否需要对绘图数据进行log变换
    color 颜色列表或None 设置直方图的填充色
    edgecolor 设置直方图边框色
    label 字符串列表或None 设置直方图的标签,可通过legend展示其图例
    stacked 布尔类型,默认值为false 当有多个数据时,是否需要将直方图呈堆叠摆放

    当我们绘制多个数据集的直方图时,还可以以下面的方式调用hist函数:

    n, bins, patches = plt.hist(datasets, bins, normed=False, facecolor=None, alpha=None)
    

    参数说明如下:

    参数 属性 意义
    datasets 数据集列表,datasets中各个数据集的长度可以不等,也可以传入numpy中的 2-D ndarray
    bins 整数值或列表 直方图中箱子(bin)的个数
    facecolor 颜色字符串 箱子的颜色
    alpha 浮点数 箱子的透明度
    normed 决定直方图y轴取值是落在某个箱子中的元素的个数(normed=False或normed=0),还是某个箱子中的元素的个数占总体的百分比(normed=True或normed=1)

    函数返回值:返回值为一个元组(tuple)

    • n:直方图中数据x落在某个箱子里元素个数(或者占比)组成的数组
    • bins:直方图中箱子取值(可能是落在该区间的x的均值)组成的数组
    • patches:是一个封装了 p 和 n 信息的列表的集合(Patch对象)

    直方图的主要作用是:

    • 整理统计数据,了解统计数据的分布特征,即数据分布的集中或离散状况,从中掌握质量能力状态;
    • 观察分析生产过程质量是否处于正常、稳定和受控状态以及质量水平是否保持在公差允许的范围内。

    例1:绘制一个简单的直方图

    from matplotlib import pyplot as plt, mlab
    import matplotlib
    
    font = {'family': 'MicroSoft YaHei'}
    matplotlib.rc('font', **font)  # 设置显示中文
    a = [131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115, 99, 136, 126, 134, 95, 138, 117, 111, 78, 132, 124, 113, 150, 110, 117, 86, 95, 144, 105, 126, 130, 126, 130, 126, 116, 123, 106, 112, 138, 123, 86, 101, 99, 136, 123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127, 105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114, 105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134, 156, 106, 117, 127, 144, 139, 139, 119, 140, 83, 110, 102, 123, 107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133, 112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135, 115, 146, 137, 116, 103, 144, 83, 123, 111, 110, 111, 100, 154, 136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141, 120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126, 114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137, 92, 121, 112, 146, 97, 137, 105, 98, 117, 112, 81, 97, 139, 113, 134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110, 105, 129, 137, 112, 120, 113, 133, 112, 83, 94, 146, 133, 101, 131, 116, 111, 84, 137, 115, 122, 106, 144, 109, 123, 116, 111, 111, 133, 150]
    d = 3  # 计算组距
    num_bins = (max(a) - min(a)) // d  # 计算组距的公式
    plt.figure(figsize=(20, 8), dpi=80)
    plt.hist(a, num_bins)  # 加上normed=True属性之后变为频率分布直方图
    # 设置x轴的刻度
    plt.xticks(range(min(a), max(a) + d, d))
    plt.grid(alpha=0.3)
    plt.show()
    

    在这里插入图片描述

    例2:绘制一个趋于正态分布的直方图

    import numpy as np
    from matplotlib import pyplot as plt
    
    np.random.seed(20170617)
    mu, sigma = 100, 15
    x = mu + sigma * np.random.randn(10000)
    fig, ax = plt.subplots()
    p, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)
    plt.show()
    

    在这里插入图片描述

    (二)核密度曲线

    还有一种与此相关的图表是核密度图。它是通过计算“可能会产生观测数据的连续概率分布的估计”(也就是对数据的生成分布进行估计)。一般的过程是将该分布近似为一组核(即诸如正态分布之类的较为简单的分布),因此,密度图也被称为KDE(Kernel Density Estimate,核密度估计)。调用plot()时附加上kind='kde’即可生成一张密度图。

    例3:绘制上图对应的正态分布曲线

    import numpy as np
    from matplotlib import pyplot as plt
    
    np.random.seed(20170617)
    mu, sigma = 100, 15
    x = mu + sigma * np.random.randn(10000)
    fig, ax = plt.subplots()
    p, bins, patches = plt.hist(x, 50, density=1, facecolor='g', alpha=0.75)
    # 绘制核密度曲线
    y = ((1 / (np.sqrt(2 * np.pi) * sigma)) * np.exp(-0.5 * (1 / sigma * (bins - mu)) ** 2))
    ax.plot(bins, y, '--')
    plt.show()
    

    在这里插入图片描述

    (三)直方图与密度图叠加

    例4:绘制一条关于体重的正态分布概率密度曲线,并标定正态分布概率密度的公式

    import numpy as np
    from matplotlib import pyplot as plt
    import matplotlib
    
    matplotlib.rcParams["font.sans-serif"] = ["KaiTi"]
    matplotlib.rcParams["axes.unicode_minus"] = False
    mu = 60.0
    sigma = 2.0
    x = mu + sigma * np.random.randn(500)
    bins = 50
    fig, ax = plt.subplots(1, 1)
    n, bins, patches = ax.hist(x, bins, density=True, histtype="bar", facecolor="#99FF33", edgecolor="#00FF99", alpha=0.75)
    y = ((1 / (np.power(2 * np.pi, 0.5) * sigma)) * np.exp(-0.5 * np.power((bins - mu) / sigma, 2)))
    ax.plot(bins, y, color="#7744FF", ls="--", lw=2)
    ax.grid(ls=":", lw=1, color="gray", alpha=0.2)
    ax.text(54, 0.2, r"$y=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$",
            {"color": "#FF5511", "fontsize": 20})
    ax.set_xlabel("体重")
    ax.set_ylabel("概率密度")
    ax.set_title(r"体重的直方图:$\mu=60.0$, $\sigma=2.0$", fontsize=16)
    plt.show()
    

    在这里插入图片描述

    三. 条形图

    相较散点图和折线图,柱状图(直方图、条形图)、饼图、箱线图是另外3种数据分析常用的图形,主要用于分析数据内部的分布状态或分散状态。柱状图(直方图、条形图)主要用于查看各分组数据的数量分布,以及各个分组数据之间的数量比较。条形图分为垂直条形图和水平条形图,绘制垂直条形图和水平条形图分别调用bar()函数和barh()函数,其调用的函数格式分别如下:

    # 垂直条形图
    matplotlib.pyplot.bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)
    
    # 水平条形图
    matplotlib.pyplot.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)
    

    参数说明如下:

    参数 属性 意义
    x 整数或浮点数 设置x轴坐标
    height 整数或浮点数组成的列表 设置条形图条带的高度
    width 0-1之间的浮点数,默认值为0.8 设置条形图条带的宽度
    alpha 数值 设置条形图条带的颜色透明度
    bottom 列表 设置条形图条带的起始位置
    align 字符串,可选值为“center”和“lege” 设置条形图条带的中心位置
    color 颜色字符串,默认值为“b” 设置条形图条带的颜色
    edgecolor 颜色字符串 设置条形图条带的边框颜色
    linewidth 整数数值 设置条形图条带的边框宽度
    tick_label 字符串列表 设置条形图下标的标签
    log 布尔类型
    orientation 字符串,可选值为“vertical”和“horizontal” 设置条形图条带的方向

    水平条形图可以利用bar()函数绘制,也可以利用barh()函数绘制,当用bar()函数绘制时,orientation="horizontal",然后x与y的数据交换,再添加bottom=x即可。

    (一)垂直条形图

    例1:绘制某园区苹果与橙子每个月的销售量

    import numpy as np
    import matplotlib.pyplot as plt
    
    # 设置中文字体
    plt.rcParams['font.sans-serif'] = ['SimHei']
    
    apples = np.array([45, 46, 12, 45, 121, 65, 45, 60, 11, 56, 34, 54])
    oranges = np.array([54, 36, 82, 47, 96, 34, 45, 62, 85, 66, 94, 63])
    plt.figure('Bar Chart', facecolor='lightgray')
    # 设置图标题
    plt.title('Bar Chart', fontsize=16)
    # 设置x、y轴标签名
    plt.xlabel('Month', fontsize=14)
    plt.ylabel('Volume', fontsize=14)
    # 设施刻度字体大小
    plt.tick_params(labelsize=10)
    # 添加y轴上的网格
    plt.grid(linestyle=':', axis='y')
    # 生成柱状图
    x = np.arange(12)
    a = plt.bar(x-0.2, height=apples, width=0.4, color='dodgerblue', label='Apple', align='center')
    b = plt.bar(x+0.2, height=oranges, width=0.4, color='orangered', label='Oranges', align='center')
    # 给条带添加数据标签
    for i in a + b:
        h = i.get_height()
        plt.text(i.get_x() + i.get_width() / 2, h, '%d' % int(h), ha='center', va='bottom')
    # 设置x轴的刻度
    plt.xticks(x, ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月'])
    # 设置图例
    plt.legend()
    plt.show()
    

    在这里插入图片描述

    (二)水平条形图

    例2:绘制一个试卷难度与试卷分数相关的水平柱状图

    from matplotlib import pyplot as plt
    import matplotlib as mpl
    
    # 设置中文字体
    mpl.rcParams["font.sans-serif"] = ["SimHei"]
    mpl.rcParams["axes.unicode_minus"] = False
    # 添加x轴与y轴的坐标值
    x = [1,2,3,4,5]
    y = [6,10,4,5,1]
    # 生成柱状图
    plt.barh(x,width=y,height=0.5,align="center",color="b",tick_label=["A","B","C","D","E"],alpha=0.6)
    # 设置x、y轴标签名
    plt.xlabel("测试难度")
    plt.ylabel("试卷分数")
    # 设置网格
    plt.grid(True, axis="y",ls=":",color="r",alpha=0.3)
    plt.show()
    

    在这里插入图片描述

    (三)堆叠条形图

    例3:绘制某两册图书每年销售数量的堆叠条形图

    from matplotlib import pyplot as plt
    import matplotlib as mpl
    
    # 设置中文字体
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    mpl.rcParams['axes.unicode_minus'] = False
    label_list = ['2017', '2018', '2019', '2020']
    num_list1 = [20, 30, 15, 35]
    num_list2 = [15, 30, 40, 20]
    # 生成条形图
    x = range(len(num_list1))
    y1 = plt.bar(x, height=num_list1, width=0.45, alpha=0.8, color='red', label="图书一")
    y2 = plt.bar(x, height=num_list2, width=0.45, color='green', label="图书二", bottom=num_list1)
    # 设置x、y轴标签名
    plt.ylabel("数量")
    plt.xlabel("年份")
    # 设置图标题
    plt.title("某两册图书每年销售数量")
    # 设置x轴的标签
    plt.xticks(x, label_list, rotation='horizontal')
    # 设置y轴坐标界限
    plt.ylim(0, 80)
    # 设置图例
    plt.legend()
    plt.show()
    

    在这里插入图片描述

    (四)双向条形图

    例4:绘制某地区2015年和2017年的各年龄段人口组成条形图

    from matplotlib import pyplot as plt
    import matplotlib as mpl
    import numpy as np
    
    mpl.rcParams['font.sans-serif'] = ['SimHei']
    x = np.array([8021, 7577, 7118, 7518, 10029, 12850, 10146, 9724, 11771, 12391, 10422, 7697,
                  7814, 5485, 3632, 2652, 1634, 721, 218, 44])
    y = np.array([8292, 7685, 7371, 7192, 8883, 12223, 10798, 10020, 10646, 12802, 11745, 6533,
                  8259, 6257, 3956, 2737, 1785, 802, 238, 55])
    plt.figure(figsize=(12,8))
    plt.barh(range(len(y)), -x,color='darkorange',label='2015年')
    plt.barh(range(len(x)), y,color='limegreen',label='2017年')
    plt.xlim((-15000,15000))
    plt.xticks((-15000,-10000,-5000,0,5000,10000,15000),('15000','10000','5000','0','5000','10000','15000'))
    plt.yticks((0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19),
               ('0-4岁', '5-9岁', '10-14岁', '15-19岁', '20-24岁', '25-29岁', '30-34岁', '35-39岁',
                '40-44岁', '45-49岁', '50-54岁', '55-59岁', '60-64岁', '65-69岁', '70-74岁', '75-79岁',
                '80-84岁', '85-89岁', '90-94岁', '95以上'))
    plt.xlabel('人口数量(万)')
    plt.legend()
    plt.show()
    

    在这里插入图片描述

    (五)外嵌条形图

    例5:绘制一个外嵌条形图

    from matplotlib import pyplot as plt
    import numpy as np
    import pandas as pd
    
    data = [[ 66386, 174296,  75131, 577908,  32015],
            [ 58230, 381139,  78045,  99308, 160454],
            [ 89135,  80552, 152558, 497981, 603535],
            [ 78415,  81858, 150656, 193263,  69638],
            [139361, 331509, 343164, 781380,  52269]]
    columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail')
    rows = ['%d year' % x for x in (100, 50, 20, 10, 5)]
    df = pd.DataFrame(data,columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail'))
    df.plot(kind='bar',grid = True,colormap='Blues_r',stacked=True,figsize=(8,3))
    plt.table(cellText = data,
              cellLoc='center',
              cellColours = None,
              rowLabels = rows,
              rowColours = plt.cm.BuPu(np.linspace(0, 0.5,5))[::-1],
              colLabels = columns,
              colColours = plt.cm.Reds(np.linspace(0, 0.5,5))[::-1],
              rowLoc='right',
              loc='bottom')
    plt.show()
    

    在这里插入图片描述

    四. 面积图

    (一)饼状图

    绘制饼状图所需调用的函数格式如下:

    matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None,
        pctdistance=0.6, shadow=False, labeldistance=1.1,
        startangle=0, radius=1, counterclock=True, wedgeprops=None,
        textprops=None, center=(0, 0), frame=False,
        rotatelabels=False, *, normalize=None, data=None)
    

    参数说明如下:

    参数 属性 意义
    x 指定绘图数据
    explode 数值列表 设置饼状图每一部分到圆心的距离
    labels 字符串列表 设置饼状图各区域标签
    colors 颜色列表 设置饼状图各区域的颜色
    autopct 可选参数 控制显示百分比
    pctdistance 数值列表,可选参数 控制数据标签到圆心位置的距离
    shadow 布尔类型,可选参数 在饼图下面绘制阴影,显示出3D立体效果
    labeldistance 可选参数 设置饼图标签距中心的距离
    startangle 可选参数 设置旋转角度
    radius 可选参数 设置圆的半径
    counterclock 可选参数,默认为True,即逆时针;将其改为False即可改为顺时针 设置指针方向
    wedgeprops 字典类型,可选参数; 参数字典传递给wedge对象用来画一个饼图
    textprops 字典类型,可选参数 设置标签和比例文字的格式
    center 浮点类型的列表,可选参数 设置图标中心位置
    frame 该参数为布尔类型,可选参数,默认值为False 如果是true,绘制带有表的轴框架
    rotatelabels 该参数为布尔类型,可选参数,默认为为False 如果是true,旋转每个label到指定的角度

    1. 基础饼状图

    例1:绘制一个一般饼状图

    import matplotlib.pyplot as plt
    
    plt.rcParams["font.family"] = "kaiti"
    x = [32,29,15,8,7,9]
    department = ["市场部","人事部","企划部","财务部","行政部","研发部"]
    color_ls = ['r','c','g','b','m','y']
    dist = [0,0,0.2,0,0,0]
    plt.axes(aspect=1)  # x、y轴均向增长,不设置会是椭圆形
    plt.pie(x, labels=department, autopct="%.1f%%", colors=color_ls, explode=dist, shadow=True)
    plt.title("部门管理比例", size=20)
    plt.show()
    

    在这里插入图片描述

    2. 嵌套饼状图

    例2:绘制一个嵌套饼状图

    import matplotlib.pyplot as plt
    
    plt.rcParams["font.family"] = "kaiti"
    fig=plt.figure(figsize=(5,5),dpi=100)
    x1=[7,22,14,5,14,6,32]
    x2=[43,25,32]
    inner_color=['#ffce2b','#00c5d2', '#ff812c']
    outer_color=['#9ACD32','#836FFF','#1E90FF']
    labels = ['标签1','标签2','标签3']
    plt.pie(x1, autopct='%0.1f%%', radius=0.7, pctdistance=0.7,colors=inner_color,wedgeprops=dict(linewidth=3,width=0.4,edgecolor='w'))
    plt.pie(x2, autopct='%0.1f%%', radius=1, pctdistance=0.8, colors=outer_color, wedgeprops=dict(linewidth=3,width=0.4,edgecolor='w'), labels=labels)
    # 图例文字
    legend_text=['子标签1','子标签2','子标签3']
    # 设置图例标题、位置
    plt.legend(legend_text, title='主题占比', loc='upper right', frameon=False, bbox_to_anchor=(0.75, 0, 0.4, 1))
    #使饼图长宽相等,确保饼图被画成圆形
    plt.axis('equal')
    plt.show()
    

    在这里插入图片描述

    (二)面积图

    面积图又称区域图,强调数量随时间而变化的程度,也可用于引起人们对总值趋势的注意。堆积面积图和百分比堆积面积图还可以显示部分与整体的关系。在Matplotlib中绘制面积图有两种方式,一是调用stackplot函数,二是使用Series.plot.area()DataFrame.plot.area()创建面积图。下面我们现在了解一下第一种方法,并通过实例绘制一个简单的面积图。绘制面积图时stackplot的函数调用格式如下:

    matplotlib.pyplot.stackplot(x, *args, labels=(), colors=None, baseline='zero', data=None, **kwargs)
    

    参数说明如下:

    参数 属性 描述
    x 列表 指定面积图的x轴数据
    labels 字符串列表 设置每一块面积图包含的标签
    colors 颜色列表 设置颜色填充面积图
    baseline 可选值有zero、sym、wiggle、weighted_wiggle 设置面积图显示的基线位置

    例1:绘制一个简单的面积图

    import matplotlib.pyplot as plt
    
    plt.figure(figsize=(9,6))
    days = [1,2,3,4,5]
    sleeping =[7,8,6,11,7]
    eating = [2,3,4,3,2]
    working =[7,8,7,2,2]
    playing = [8,5,7,8,13]
    plt.stackplot(days,sleeping,eating,working,playing, colors=['r','g','k','y'], baseline='sym') 
    plt.xlabel('x')
    plt.ylabel('y')
    plt.title('Stack Plot',fontsize = 18)
    plt.legend(['Sleeping','Eating','Working','Playing'],fontsize = 18)
    plt.show()
    

    在这里插入图片描述

    例2:下面我们再用上述第二种方式去绘制面积图:

    import matplotlib.pyplot as plt
    import numpy as np
    import pandas as pd
    import matplotlib.style as psl
    
    ts = pd.Series(np.random.randn(1000),index=pd.date_range('1/1/2010',periods=1000))
    ts = ts.cumsum()
    df = pd.DataFrame(np.random.randn(1000, 4), index = ts.index, columns=list('abcd'))
    df = df.cumsum()
    fig,axes = plt.subplots(2,1,figsize = (10,8))
    df1 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    df2 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
    df1.plot.area(colormap = 'Greens_r', alpha = 0.8, ax = axes[0])
    df2.plot.area(stacked=False ,colormap = 'Set2',alpha=0.8, ax = axes[1])
    plt.show()
    

    在这里插入图片描述

    (三)填图

    fill_between()函数填充两条水平曲线之间的区域。曲线由点定义( x , y1 )和( x , y2 ). 这将创建一个或多个描述填充区域的多边形。绘制填图可以调用plt.fill()和plt.fill_between()函数,具体调用格式如下:

    fill_between(
            x, y1, y2=0, where=None, interpolate=False, step=None, *,
            data=None, **kwargs)
    

    参数说明如下:

    参数 属性 描述
    x 二维数组(长度n) 定义曲线的节点的X坐标
    y1 二维数组(长度n)或标量 定义第一条曲线的节点的Y坐标
    y2 数组(长度N)或标量,默认值:0 定义第二条曲线的节点的Y坐标
    where 布尔数组(长度N),可选 用于判断某个区间内是否进行填充,如果判断为True,则进行填充,否则不填充
    interpolate 布尔值,默认值:False
    step 可选值为'pre'、'post'、'mid'
    **kwargs

    例3:绘制一个填图

    from matplotlib import pyplot as plt
    import numpy as np
    
    fig,axes = plt.subplots(2,1,figsize = (8,6))
    x = np.linspace(0, 1, 500)
    y1 = np.sin(4 * np.pi * x) * np.exp(-5 * x)
    y2 = -np.sin(4 * np.pi * x) * np.exp(-5 * x)
    axes[0].fill(x, y1, 'r',alpha=0.5,label='y1')
    axes[0].fill(x, y2, 'g',alpha=0.5,label='y2')
    x = np.linspace(0, 5 * np.pi, 1000)
    y1 = np.sin(x)
    y2 = np.sin(2 * x)
    axes[1].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')
    for i in range(2):
        axes[i].legend()
        axes[i].grid()
    plt.show()
    

    在这里插入图片描述

    五. 散点图

    (一)散点图

    什么是散点图?散点图是指在回归分析中,数据点在直角坐标系平面上的分布图,散点图表示因变量随自变量而变化的大致趋势,据此可以选择合适的函数对数据点进行拟合。用两组数据构成多个坐标点,考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。绘制散点图所需调用的函数格式如下:

    matplotlib.pyplot.scatter(
        x, y, s=None, c=None, marker=None, cmap=None, norm=None,
        vmin=None, vmax=None, alpha=None, linewidths=None,
        verts=cbook.deprecation._deprecated_parameter,
        edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
    

    参数说明如下:

    参数 属性 意义
    x、y 形如shape(n,)的数组 设置散点的坐标
    s 形如shape(n,)的数组,可选参数,默认值为20 设置散点的面积
    c 颜色序列,可选参数,默认值为“b”(蓝色) 设置散点的颜色
    marker 可选参数,默认值为“o” 设置散点的标记
    cmap 可选参数 colormap
    norm 可选参数 调节数据亮度
    vmin、vmax 标量,可选参数 和norm配合使用用来归一化亮度数据
    alpha 标量,可选参数 设置散点的透明度
    linewidths 标量或数组,可选参数 设置散点的轮廓线宽

    1. 普通散点图

    例1:绘制一个普通散点图

    import matplotlib.pyplot as plt
    
    x_coords = [0.13, 0.22, 0.39, 0.59, 0.68, 0.74,0.93]
    y_coords = [0.75, 0.34, 0.44, 0.52, 0.80, 0.25,0.55]
    fig = plt.figure(figsize = (8,5))
    plt.scatter(x_coords, y_coords, marker = 's', s = 50)
    for x, y in zip(x_coords, y_coords):
        plt.annotate('(%s,%s)'%(x,y), xy = (x,y),xytext = (0, -10), textcoords = 'offset points',ha = 'center', va = 'top')
    plt.xlim([0,1])
    plt.ylim([0,1])
    plt.show()
    

    在这里插入图片描述

    2. 气泡图

    例2:绘制一个气泡图

    import numpy as np
    import matplotlib.pyplot as plt
    
    fig=plt.figure(figsize=(8,6))
    # Generating a Gaussion dataset: creating random vectors from the multivariate normal distribution
    # given mean and covariance
    mu_vec1=np.array([0,0])
    cov_mat1=np.array([[1,0],[0,1]])
    X=np.random.multivariate_normal(mu_vec1,cov_mat1,500)
    R=X**2
    R_sum=R.sum(axis=1)
    plt.scatter(X[:,0],X[:,1],color='green',marker='o',s=32.*R_sum,edgecolor='black',alpha=0.5)
    plt.show()
    

    在这里插入图片描述

    3. 多组散点图

    例3:绘制一个多组散点图

    import numpy as np
    import matplotlib.pyplot as plt
    
    mu_vecl = np.array([0, 0])
    cov_matl = np.array([[2,0],[0,2]])
    x1_samples = np.random.multivariate_normal(mu_vecl, cov_matl,100)
    x2_samples = np.random.multivariate_normal(mu_vecl+0.2, cov_matl +0.2, 100)
    x3_samples = np.random.multivariate_normal(mu_vecl+0.4, cov_matl +0.4, 100)
    plt.figure(figsize = (8, 6))
    plt.scatter(x1_samples[:,0], x1_samples[:, 1], marker='x', color = 'blue', alpha=0.7, label = 'x1 samples')
    plt.scatter(x2_samples[:,0], x1_samples[:,1], marker='o', color ='green', alpha=0.7, label = 'x2 samples')
    plt.scatter(x3_samples[:,0], x1_samples[:,1], marker='^', color ='red', alpha=0.7, label = 'x3 samples')
    plt.title('Multi-group scatter plot')
    plt.ylabel('variable X')
    plt.xlabel('Variable Y')
    plt.legend(loc = 'upper right')
    plt.show()
    

    在这里插入图片描述

    (二)矩阵散点图

    例4:绘制一个矩阵散点图

    from matplotlib import pyplot as plt
    import numpy as np
    import pandas as pd
    
    df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
    pd.plotting.scatter_matrix(df,figsize=(10,6),
                     marker = 'o',
                     diagonal='kde',
                     alpha = 0.5,
                     range_padding=0.1)
    plt.show()
    

    在这里插入图片描述

    六. 热力图

    热力图是以颜色区别或颜色深浅来反映地图上某一区域或图表中某一范围的特征,一般包括填充表格热力图和地图热力图。热力图的绘制主要是利用imshow()函数来完成,当然pcolor()函数也可以完成表格热力图的绘制,但适用性较低。调用imshow()函数的格式如下:

    matplotlib.pyplot.imshow(
        X, cmap=None, norm=None, aspect=None, interpolation=None,
        alpha=None, vmin=None, vmax=None, origin=None, extent=None, *,
        filternorm=True, filterrad=4.0, resample=None, url=None,
        data=None, **kwargs)
    

    主要参数说明如下:

    参数 属性 描述
    X 数组对象 可以使类似数组的对象,或者是PIL类型图像
    cmap 字符串或Colormap类型 用于将标量数据映射到颜色的Colormap实例或已注册的Colormap名称
    norm 在使用cmap之前,用来将二维数组数据归一化到[0,1]
    interpolation 默认值为nearest,除此还有其他插值方法 设置插值方法
    alpha 浮点数,取值范围为[0,1] 设置透明度
    vmin、vmax 当输入的是二维数组标量并且没有明确的norm时,vminvmax定义colormap覆盖的数据范围,默认情况下,colormap覆盖所提供的值的完整范围数据
    origin 可选值为upperlower 设置坐标轴的样式

    参数interpolation的可选值除了nearest之外,还有none、bilinear、bicubic、spline16、spline36、hanning、hamming、hermite、kaiser、quadric、catrom、gaussian、bessel、mitchell、sinc、lanczos

    例1:绘制一个简单的热力图

    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib import cm
    
    data = np.random.uniform(0.5, 1.0, 100).reshape([10,10])
    # 绘制热力图
    plt.imshow(data, interpolation='nearest', cmap=cm.coolwarm, origin='lower')
    # 设置颜色条
    plt.colorbar(shrink=.92)
    plt.xticks(())
    plt.yticks(())
    plt.show()
    

    在这里插入图片描述

    例2:绘制热力图

    import numpy as np
    import matplotlib.pyplot as plt
    from matplotlib import cm
    
    column_labels = list('ABCD')
    row_labels = list('WXYZ')
    data = np.random.rand(4,4)
    fig, ax = plt.subplots()
    # 绘制热力图
    heatmap = ax.pcolor(data, cmap=cm.Blues)
    # 设置x轴和y轴的刻度位置
    ax.set_xticks(np.arange(data.shape[0])+0.5, minor=False)
    ax.set_yticks(np.arange(data.shape[1])+0.5, minor=False)
    # 将y轴反向显示
    ax.invert_yaxis()
    # 将x轴的刻度和刻度标签移到坐标轴上面显示
    ax.xaxis.tick_top()
    # 设置x轴和y轴标签
    ax.set_xticklabels(row_labels, minor=False)
    ax.set_yticklabels(column_labels, minor=False)
    plt.show()
    

    在这里插入图片描述

    例3:绘制热力图

    import numpy as np
    import matplotlib.pyplot as plt
    
    vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"]
    farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening", "Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]
    #定义热力图数据
    harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                        [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                        [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                        [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                        [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                        [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                        [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])
    # 将元组分解为fig和ax两个变量
    fig, ax = plt.subplots()
    # 显示图片
    im = ax.imshow(harvest)
    # 设置x轴与y轴刻度间隔
    ax.set_xticks(np.arange(len(farmers)))
    ax.set_yticks(np.arange(len(vegetables)))
    # 设置x轴与y轴标签
    ax.set_xticklabels(farmers)
    ax.set_yticklabels(vegetables)
    plt.setp(ax.get_xticklabels(), rotation=45, ha="right", rotation_mode="anchor")
    for i in range(len(vegetables)):
        for j in range(len(farmers)):
            text = ax.text(j, i, harvest[i, j], ha="center", va="center", color="w")
    # 设置图表标题
    ax.set_title("Harvest of local farmers (in tons/year)")
    fig.tight_layout()  # 自动调整子图参数,使之填充整个图像区域
    plt.show()
    

    在这里插入图片描述

    将上述例3封装成函数,自动生成热力图,代码如下:

    import numpy as np
    import matplotlib
    import matplotlib.pyplot as plt
    
    def heatmap(data, row_labels, col_labels, ax=None, cbar_kw={}, cbarlabel="", **kwargs):
        """
        从一个numpy数组和两个标签列表创建一个热图。
        data:形状为(N,M)的2D numpy数组
        row_labels:长度为N且带有行标签的列表或数组。
        col_labels:长度为M的列表或数组,带有列的标签。
        ax:绘制热图的`matplotlib.axes.Axes`实例。 如果未提供,请使用当前轴或创建一个新轴。 (可选的。)
        cbar_kw:带有`matplotlib.Figure.colorbar`参数的字典。 可选的。
        cbarlabel:颜色条的标签。 可选的。
        **kwargs:所有其他参数都转发给“imshow”。
        """
        # 如果不在ax,挪动坐标轴
        if not ax:
            ax = plt.gca()
        im = ax.imshow(data, **kwargs)
        # 创造彩条
        cbar = ax.figure.colorbar(im, ax=ax, **cbar_kw)
        """
        im:一个可以映射颜色的对象
        ax=ax:指示im得到的对象在哪里展示(整体)
        """
        """设置y轴标签"""
        cbar.ax.set_ylabel(cbarlabel, rotation=-90, va="bottom")
        # 设置x,y轴刻度间隔
        ax.set_xticks(np.arange(data.shape[1]))
        ax.set_yticks(np.arange(data.shape[0]))
        # 设置横,纵轴
        ax.set_xticklabels(col_labels)
        ax.set_yticklabels(row_labels)
        # 让水平轴标签显示在顶部
        ax.tick_params(top=True, bottom=False, labeltop=True, labelbottom=False)
        # 旋转刻度线标签并设置其对齐方式。
        plt.setp(ax.get_xticklabels(), rotation=-30, ha="right", rotation_mode="anchor")
        # spines是连接轴刻度标记的线,而且标明了数据区域的边界,关闭spines并创建白色网格
        for edge, spine in ax.spines.items():
            spine.set_visible(False)
        # 设置x,y轴刻度间隔
        ax.set_xticks(np.arange(data.shape[1] + 1) - .5, minor=True)
        ax.set_yticks(np.arange(data.shape[0] + 1) - .5, minor=True)
        # 设置边框主刻度线,颜色为白色,线条格式为'-',线的宽度为3
        ax.grid(which="minor", color="w", linestyle='-', linewidth=3)
        # 设置主刻度线,参数bottom, top, left, right的值为布尔值,分别代表设置绘图区四个边框线上的的刻度线是否显示
        ax.tick_params(which="minor", bottom=False, left=False)
        return im, cbar
    
    def annotate_heatmap(im, data=None, valfmt="{x:.2f}", textcolors=["black", "white"], threshold=None, **textkw):
        """
        im:要标记的AxesImage。
        data:用于注释的数据。如果为None,则使用图像数据。(可选的。)
        valfmt:热图内注释的格式。这应该使用字符串格式方法,例如“${x:.2f}”,或成为`matplotlib.ticker.Formatter`。(可选的。)
        textcolors:两种颜色规格的列表或数组。 第一个代表值低于阈值,第二个代表高于阈值的值。(可选的。)
        threshold:以数据单位表示的值,根据该值,textcolors中的颜色是应用。如果为None(默认),则将颜色图的中间用作分离。( 可选的。)
        **kwargs:所有其他参数都转发给用于创建的每个`text`调用。文字标签。
        """
        # 保证data是一个list类型
        if not isinstance(data, (list, np.ndarray)):
            data = im.get_array()
        # 将阈值标准化为图像颜色范围
        if threshold is not None:
            threshold = im.norm(threshold)
        else:
            threshold = im.norm(data.max()) / 2.
        # 将默认对齐方式设置为居中,但允许将其设置为居中被textkw覆盖。
        kw = dict(horizontalalignment="center",
                  verticalalignment="center")
        kw.update(textkw)
        # (如果提供了字符串)获取格式化程序
        if isinstance(valfmt, str):
            valfmt = matplotlib.ticker.StrMethodFormatter(valfmt)
        # 给热力图标注文本设置格式
        # 遍历数据并为每个“pixel”创建一个“Text”,根据数据更改文本的颜色。
        texts = []
        for i in range(data.shape[0]):
            for j in range(data.shape[1]):
                kw.update(color=textcolors[int(im.norm(data[i, j]) > threshold)])
                text = im.axes.text(j, i, valfmt(data[i, j], None), **kw)
                texts.append(text)
        return texts
    
    vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"]
    farmers = ["Farmer Joe", "Upland Bros.", "Smith Gardening", "Agrifun", "Organiculture", "BioGoods Ltd.", "Cornylee Corp."]
    # 定义热力图数据
    harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                        [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                        [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                        [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                        [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                        [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                        [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])
    fig, ax = plt.subplots()
    im, cbar = heatmap(harvest, vegetables, farmers, ax=ax, cmap="YlGn", cbarlabel="harvest [t/year]")
    texts = annotate_heatmap(im, valfmt="{x:.1f} t")
    fig.tight_layout()
    plt.show()
    

    在这里插入图片描述

    七. 箱线图

    箱线图(Box-plot)又称为盒须图、盒式图或箱形图,是一种用作显示一组数据分散情况资料的统计图,因形状如箱子而得名。在各种领域也经常被使用,常见于品质管理。它主要用于反映原始数据分布的特征,还可以进行多组数据分布特征的比较。箱线图的绘制方法是:先找出一组数据的上边缘、下边缘、中位数和两个四分位数;然后, 连接两个四分位数画出箱体;再将上边缘和下边缘与箱体相连接,中位数在箱体中间。箱线图主要包含六个数据节点,将一组数据从大到小排列,分别计算出其上边缘(数据最大值),上四分位数Q3,中位数Q2,下四分位数Q1,下边缘(数据最小值),还有一个异常值。具体图示如下:
    在这里插入图片描述

    什么是分位数?分位数是将总体的全部数据按大小顺序排列后,处于各等分位置的变量值。如果将全部数据分成相等的两部分,它就是中位数;如果分成四等分,就是四分位数;八等分就是八分位数等。

    • 第一四分位数 (Q1),又称“较小四分位数”,等于该样本中所有数值由小到大排列后第25%的数字,即Q1的位置= (n+1) × 0.25
    • 第二四分位数 (Q2),又称“中位数”,等于该样本中所有数值由小到大排列后第50%的数字,即Q2的位置= (n+1) × 0.5
    • 第三四分位数 (Q3),又称“较大四分位数”,等于该样本中所有数值由小到大排列后第75%的数字,即Q3的位置= (n+1) × 0.75

    例1:求数据的6, 47, 49, 15, 42, 41, 7, 39, 43, 40, 36(未排序)的Q1、Q2、Q3

    1. 首先排顺序,由小到大排列的结果: 6, 7, 15, 36, 39, 40, 41, 42, 43, 47, 49

    2. 位置计算:

      Q1 的位置 = (11+1) × 0.25=3

      Q2 的位置 = (11+1) × 0.5 =6

      Q3 的位置 = (11+1) × 0.75=9

    3. 因此:Q1 = 15,Q2 = 40,Q3 = 43

    例2:求数据: 15, 41, 7, 39, 40, 36(未排序)的Q1、Q2、Q3

    1. 首先排顺序,由小到大排列的结果: 6, 7, 15, 36, 39, 40, 41, 42, 43, 47, 49

    2. 位置计算:

      Q1的位置 = (6+1) * 0.25 = 7/4 = 1.75,Q1在第一与第二个数字之间

      Q2的位置 = (6+1) * 0.5 = 14/4 = 3.5, Q2在第三与第四个数字之间

      Q3的位置 = (6+1) * 0.75 = 21/4 = 5.25,Q3在第五与第六个数字之间

    3. 位置 x 含有小数时计算方法,下图int(x)表示取整:数a * (1 − x的小数部分) + 数b * x的小数部分

    在这里插入图片描述

    1. Q1 = 0.75 × 15 + 0.25 × 7 = 13

      Q2 = ( 36 + 39 ) / 2 = 37.5

      Q3 = 0.25 × 41 + 0.75 × 40 = 40.25

    箱线图的绘制主要由plt.boxplot()函数完成。该函数的调用格式如下:

    matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, 
        whis=None, positions=None, widths=None, 
        patch_artist=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)
    

    主要参数说明如下:

    参数 属性 描述
    x 数据列表 指定要绘制箱线图的数据
    notch 布尔类型 是否是凹口的形式展现箱线图,默认非凹口
    sym 字符串 指定异常点的形状,默认为+号显示
    vert 布尔类型 是否需要将箱线图垂直摆放,默认垂直摆放
    whis 整数数值 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 列表 指定箱线图的位置,默认为[0,1,2…]
    widths 浮点数 指定箱线图的宽度,默认为0.5
    patch_artist 布尔类型 是否填充箱体的颜色
    meanline 布尔类型 是否用线的形式表示均值,默认用点来表示
    showmeans 布尔类型 是否显示均值,默认不显示
    showcaps 布尔类型 是否显示箱线图顶端和末端的两条线,默认显示
    showbox 布尔类型 是否显示箱线图的箱体,默认显示
    showfliers 布尔类型 是否显示异常值,默认显示
    boxprops 字典类型 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
    flierprops 字典类型 设置异常值的属性,如异常点的形状、大小、填充色等
    medianprops 字典类型 设置中位数的属性,如线的类型、粗细等
    meanprops 字典类型 设置均值的属性,如点的大小、颜色等
    capprops 字典类型 设置箱线图顶端和末端线条的属性,如颜色、粗细等
    whiskerprops 字典类型 设置须的属性,如颜色、粗细、线的类型等

    例1:绘制一个简单的箱线图

    from matplotlib import pyplot as plt
    import numpy as np
    
    
    x = np.linspace(0.05, 10, 50)
    y = np.sin(x)
    a = np.random.randn(100)
    b = np.random.randn(100)
    plt.boxplot([a, b, x, y], widths=0.2)
    plt.show()
    

    在这里插入图片描述

    例2:绘制一个水平方向的箱线图

    from matplotlib import pyplot as plt
    import numpy as np
    
    x = np.linspace(0.05, 10, 50)
    y = np.sin(x)
    a = np.random.randn(100)
    b = np.random.randn(100)
    plt.boxplot([a, b, x, y], notch = True, sym = 'b+', vert = 0, widths=0.3)
    plt.show()
    

    在这里插入图片描述

    例3:绘制一个较为复杂的箱线图

    from matplotlib import pyplot as plt
    
    data = {'AQI':[183,240,325,133,61,55,75,130,161,139,157,155,233,155,85,113],
            'PM 2.5':[140,190,281,100,42,37,55,98,122,104,115,143,190,60,80,72],
            'PM 10':[220,297,286,82,47,34,68,127,164,145,175,230,237,38,84,70],
            'So2':[88,74,36,26,24,20,28,47,52,39,47,86,42,34,31,33],
            }
    # Chart1
    plt.subplot(1,4,1)
    Box1=data["AQI"]
    plt.grid(linestyle="--", alpha=0.3)
    plt.boxplot(
                Box1,
                patch_artist=True,
                showmeans=True,    #显示均值点
                whis=8,
                widths=0.2,      #箱体宽度
                boxprops={'color': 'black', 'facecolor': '#FFDF00'},   #设置箱体属性
                flierprops={'marker': 'o', 'mfc': 'red', 'color': 'black'},    #设置异常值属性
                meanprops={'marker': '+', 'mfc': 'black'},      #设置均值点属性
                medianprops={'ls': '--', 'color': 'orange'},      #设置中位数属性
                whiskerprops={'ls': '--', 'mfc': 'red', 'color': 'black'},  #设置触须属性
                )
    plt.title('AQI')
    plt.xticks([])
    
    # Chart2
    plt.subplot(1,4,2)
    Box2=data["PM 2.5"]
    plt.grid(linestyle="--", alpha=0.3)
    plt.boxplot(
                Box2,
                patch_artist=True,
                showmeans=True,
                whis=8,
                widths=0.2,
                boxprops={'color': 'black', 'facecolor': '#2C4096'},
                flierprops={'marker': 'o', 'mfc': 'red', 'color': 'black'},
                meanprops={'marker': '+', 'mfc': 'black'},
                medianprops={'ls': '--', 'color': 'orange'},
                whiskerprops={'ls': '--', 'mfc': 'red', 'color': 'black'}
                )
    plt.title('MP 2.5')
    plt.xticks([])
    
    # Chart3
    plt.subplot(1,4,3)
    Box3=data["PM 10"]
    plt.grid(linestyle="--", alpha=0.3)
    plt.boxplot(Box3,
                patch_artist=True,
                showmeans=True,
                whis=8,
                widths=0.2,
                boxprops={'color': 'black', 'facecolor': '#019000'},
                flierprops={'marker': 'o', 'mfc': 'red', 'color': 'black'},
                meanprops={'marker': '+', 'mfc': 'black'},
                medianprops={'ls': '--', 'color': 'orange'},
                whiskerprops={'ls': '--', 'mfc': 'red', 'color': 'black'}
                )
    plt.title('PM 10')
    plt.xticks([])
    
    # Chart4
    plt.subplot(1,4,4)
    Box4=data["So2"]
    plt.grid(linestyle="--", alpha=0.3)
    plt.boxplot( Box4,
                patch_artist=True,
                showmeans=True,
                whis=8,
                widths=0.2,
                boxprops={'color': 'black', 'facecolor': '#D22C2C'},
                flierprops={'marker': 'o', 'mfc': 'red', 'color': 'black'},
                meanprops={'marker': '+', 'mfc': 'black'},
                medianprops={'ls': '--', 'color': 'orange'},
                whiskerprops={'ls': '--', 'mfc': 'red', 'color': 'black'}
                )
    plt.title('So2')
    plt.xticks([])
    # 添加总标题并显示图表
    plt.suptitle('Box Plot')
    plt.tight_layout(1.5)
    plt.show()
    

    在这里插入图片描述

    八. 极坐标图

    (一)雷达图

    雷达图是以从同一点开始的轴上表示的三个或更多个定量变量的二维图表的形式显示多变量数据的图形方法。轴的相对位置和角度通常是无信息的。 雷达图也称为网络图,蜘蛛图,星图,蜘蛛网图,不规则多边形,极坐标图或Kiviat图。它相当于平行坐标图,轴径向排列。

    1. 普通雷达图

    例1:绘制一个DOTA能力值雷达图

    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib
    
    matplotlib.rcParams["font.family"] = "SimHei"
    matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
    # 构造雷达图标签和对应的数据
    labels = np.array(["综合", "KDA", "发育", "推进", "生存", "输出"])
    data = np.array([7, 5, 6, 9, 8, 7])
    # 设置雷达图的角度,用于平分切开一个圆面
    angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False)
    # 将雷达图的标签,数据和角度封闭起来
    labels = np.concatenate((labels, [labels[0]]))
    data = np.concatenate((data, [data[0]]))
    angles = np.concatenate((angles, [angles[0]]))
    # 绘图
    fig = plt.figure(facecolor="white")
    plt.subplot(111, polar=True)
    # 绘制折线图
    plt.plot(angles, data, "bo-", color="g", linewidth=2)
    # 填充颜色
    plt.fill(angles, data, facecolor="g", alpha=0.25)
    # 添加每个元素对应的标签
    plt.thetagrids(angles * 180 / np.pi, labels)
    plt.figtext(0.52, 0.95, "DOTA能力值雷达图", ha="center")
    plt.grid(True)
    plt.show()
    

    在这里插入图片描述

    例2:绘制一个反映某一品牌汽车的各项特征值的雷达图

    import numpy as np
    import matplotlib.pyplot as plt
    import matplotlib
    
    matplotlib.rcParams["font.family"] = "SimHei"
    matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
    label = np.array(['耐撞', '加速', '集气', '转向', '喷射', '漂移'])
    data = np.array([3.5, 4.5, 3.8, 5, 4, 4.5])
    angles = np.linspace(0, 2 * np.pi, len(label), endpoint=False)
    label = np.concatenate((label, [label[0]]))
    data = np.concatenate((data, [data[0]]))
    angles = np.concatenate((angles, [angles[0]]))
    fig = plt.figure()
    ax = fig.add_subplot(111, polar=True)
    ax.plot(angles, data, 'bo', linewidth=2)
    ax.fill(angles, data, facecolor='b', alpha=0.25)
    ax.set_thetagrids(angles * 180 / np.pi, label)
    # 设置雷达图的范围
    ax.set_rlim(0, 5)
    ax.grid(True)
    plt.show()
    

    在这里插入图片描述

    例3:绘制一个反映影响某植物的生长因素的重要性的雷达图

    import matplotlib.pyplot as plt
    import matplotlib
    from math import pi
    import pandas as pd
    
    matplotlib.rcParams["font.family"] = "SimHei"
    matplotlib.rcParams["font.sans-serif"] = ["SimHei"]
    df = pd.DataFrame({
        'group': ['A', 'B', 'C', 'D'],
        '光照': [38, 1.5, 30, 4],
        '温度': [29, 10, 9, 34],
        '降水': [8, 39, 23, 24],
        '土壤': [7, 31, 33, 14],
        '地形': [28, 15, 32, 14]
    })
    # 变量类别
    categories = list(df)[1:]
    # 变量类别个数
    N = len(categories)
    # 绘制数据的第一行
    values = df.loc[0].drop('group').values.flatten().tolist()
    # 将第一个值放到最后,以封闭图形
    values += values[:1]
    print(values)
    # 设置每个点的角度值
    angles = [n / float(N) * 2 * pi for n in range(N)]
    angles += angles[:1]
    # 初始化极坐标网格
    ax = plt.subplot(111, polar=True)
    # 设置x轴的标签
    plt.xticks(angles[:-1], categories, color='grey', size=8)
    # 设置标签显示位置
    ax.set_rlabel_position(0)
    # 设置y轴的标签
    plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
    plt.ylim(0, 40)
    # 画图
    ax.plot(angles, values, linewidth=1, linestyle='solid')
    # 填充区域
    ax.fill(angles, values, 'b', alpha=0.1)
    plt.show()
    

    在这里插入图片描述

    2. 多变量雷达图

    例4:绘制一个多变量雷达图

    import numpy as np
    import matplotlib.pyplot as plt
    
    plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
    plt.rcParams['axes.unicode_minus'] = False
    plt.style.use('ggplot')
    values = [3.2,2.1,3.5,2.8,3]
    values2 = [4,4.1,4.5,4,4.1]
    feature = ['个人能力','QC知识','解决问题能力','服务质量意识','团队精神']
    N = len(values)
    angles=np.linspace(0, 2*np.pi, N, endpoint=False)
    values=np.concatenate((values,[values[0]]))
    values2=np.concatenate((values2,[values2[0]]))
    angles=np.concatenate((angles,[angles[0]]))
    feature = np.concatenate((feature, [feature[0]]))
    fig=plt.figure()
    ax = fig.add_subplot(111, polar=True)
    ax.plot(angles, values, 'o-', linewidth=2, label = '活动前')
    ax.fill(angles, values, alpha=0.25)
    ax.plot(angles, values2, 'o-', linewidth=2, label = '活动后')
    ax.fill(angles, values2, alpha=0.25)
    ax.set_thetagrids(angles * 180/np.pi, feature)
    ax.set_ylim(0,5)
    plt.title('活动前后员工状态表现')
    ax.grid(True)
    plt.legend(loc = 'lower right')
    plt.show()
    

    在这里插入图片描述

    例5:绘制反映某两种植物生长相关因子的重要性的多变量雷达图

    import matplotlib.pyplot as plt
    from math import pi
    import pandas as pd
    
    plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
    plt.rcParams['axes.unicode_minus'] = False
    df = pd.DataFrame({
        'group': ['A', 'B', 'C', 'D'],
        '光照': [38, 1.5, 30, 4],
        '温度': [29, 10, 9, 34],
        '降水': [8, 39, 23, 24],
        '土壤': [7, 31, 33, 14],
        '地形': [28, 15, 32, 14]
    })
    categories = list(df)[1:]
    N = len(categories)
    angles = [n / float(N) * 2 * pi for n in range(N)]
    angles += angles[:1]
    ax = plt.subplot(111, polar=True)
    ax.set_theta_offset(pi / 2)
    ax.set_theta_direction(-1)
    plt.xticks(angles[:-1], categories)
    ax.set_rlabel_position(0)
    plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
    plt.ylim(0, 40)
    values = df.loc[0].drop('group').values.flatten().tolist()
    values += values[:1]
    ax.plot(angles, values, linewidth=1, linestyle='solid', label="group A")
    ax.fill(angles, values, 'b', alpha=0.1)
    values = df.loc[1].drop('group').values.flatten().tolist()
    values += values[:1]
    ax.plot(angles, values, linewidth=1, linestyle='solid', label="group B")
    ax.fill(angles, values, 'r', alpha=0.1)
    plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))
    plt.show()
    

    在这里插入图片描述

    3. 分面雷达图

    例6:绘制反映某四种植物生长相关因子的重要性的分面雷达图

    import matplotlib.pyplot as plt
    from math import pi
    import pandas as pd
    
    plt.rcParams['font.sans-serif'] = 'Microsoft YaHei'
    plt.rcParams['axes.unicode_minus'] = False
    df = pd.DataFrame({
        'group': ['A', 'B', 'C', 'D'],
        '光照': [38, 1.5, 30, 4],
        '温度': [29, 10, 9, 34],
        '降水': [8, 39, 23, 24],
        '土壤': [7, 31, 33, 14],
        '地形': [28, 15, 32, 14]
    })
    def make_spider(row, title, color):
        categories = list(df)[1:]
        N = len(categories)
        angles = [n / float(N) * 2 * pi for n in range(N)]
        angles += angles[:1]
        ax = plt.subplot(2, 2, row + 1, polar=True, )
        ax.set_theta_offset(pi / 2)
        ax.set_theta_direction(-1)
        plt.xticks(angles[:-1], categories, color='grey', size=8)
        ax.set_rlabel_position(0)
        plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
        plt.ylim(0, 40)
        values = df.loc[row].drop('group').values.flatten().tolist()
        values += values[:1]
        ax.plot(angles, values, color=color, linewidth=2, linestyle='solid')
        ax.fill(angles, values, color=color, alpha=0.4)
        plt.title(title, size=8, loc='left', color=color, y=1.1)
    my_dpi = 96
    plt.figure(figsize=(1000 / my_dpi, 1000 / my_dpi), dpi=my_dpi)
    my_palette = plt.cm.get_cmap("Set2", len(df.index))
    for row in range(0, len(df.index)):
        make_spider(row=row, title='group ' + df['group'][row], color=my_palette(row))
    plt.tight_layout(2)
    plt.show()
    

    在这里插入图片描述

    (二)极轴图

    from matplotlib import pyplot as plt
    import numpy as np
    
    
    plt.figure(figsize=(8,4))
    ax1= plt.subplot(111, projection='polar')
    ax1.set_title('Rose Map\n')
    ax1.set_rlim(0,12)
    data = np.random.randint(1,10,10)
    theta=np.arange(0,2*np.pi,2*np.pi/10)
    bar = ax1.bar(theta,data,alpha=0.5)
    for r,bar in zip(data, bar):
        bar.set_facecolor(plt.cm.jet(r/10.))
    plt.thetagrids(np.arange(0.0, 360.0, 90), [])
    plt.show()
    

    在这里插入图片描述

    展开全文
  • 布线规则.txt

    2019-05-23 10:11:36
    在每个运放、比较器和数据转换器的模拟电源走线上都应该使用 RC 或 LC 滤波。电源滤波器的拐角频率应该对器件的 PSRR 拐角频率和斜率进行补偿,从而在整个工作频率范围内获得所期望的 PSRR 。 (8)对于高速模拟...
  • 强大的工业图形系统

    2008-03-27 11:21:29
    软件的特点是: 一、丰富的制图功能: 能画折线、矩形、椭圆、圆弧、文字框等最基本图形元件,具备简单的开放性接口,能插入其他编程语言中的各种可视化组件,诸如按钮、列表框、图片等。图形单元具有...
  • 强大的工业图形平台

    2008-03-27 11:26:40
    软件的特点是: 一、丰富的制图功能: 能画折线、矩形、椭圆、圆弧、文字框等最基本图形元件,具备简单的开放性接口,能插入其他编程语言中的各种可视化组件,诸如按钮、列表框、图片等。图形单元具有...
  • 软件的特点是: 一、丰富的制图功能: 能画折线、矩形、椭圆、圆弧、文字框等最基本图形元件,具备简单的开放性接口,能插入其他编程语言中的各种可视化组件,诸如按钮、列表框、图片等。图形单元具有...
  • 任务225: 实例上手折线图 任务226: 实例上手饼状图 任务227: 实例上手散点图 任务228: 实例上手文本表 任务229: 实例上手热图 任务230: 实例上手直方图 任务231: 实例上手甘特图 任务232: 实例上手盒须图 ...
  • 折线图:第 1 年的房屋租金。散点图:癌症数据 1. 直方图:人口数据 1. 参数曲线 一对轴中的多曲线 并排的几个轴(子图) 对数轴、极轴 三维图形:网格、轮廓、曲面 计算机算术的陷阱 整数溢出 浮点和潜在问题 ...
  • MAPGIS地质制图工具

    2013-05-06 16:15:30
    2、点插入等高线必需先选择两条线(若未先选择线当点击完第三个点时即弹出对话框,且插入会失败),然后在线上点个点,前两点在一条线上,后两点在另外一条线上。如果出现乱线,先改一条线的方向再试。 3、直接...
  • 实例243 创建多条折线图 实例244 创建水平折线图 实例245 隐藏折线图中指定系列的折线 实例246 加粗折线 实例247 显示折线节点 实例248 生成节点图 实例249 绘制虚线折线图 实例250 设置折线颜色 实例251 3D折线图 ...
  • 实例243 创建多条折线图 实例244 创建水平折线图 实例245 隐藏折线图中指定系列的折线 实例246 加粗折线 实例247 显示折线节点 实例248 生成节点图 实例249 绘制虚线折线图 实例250 设置折线颜色 实例251 3D折线图 ...
  • 实例243 创建多条折线图 实例244 创建水平折线图 实例245 隐藏折线图中指定系列的折线 实例246 加粗折线 实例247 显示折线节点 实例248 生成节点图 实例249 绘制虚线折线图 实例250 设置折线颜色 实例251 3D折线图 ...
  • Java开发实战1200例.第2卷.part3

    热门讨论 2013-05-08 22:46:34
    实例243 创建多条折线图 388 实例244 创建水平折线图 390 实例245 隐藏折线图中指定系列的折线 392 实例246 加粗折线 393 实例247 显示折线节点 395 实例248 生成节点图 397 实例249 绘制虚线折线图 399 实例250 ...
  • Java开发实战1200例.第2卷.part2

    热门讨论 2013-05-08 22:45:35
    实例243 创建多条折线图 388 实例244 创建水平折线图 390 实例245 隐藏折线图中指定系列的折线 392 实例246 加粗折线 393 实例247 显示折线节点 395 实例248 生成节点图 397 实例249 绘制虚线折线图 399 实例250 ...
  • Java开发实战1200例.第2卷.part1

    热门讨论 2013-05-08 22:44:13
    实例243 创建多条折线图 388 实例244 创建水平折线图 390 实例245 隐藏折线图中指定系列的折线 392 实例246 加粗折线 393 实例247 显示折线节点 395 实例248 生成节点图 397 实例249 绘制虚线折线图 399 实例250 ...
  • excel的使用

    2012-11-25 17:06:01
    7绘制曲线:点击工具栏上的“图表向导”按钮,选择“X,Y散点”(如7),然后在出现的“X,Y散点”类型中选择“无数据点平滑线散点”;此时可察看即将绘制的函数图像,发现并不是我们所要的函数曲线,...
  • 中文版Excel.2007图表宝典 1/2

    热门讨论 2012-04-06 18:49:24
    8.4.8 折线图中两个系列之间的阴影/237 8.5 创建时间线/238 8.6 通过堆积和重叠方法来创建“不可能的”图表/239 8.6.1 堆积图表/239 8.6.2 重叠图表/240 8.6.3 模拟一个“断裂的”值坐标轴/243 8.7 在图表表单中显示...
  • 中文版Excel.2007图表宝典 2/2

    热门讨论 2012-04-06 19:01:36
    8.4.8 折线图中两个系列之间的阴影/237 8.5 创建时间线/238 8.6 通过堆积和重叠方法来创建“不可能的”图表/239 8.6.1 堆积图表/239 8.6.2 重叠图表/240 8.6.3 模拟一个“断裂的”值坐标轴/243 8.7 在图表表单中显示...
  • • XY散点折线图的内插值计算 • 自选图形种类 • 插入自选图形 • 添加文本 • 自选图形绘制线条和连接符 • 旋转和翻转 • 对齐和分布 • 自动靠齐 • 设置叠放次序 • 设置组合 • 设置阴影 • 设置三维效果 • ...
  • 实例104 使用Sort方法对数进行快速排序 实例105 反转数组中元素的顺序 4.3 常用集合的使用 实例106 向班级集合中添加学生信息 实例107 使用哈希表对XML文件进行查询 实例108 计算两个矩形矩阵的乘积 第5章 ...
  • 实例104 使用Sort方法对数进行快速排序 实例105 反转数组中元素的顺序 4.3 常用集合的使用 实例106 向班级集合中添加学生信息 实例107 使用哈希表对XML文件进行查询 实例108 计算两个矩形矩阵的乘积 第5章 ...
  • 实例104 使用Sort方法对数进行快速排序 实例105 反转数组中元素的顺序 4.3 常用集合的使用 实例106 向班级集合中添加学生信息 实例107 使用哈希表对XML文件进行查询 实例108 计算两个矩形矩阵的乘积 第5章 ...
  • 实例145 使用Panel控件显示或隐藏一控件 236 实例146 动态切换Panel容器中的内容 237 5.6 日历控件 239 实例147 通过日历控件查看指定日期的新闻 239 实例148 日历备忘录 241 5.7 制作广告 242 实例149 制作旗帜...
  • 实例145 使用Panel控件显示或隐藏一控件 236 实例146 动态切换Panel容器中的内容 237 5.6 日历控件 239 实例147 通过日历控件查看指定日期的新闻 239 实例148 日历备忘录 241 5.7 制作广告 242 实例149 制作旗帜...
  • 实例145 使用Panel控件显示或隐藏一控件 236 实例146 动态切换Panel容器中的内容 237 5.6 日历控件 239 实例147 通过日历控件查看指定日期的新闻 239 实例148 日历备忘录 241 5.7 制作广告 242 实例149 制作旗帜...
  • 主要内容有C#开发环境的使用、C#语言基础应用、字符串处理技术、数组和集合的使用、面向对象编程技术、数据结构与算法、Windows窗体基础、特色窗体界面、窗体控制技术、MDI窗体和继承窗体、Windows常用控件的使用、...

空空如也

空空如也

1 2 3
收藏数 41
精华内容 16
关键字:

折线图四组数据四条线