精华内容
下载资源
问答
  • 堆积柱状代码片段 vol = ax.bar(index, df['vol'], width=0.3, align='edge', bottom=df.close.min(), color='r', alpha=0.8, label='成交量') large = ax.bar(index, df['count_large'], width=0.3, align='edge...

    堆积柱状图代码片段

    vol = ax.bar(index, df['vol'], width=0.3, align='edge', bottom=df.close.min(), color='r', alpha=0.8, label='成交量')
            large = ax.bar(index, df['count_large'], width=0.3, align='edge', bottom=df.close.min(), color='r', alpha=0.8, label='大单笔数')
            middle = ax.bar(index, df['count_middle'], bottom=df['count_large'] + df.close.min(), width=0.3, align='edge', color='y', alpha=0.8, label='中单笔数')
            small = ax.bar(index, df['count_small'], bottom=df['count_large'] + df['count_middle'] + df.close.min(), width=0.8, align='edge', color='g', alpha=0.8, label='小单笔数')
    
    展开全文
  • 首先,咱们聊聊如何在Python中去绘制经典的堆积折线到这可能有些朋友可能会问了:堆积折线是什么呢?其实这个堆积折线在我们日常生活中最容易见到的哦,比如股市常见的走势就是典型的堆积折线哦,说一下它...

    今天,和大家聊聊关于Python绘图相关的东东哦,还是和大家继续深耕Python经典的matplotlib库哦!

    好啦,咱们就开始吧!

    首先,咱们聊聊如何在Python中去绘制经典的堆积折线图

    到这可能有些朋友可能会问了:堆积折线图是什么呢?其实这个堆积折线图在我们日常生活中最容易见到的哦,比如股市常见的走势图就是典型的堆积折线图哦,说一下它的官方定义吧, 堆积折线图就是通过绘制不同数据集的折线图生成的图表,是按照垂直方向上彼此堆叠且又不相互覆盖的排列顺序,绘制若干条折线图形成的组合图形哦

    对于上面对堆积折线图的官方定义大家是否有些晦涩难懂呢,好啦没关系哦,咱们举个“栗子”就理解了哦:

    可以看到哦,咱们绘制堆积折线图调用的是matplotlib库里面的stackplot()函数哦,这个函数中要注意上面咱们所定义的几个参数哦,参数设置正确了,就可以随意绘制堆积折线图了哦。

    好啦,下面咱们就运行一下看看效果吧,首先用Python解释器运行一下这个程序哦:

    执行该指令后,就会输出咱们所绘制的堆积折线图哦:

    好啦,学会了如何绘制堆积折线图后,下面咱们再讨论一个哦,它就是如下:

    其次,咱们聊聊如何在Python中绘制间断条形图哦

    想要绘制间断条形图,就要调用matplotlib库中的broken_barh()函数哦,关于这个函数的语法格式和用法咱们还是以举个“栗子”的方式呈现哦,这样大家就首先有直观上的认识啦,好啦,举个“栗子”哦:

    对于上面咱们所写的程序可能有朋友存在不清楚的地方哦,下面咱们就解释一下吧,以第10行调用绘制间断条形图的函数broken_barh()为例说明吧。

    第10行代码:

    plt.broken_barh([(30,100),(180,50),(260,70)],(20,8),facecolors='red')

    其中 参数中的第一个参数[(30,100),(180,50),(260,70)]是一个列表哦,这个列表中有3个元组哦,其中第一个元素(30,100)表示从x轴数值为30的起点,沿着x轴正向移动100个单位哦,同理,第2个元组(180,50)表示从x轴数值为180的起点,沿着x轴正向移动50个单位哦;第3个元组(260,70)则表示从x轴数值为260的起点,沿着x轴正向移动70个单位哦。

    函数的第二个参数(20,8)也是一个元组哦,表示从y轴为20的起点,沿着y轴正向移动8个单位哦;函数的第3个参数facecolors则表示绘制的柱体所要填充的颜色哦

    好啦,说完了函数参数的含义,相信大家已经会使用broken_barh()函数了哦,下面咱们就运行一下看看效果吧,首先还是要调用Python解释器运行该程序哦:

    运行后,就会显示咱们所绘制的间断条形图哦:

    好啦,上面就是咱们所讨论的如何绘制堆积折线图和间断条形图的内容哦,是不是这两个图表也很漂亮呢,希望大家能够学会绘制这两类图表的两个函数的调用方法,然后用到自己平常的工作中去哦,今天咱们就聊到这吧,下次再见哦![再见]

    Python学习交流群,欢迎各位小伙伴来交流学习。

    展开全文
  • 随笔 -219文章 -34评论 -31、示例代码importnumpy as npimportmatplotlib.pyplot as plt#生成数据x = np.arange(10) + 1y1 = np.random.randint(1, 3, 10)y2 = np.full(x.shape, 2)#在左下的子图绘制 y1 的条形plt...

    随笔 -

    219

    文章 -

    34

    评论 -

    3

    1、示例代码

    importnumpy as np

    importmatplotlib.pyplot as plt

    #生成数据

    x = np.arange(10) + 1y1 = np.random.randint(1, 3, 10)

    y2 = np.full(x.shape, 2)

    #在左下的子图绘制 y1 的条形图

    plt.subplot(223)

    plt.bar(x, y1, color='yellow')

    plt.ylabel('y1')

    #在右下的子图中绘制 y2 的条形图

    plt.subplot(224)

    plt.bar(x, y2, color='green')

    plt.ylabel('y2')

    #在左上的子图中绘制堆积柱形图

    plt.subplot(221)

    plt.bar(x, y1, color='k', alpha=0.3)

    plt.bar(x, y2, bottom=y1)

    plt.ylabel('y1 + y2')‘

    #在右上的子图中绘制堆积柱形图

    plt.subplot(222)

    plt.bar(x, y2, color='gray')

    plt.bar(x, y1, bottom=y2, color='b')

    plt.ylabel('y2 + y1')

    plt.show()

    2、图形

    1857668-20191130104640320-480318847.png

    。。。

    posted @

    2019-06-13 22:34

    赏尔

    阅读(816)

    评论(0)

    编辑

    收藏

    Copyright © 2020 赏尔

    Powered by .NET 5.0.0 on Kubernetes

    展开全文
  • 目录:画图小tips散点柱状热力折线图堆积柱状1、画图小tips目录:1.1 保存多张图片+清空1.2 画图标题/图例显示中文1.3 中加注释1.4双坐标轴1.5坐标轴显示百分比1.6横坐标轴时间刻度间隔显示1.1 保存多张...

    目录:

    画图小tips

    散点图

    柱状图

    热力图

    折线图

    堆积柱状图

    1、画图小tips

    目录:

    1.1 保存多张图片+清空

    1.2 画图标题/图例显示中文

    1.3 图中加注释

    1.4双坐标轴

    1.5坐标轴显示百分比

    1.6横坐标轴时间刻度间隔显示

    1.1 保存多张图片+清空

    plt.savefig(ticker_name + '.png') # 保存图片

    plt.cla() # 清空

    如果不加上 plt.cla(),后面的图片会在前一张图片的基础上累计,图就乱了。

    1.2 画图标题/图例显示中文

    python画图标题默认输出英文,如果输出中文,要对字体进行调整,加上下面代码即可:

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

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

    当文本中不含有要输出的中文时,在legend函数中定义后再加上上面两行代码:

    plt.legend((u'没有对冲国债市值', u'对冲后国债市值'), loc='upper right')

    1.3 图中加注释

    # 添加注释, 'xy='为注释需要添加到的位置坐标

    plt.annotate('Annotation', xy=(max(X)+1, max(Y)+1))

    1.4双坐标轴

    import matplotlib.pyplot as plt

    # 绘制曲线

    fig = plt.figure(figsize=(18, 8)) # 指定画布大小

    holding_MV[u'没有对冲国债市值'].plot(color='red', linewidth=3)

    holding_MV[u'对冲后国债市值'].plot(color='blue', linewidth=3)

    plt.legend()

    plt.xlabel('time')

    plt.ylabel('market_value')

    holding_MV[u'国债期货累积收益'].plot(kind='bar', secondary_y=True, color='green')

    plt.ylabel('return')

    plt.legend(loc='upper right', bbox_to_anchor=(1, 1.008))

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

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

    plt.xticks(rotation=30)

    plt.show()

    Figure_4.png

    但是这种做法,图例那块一直没有解决好,相当于是两个图例叠在一起显示的。

    下面是官方做法,但两个都是折线图,没有柱状图,还没研究好怎么改。

    from mpl_toolkits.axes_grid1 import host_subplot

    import matplotlib.pyplot as plt

    host = host_subplot(111)

    par = host.twinx()

    host.set_xlabel("Distance")

    host.set_ylabel("Density")

    par.set_ylabel("Temperature")

    p1, = host.plot([0, 1, 2], [0, 1, 2], label="Density")

    p2, = par.plot([0, 1, 2], [0, 3, 2], label="Temperature")

    leg = plt.legend()

    host.yaxis.get_label().set_color(p1.get_color())

    leg.texts[0].set_color(p1.get_color())

    par.yaxis.get_label().set_color(p2.get_color())

    leg.texts[1].set_color(p2.get_color())

    plt.show()

    sphx_glr_parasite_simple_001.png

    1.5坐标轴显示百分比

    import matplotlib.pyplot as plt

    from matplotlib.ticker import FuncFormatter

    X = [1,2,3,4,5,6,7,8,9,10]

    Y1 = [42.5, 42, 43, 44.7, 42.6, 44, 41.3, 40.3, 40.7, 40.1]

    plt.plot(X, Y1, 'o', markersize=6, color='gray') # 2016H2

    def to_percent(temp, position):

    return '%1.0f'%(temp) + '%'

    plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))

    plt.show()

    1.6横坐标轴时间刻度间隔显示

    x_list = pd.date_range(date[0], date[-1], freq='Y')

    x_list = x_list.map(lambda x:x.strftime("%Y-%m-%d"))

    plt.xticks(x_list, rotation=45)

    2.散点图

    import matplotlib.pyplot as plt

    X = [8, -2, 5, -10, -4, 2]

    Y = [2, 7, -2, 3, 1, 0]

    # 移动坐标轴

    ax = plt.gca()

    ax.spines['top'].set_color('none')

    ax.spines['right'].set_color('none')

    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))

    # 画散点图

    plt.plot(X, Y, 'ro')

    # 自定义横纵坐标显示的范围,第一个参数为最小值,第二个参数为最大值

    plt.xlim(min(X)-2, max(X)+2)

    plt.ylim(min(Y)-2, max(Y)+2)

    # 添加注释, 'xy='为注释需要添加到的位置坐标

    plt.annotate('Annotation', xy=(max(X)+1, max(Y)+1))

    plt.show()

    figure_1-3.png

    画散点图的同时画出拟合曲线

    import pandas as pd

    import matplotlib.pyplot as plt

    import statsmodels.api as sm

    # 计算yield beta=期货价格变动与组合价格变动回归系数

    portfolio_return = portfolio_price.pct_change()[1:]

    future_return = future_price.pct_change()[1:]

    X = sm.add_constant(portfolio_return) # 添加一项常量

    model = sm.OLS(future_return, X) # 回归

    fitted = model.fit()

    yield_beta = fitted.params[0]

    plt.plot(portfolio_return, future_return, 'ro') # 画散点图

    plt.plot(portfolio_return, fitted.fittedvalues, 'r', linewidth=1) # 画拟合曲线

    plt.xlabel('portfolio_return')

    plt.ylabel('future_return')

    plt.annotate('Yield beta = {}'.format(yield_beta), xy=(-0.003, 0))

    plt.show()

    Figure_5.png

    3.柱状图

    idx1 = np.arange(len(style_factor)) #首先用第一个的长度作为横坐标

    width = 0.2

    idx2 = [i+width for i in idx1] #第二个的横坐标

    idx3 = [i+width for i in idx2] #第三个的横坐标

    idx4 = [i+width for i in idx3] #第四个的横坐标

    fig,axs = plt.subplots(nrows=1, ncols=2, sharex=True, sharey=True, figsize=(12,6)) #表示1行有2个子图,X轴和Y轴相互share

    ax1 = axs[0]

    ax1.barh(idx1, future_return_corr_list1, width, color='#465D4C', label='0-1m')

    ax1.barh(idx2, future_return_corr_list2, width, color='#FFBA84', label='1-2m')

    ax1.barh(idx3, future_return_corr_list3, width, color='#24936E', label='2-3m')

    ax1.barh(idx4, future_return_corr_list4, width, color='#B5495B', label='3-4m')

    ax1.set_yticks(idx1+width*2) #将坐标显示在4个柱子中间

    ax1.set_yticklabels(style_factor)

    ax1.invert_yaxis() #横纵坐标互换

    ax1.set_title('Correlation with future factor returns', fontweight='bold') #标题加粗

    ax2 = axs[1] #第二个子图

    ax2.barh(idx1, future_volatility_corr_list1, width, color='#465D4C', label='0-1m')

    ax2.barh(idx2, future_volatility_corr_list2, width, color='#FFBA84', label='1-2m')

    ax2.barh(idx3, future_volatility_corr_list3, width, color='#24936E', label='2-3m')

    ax2.barh(idx4, future_volatility_corr_list4, width, color='#B5495B', label='3-4m')

    ax2.set_yticks(idx1+width*2)

    ax2.invert_yaxis()

    ax2.set_title('Correlation with future factor volatility', fontweight='bold')

    plt.legend(loc=2, bbox_to_anchor=(1.05,1.0), borderaxespad=0., title='Future Horizon') #显示图例,将其放在图外

    plt.show()

    factor_crowding.png

    4.热力图

    # -*- coding: utf-8 -*-

    import matplotlib.pyplot as plt

    import matplotlib.cm as cm

    delay_reference_list = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13]

    delay_reference_label = ('15', '30', '60', '100', '150', '200', '250', '300', '500', '700', '1000', '1440', '2880', '4320')

    OutofExpectation_threshold_label = ('', '0.1', '', '0.05', '', '0', '')

    sig_final_all_list = [[6.55, 6.76, 7.32, 5.6, 5.94, 1.36, 1.41, 0.8, 0.98, 1.36, 13.4, 9.06, 12.24, 13.26],

    [7.32, 6.55, 6.76, 5.6, 1.36, 0.8, 0.98, 1.36, 13.4, 5.94, 9.06, 12.24, 13.26, 1.41],

    [5.94, 7.32, 6.55, 6.76, 5.6, 1.36, 1.41, 0.8, 1.36, 13.4, 9.06, 12.24, 0.98, 13.26]]

    cdict = {'red': ((0., 1, 1),

    (0.05, 1, 1),

    (0.11, 0, 0),

    (0.66, 1, 1),

    (0.89, 1, 1),

    (1, 0.5, 0.5)),

    'green': ((0., 1, 1),

    (0.05, 1, 1),

    (0.11, 0, 0),

    (0.375, 1, 1),

    (0.64, 1, 1),

    (0.91, 0, 0),

    (1, 0, 0)),

    'blue': ((0., 1, 1),

    (0.05, 1, 1),

    (0.11, 1, 1),

    (0.34, 1, 1),

    (0.65, 0, 0),

    (1, 0, 0))}

    # 设定一个图像,背景为白色

    fig_sig = plt.figure(facecolor='w')

    ax_sig = fig_sig.add_subplot(2, 1, 1)

    # 设置横纵坐标轴标签,rotation为坐标旋转的角度

    # ax_sig.set_xticklabels(delay_reference_label, rotation=-15)

    plt.xticks(delay_reference_list, delay_reference_label, rotation=-15)

    ax_sig.set_yticklabels(OutofExpectation_threshold_label)

    cmap_sig = cm.colors.LinearSegmentedColormap('sig_colormap', cdict, 256)

    # vmax和vmin是数据矩阵中的最大和最小值,这个范围要与数据的范围相协调

    map_sig = ax_sig.imshow(sig_final_all_list, interpolation="nearest", cmap=cmap_sig, aspect='auto', vmin=0, vmax=15)

    cb_sig = plt.colorbar(mappable=map_sig)

    plt.xlabel('delay reference')

    plt.ylabel('OutofExpectation threshold')

    plt.title('the heatmap of sig')

    plt.show()

    360反馈意见截图164112156611192.png

    横坐标轴标签显示不全

    如果设置横纵坐标轴标签时这样写,图就会变成这样。

    ax_sig.set_xticklabels(delay_reference_label, rotation=-15)

    ax_sig.set_yticklabels(OutofExpectation_threshold_label)

    360反馈意见截图16501116748488.png

    纵坐标轴标签显示不全

    如果设置横纵坐标轴标签时这样写,图就会变成这样。

    OutofExpectation_threshold_label = ('0.1', '0.05', '0')

    360反馈意见截图1663050873106114.png

    目前 我还不知道这样写为什么就会在中间加上一个刻度,即那个 0.05。

    模糊热力图

    还有一个地方,这里如果去掉  interpolation=”nearest”,就会变成下图。

    map_sig = ax_sig.imshow(sig_final_all_list, cmap=cmap_sig, aspect='auto', vmin=0, vmax=15)

    微信截图_20170719082043.png

    进阶版热力图

    下面的例子来自参考文献7,我觉得图很好看诶,还是NBA数据,哈哈哈。但是我没怎么看懂。。

    ppg2008.csv的数据是这样的:

    微信截图_20170719085136.png

    import matplotlib.pyplot as plt

    import pandas as pd

    import numpy as np

    nba = pd.read_csv('ppg2008.csv', index_col=0)

    # Normalize data columns

    nba_norm = (nba - nba.mean()) / (nba.max() - nba.min())

    nba_sort = nba_norm.sort('PTS', ascending=True)

    # Plot it out

    fig, ax = plt.subplots()

    heatmap = ax.pcolor(nba_sort, cmap=plt.cm.Blues, alpha=0.8)

    fig = plt.gcf()

    fig.set_size_inches(8, 11)

    ax.set_frame_on(False) # turn off the frame

    # put the major ticks at the middle of each cell

    ax.set_yticks(np.arange(nba_sort.shape[0]) + 0.5, minor=False)

    ax.set_xticks(np.arange(nba_sort.shape[1]) + 0.5, minor=False)

    # want a more natural, table-like display

    ax.invert_yaxis()

    ax.xaxis.tick_top()

    # Set the labels

    # label source:https://en.wikipedia.org/wiki/Basketball_statistics

    labels = [

    'Games', 'Minutes', 'Points', 'Field goals made', 'Field goal attempts', 'Field goal percentage', 'Free throws made', 'Free throws attempts', 'Free throws percentage',

    'Three-pointers made', 'Three-point attempt', 'Three-point percentage', 'Offensive rebounds', 'Defensive rebounds', 'Total rebounds', 'Assists', 'Steals', 'Blocks', 'Turnover', 'Personal foul']

    # note I could have used nba_sort.columns but made "labels" instead

    ax.set_xticklabels(labels, minor=False)

    ax.set_yticklabels(nba_sort.index, minor=False)

    plt.xticks(rotation=90)

    ax.grid(False)

    ax = plt.gca() # Turn off all the ticks

    for t in ax.xaxis.get_major_ticks():

    t.tick1On = False

    t.tick2On = False

    for t in ax.yaxis.get_major_ticks():

    t.tick1On = False

    t.tick2On = False

    plt.show()

    figure_1-2.png

    下面是我自己后来应用的实例:

    def plot_blue_heatmap(FeatureImportance_list, reference_label, DateList, name):

    fig, ax = plt.subplots()

    heatmap = ax.pcolor(FeatureImportance_list, cmap=plt.cm.Blues)

    fig = plt.gcf()

    fig.set_size_inches(30, 8)

    ax.set_frame_on(False)

    # put the major ticks at the middle of each cell

    ax.set_yticks(np.arange(FeatureImportance_list.shape[0]) + 0.5, minor=False)

    ax.set_xticks(np.arange(FeatureImportance_list.shape[1]) + 0.5, minor=False)

    # want a more natural, table-like display

    ax.invert_yaxis()

    ax.xaxis.tick_top()

    # Set the labels

    ax.set_xticklabels(reference_label, minor=False)

    ax.set_yticklabels(DateList, minor=False)

    plt.xticks(rotation=90)

    ax.grid(False)

    ax = plt.gca() # Turn off all the ticks

    for t in ax.xaxis.get_major_ticks():

    t.tick1On = False

    t.tick2On = False

    for t in ax.yaxis.get_major_ticks():

    t.tick1On = False

    t.tick2On = False

    plt.tight_layout()

    plt.savefig(name+'_heatmap.png')

    plt.show()

    5、折线图

    import pandas as pd

    import matplotlib.pyplot as plt

    df = pd.read_csv('data.csv')

    df['close'].plot() # 绘制一条曲线

    # df[['close', 'adj close']].plot() # 同时绘制两条曲线

    plt.show()

    ax = df.plot(title='stock prices', fontsize=2)

    ax.set_xlabel('date')

    ax.set_ylabel('price')

    plt.show()

    fig = plt.figure(figsize=(18, 15)) # 指定画布大小

    ax1 = fig.add_subplot(111)

    # 绘制两条曲线

    plt.plot(date, future_price, color='blue')

    plt.plot(date, CTD_price, color='red')

    plt.xticks(rotation=30)

    plt.legend(['futures price', 'TF1906 CTD price'], loc='upper left')

    plt.xlabel('time')

    plt.ylabel('price')

    plt.show()

    6.堆积柱状图

    import pandas as pd

    import numpy as np

    import matplotlib.pyplot as plt

    import matplotlib

    data = [[1,1,1,2,2,2,3,3,3,4,4,4,5,5,5,6,6,6,7,7,7,8,8,8,9,9,9,10,10,10],

    ['大盘', '中盘', '小盘','大盘', '中盘', '小盘', '大盘', '中盘', '小盘', '大盘', '中盘', '小盘',

    '大盘', '中盘', '小盘', '大盘', '中盘', '小盘', '大盘', '中盘', '小盘', '大盘', '中盘', '小盘',

    '大盘', '中盘', '小盘', '大盘', '中盘', '小盘'],

    [0.21,0.58,0.21,0.23,0.47,0.30,0.15,0.64,0.21,0.13,0.48,0.39,0.21,0.55,0.24,0.22,0.46,0.32,0.15,0.63,0.22,

    0.29,0.55,0.16,0.21,0.49,0.30,0.34,0.34,0.32]]

    rows = list(zip(data[0], data[1], data[2]))

    headers = ['size', 'style', 'Value']

    df = pd.DataFrame(rows, columns=headers)

    fig, ax = plt.subplots(figsize=(8, 5))

    months = df['style'].drop_duplicates()

    margin_bottom = np.zeros(len(df['size'].drop_duplicates()))

    colors = ["orange", "#91B493", "#F6C555"]

    for num, month in enumerate(months):

    values = list(df[df['style'] == month].loc[:, 'Value'])

    df[df['style'] == month].plot.bar(x='size',y='Value', ax=ax, stacked=True,

    bottom = margin_bottom, color=colors[num], label=month)

    margin_bottom += values

    plt.title('2016H2')

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

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

    plt.legend((u'大盘', u'中盘', u'小盘'))

    plt.show()

    图4各区间基金投资风格占比统计2016H2.png

    参考文献:

    展开全文
  • mpl转发本文并私信我"python",即可获得Python资料以及各种心得(持续更新的)前言有小伙伴说,使用 matplotlib 做出来的图表比不上其他的基于 js 包装的库(pyechart、bokeh、plotly等)漂亮,他们可以还可以交互。...
  • matplotlib柱状,折线,饼图 首先导入maplotlib画图函数 impory matplotlib.pyplot as plt 接下来进入主题:
  • # 堆积图 import matplotlib.pyplot as plt import matplotlib as mpl mpl.rcParams["font.sans-serif"] = ["SimHei"] x = [1, 2, 3, 4, 5, 6 ,7,8,9,10,11,12,13,14] y = [0.4101,0.4535,0.4881,0.4604,0.4539,...
  • 所以基本的想法就是构造两份数据来画这个,第一份用来画堆积柱形,第二份用来画折线。但是准备画图的时候才意识到这个堆积柱形是一个分组的堆积柱形,我之前画的都是单独的,没有画过分组的。一时还想不...
  • 好啦,今天咱们继续聊Python相关的东东哦,上次已经和大家讨论了如何用Python绘制漂亮的堆积图,比如堆积柱状图和堆积条形图,那今天呢,咱们再聊一下如何用Python绘制同样漂亮的分块图哦,那就开始吧!首先呢,咱们...
  • 如下所示,先根据figsize定义的图片大小调用plt.figure画图,然后通过返回的fig对象,调用fig.add_subplot函数进行对应子图的绘画,前两个参数是每行以及每列的子图个数,下面代码所示为2*2的由4个子构成的图片。...
  • # 堆积图import matplotlib.pyplot as pltimport matplotlib as mplmpl.rcParams["font.sans-serif"] = ["SimHei"]x = [1, 2, 3, 4, 5, 6 ,7,8,9,10,11,12,13,14]y = [0.4101,0.4535,0.4881,0.4604,0.4539,0.4054,0....
  • 中显示的是bar chart,而不是histogram。我指出这一点,不仅因为我是一个讨厌的学究,而且我相信它可以帮助你找到正确的工具:-)实际上,就您的目的而言,plt.bar可能比plt.hist更好。在根据Scironic的建议,我...
  • 一、并列柱状图堆积柱状堆积柱状的好处,比如说我们可以很方便地看到多分类总和的趋势。但是我们发现,在堆积柱状中,由于基底位置的不同,我们并不能很轻易地弄清楚上方分类的数据的变化趋势。学习Python中...
  • 参考链接:...1.引入数据 import pandas as pd #数据分析 import numpy as np #科学计算 from pandas import Series,DataFrame data_train = pd.read_csv("F:\\个人\\python\\titanic\\tr...
  • matplotlib绘图–本次图形涉及(并列)条形、(堆积)柱状、饼图、折线、阶梯、散点、极线、气泡;子区划分:subplots()、gridspec()、add_axes()。python可视化绘制蜘蛛侠、钢铁侠这学期学的Python可视化...
  • 我想一个堆积条形。然而,我不能减少间距之间的酒吧。我想保持酒吧狭窄,但酒吧之间没有空间或非常小的空间。在我使用以下代码:#!/usr/bin/env python3# -*- coding: utf-8 -*-"""Created on Mon Aug 21 16:56:...
  • 堆就是堆积,栈就是什么都有,相当于在一个工具架子上,有很多很多工具。所以时下流行的全站工程师,就是相当于所有开发技能都会的工程师。stackplot相当于“堆起来的”。假如你现在要做一个市场调研,有ABCD四家...
  • matplotlib绘图–本次图形涉及(并列)条形、(堆积)柱状、饼图、折线、阶梯、散点、极线、气泡; 子区划分:subplots()、gridspec()、add_axes()。 python可视化绘制蜘蛛侠、钢铁侠 这学期学的...
  • 油画简单的理解是带有艺术感的图像,色彩相对于原要更加鲜艳,但却是失真的。 而且对于喜欢欣赏艺术的读者,肯定或多或少关注过油画,油画并不细腻,而且小部分因为色块的堆积非常模糊。所以,我们实现油画的原理...
  • 文章目录折线并列柱状箱线图堆积折线三维曲面 折线 首先是最简单的折线,每条线的color都是黑色,用linestyle加以区分,linestyle可以选择"-"、"–"、"-."、":“或”"。另外,坐标轴刻度、坐标轴名称、...
  • python可视化_ggplot

    2018-01-29 21:53:06
    目的:用ggplot完成直方堆积条形、散点和折线的绘画 步骤: 1.导入需要的包 #数据爬取 import requests #数据处理 import os import pandas as pd import numpy as np #可视化 import ...

空空如也

空空如也

1 2
收藏数 33
精华内容 13
关键字:

python画堆积图

python 订阅