Python数据分析之Matplotlib-I
1 Matplotlib库简介及图表窗口
1.1Matplotlib库
- Python优秀的数据可视化第三方库
- http://matplotlib.org
- 支持超过100种数据可视化效果
- Matplotlib库由各种可视化类构成，内部结构复杂，受Matlab启发。
- matplotlib.pyplot是绘制各类可视化图形的命令子库，相当于快捷方式。简单方式调用库内类。
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
1.2 图表窗口
1.2.1 图表窗口1 plt.show()
# 直接生成图表
plt.plot(np.random.rand(10))
plt.show()
1.2.2 图表窗口2：魔法函数，嵌入图表
%matplotlib inline
%matplotlib inline
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x,y)
# 直接嵌入图表，不用plt.show()
# <matplotlib.collections.PathCollection at ...>代表该图表对象
1.2.3 图表窗口3：魔法函数，弹出可交互的matplotlib窗口
%matplotlib notebook
%matplotlib notebook
s = pd.Series(np.random.randn(100))
s.plot(style = 'k--o',figsize = (10,5))
# 可交互的matplotlib窗口，不用plt.show()
# 可进行一定调整
1.2.4 图表窗口4：魔法函数，弹出matplotlib控制台
-
%matplotlib qt5 -
可交互性控制台
-
如果已经设置了显示方式（比如notebook)，需要重启restart然后再运行魔法函数
-
网页嵌入的交互性窗口和控制台，只能显示一个
-
关闭窗口
plt.close() -
每次清空图表内内容
plt.gcf().clear()
%matplotlib qt5
df = pd.DataFrame(np.random.rand(50,2), columns = ['A','B'])
df.hist(figsize = (12,5), color = 'g', alpha = 0.8)
2 图表的基本元素
.plot()-
figsize: 创建图表窗口，设置窗口大小
%matplotlib inline
df = pd.DataFrame(np.random.rand(10,2), columns = ['A','B'])
# 创建图表对象，并赋值于fig
fig = df.plot(figsize = (6,4))
print(fig, type(fig))
print(df)
2.1 图名，图例，轴标签，轴边界，轴刻度，轴刻度标签等
- 图名
.title() - x轴标签名
.xlabel() - y轴标签名
.ylabel() - 显示图例
.legend(loc = )- loc表示位置
-
'best': 0, (only implemented for axes legends)(自适应方式) -
'upper right': 1, -
'upper left': 2, -
'lower left': 3, -
'lower right': 4, -
'right': 5, -
'center left': 6, -
'center right': 7, -
'lower center': 8, -
'upper center': 9, -
'center': 10,
- 轴边界
.xlim(),.ylim(),.axis() - 轴刻度
.xticks(),.yticks() - 轴刻度标签
.xticks(),.yticks()
df = pd.DataFrame(np.random.rand(10,2), columns = ['A','B'])
fig = df.plot(figsize = (6,4))
plt.title('Interesting Graph - Check it out') # 图名
plt.xlabel('Plot Number') # x轴标签
plt.ylabel('Important var') # y轴标签
plt.legend(loc = 'upper right')
# plt.xlim([0,10]) # x轴边界
# plt.ylim([0,1.5]) # y轴边界
plt.axis([0,10,0,1.2]) # 同时设置x轴y轴边界
plt.xticks(range(10)) # 设置x刻度
plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2]) # 设置y刻度
fig.set_xticklabels("%.1f" %i for i in range(10)) # x轴刻度标签
fig.set_yticklabels("%.2f" %i for i in [0,.2,0.4,0.6,0.8,1.0,1.2]) # y轴刻度标签
# 范围只限定图表的长度，刻度则是决定显示的标尺 → 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数
# 轴标签则是显示刻度的标签
2.2 其他元素可视性
# 通过ndarry创建图表
x = np.linspace(-np.pi,np.pi,256,endpoint = True)
c, s = np.cos(x), np.sin(x)
plt.plot(x, c)
plt.plot(x, s)
- 显示网格
.grid()
plt.grid(True, linestyle = "--",color = "gray", linewidth = 0.5,axis = 'x')
- linestyle：线型
- color：颜色
- linewidth：宽度
- axis：x，y，both，显示x/y/两者的格网
x = np.linspace(-np.pi,np.pi,256,endpoint = True)
c, s = np.cos(x), np.sin(x)
plt.plot(x, c)
plt.plot(x, s)
# 显示网格
plt.grid(True, linestyle = '--', color = 'grey', linewidth = 0.5, axis = 'x')
# 刻度显示开关
plt.tick_params(bottom= True,top=False,left=True,right=False)
import matplotlib
matplotlib.rcParams['xtick.direction'] = 'in'
matplotlib.rcParams['ytick.direction'] = 'inout'
# 设置刻度的方向，in,out,inout
# 这里需要导入matploltib，而不仅仅导入matplotlib.pyplot
3 图表的样式参数
3.1 linestyle参数
plt.plot([i**2 for i in range(100)],
linestyle = '-.')
# '-' solid line style
# '--' dashed line style
# '-.' dash-dot line style
# ':' dotted line style
3.2 marker参数
s = pd.Series(np.random.randn(100).cumsum())
s.plot(linestyle = '--',
marker = '.')
# '.' point marker
# ',' pixel marker
# 'o' circle marker
# 'v' triangle_down marker
# '^' triangle_up marker
# '<' triangle_left marker
# '>' triangle_right marker
# '1' tri_down marker
# '2' tri_up marker
# '3' tri_left marker
# '4' tri_right marker
# 's' square marker
# 'p' pentagon marker
# '*' star marker
# 'h' hexagon1 marker
# 'H' hexagon2 marker
# '+' plus marker
# 'x' x marker
# 'D' diamond marker
# 'd' thin_diamond marker
# '|' vline marker
# '_' hline marker
3.3 color参数
plt.hist(np.random.randn(100),
color = 'g',alpha = 0.8)
# alpha：0-1，透明度
# 常用颜色简写：red-r, green-g, black-k, blue-b, yellow-y
df = pd.DataFrame(np.random.randn(100, 4),columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.8,colormap = 'GnBu')
# colormap：颜色板，包括：
# Accent, Accent_r, Blues, Blues_r, BrBG, BrBG_r, BuGn, BuGn_r, BuPu, BuPu_r, CMRmap, CMRmap_r, Dark2, Dark2_r, GnBu, GnBu_r, Greens, Greens_r,
# Greys, Greys_r, OrRd, OrRd_r, Oranges, Oranges_r, PRGn, PRGn_r, Paired, Paired_r, Pastel1, Pastel1_r, Pastel2, Pastel2_r, PiYG, PiYG_r,
# PuBu, PuBuGn, PuBuGn_r, PuBu_r, PuOr, PuOr_r, PuRd, PuRd_r, Purples, Purples_r, RdBu, RdBu_r, RdGy, RdGy_r, RdPu, RdPu_r, RdYlBu, RdYlBu_r,
# RdYlGn, RdYlGn_r, Reds, Reds_r, Set1, Set1_r, Set2, Set2_r, Set3, Set3_r, Spectral, Spectral_r, Wistia, Wistia_r, YlGn, YlGnBu, YlGnBu_r,
# YlGn_r, YlOrBr, YlOrBr_r, YlOrRd, YlOrRd_r, afmhot, afmhot_r, autumn, autumn_r, binary, binary_r, bone, bone_r, brg, brg_r, bwr, bwr_r,
# cool, cool_r, coolwarm, coolwarm_r, copper, copper_r, cubehelix, cubehelix_r, flag, flag_r, gist_earth, gist_earth_r, gist_gray, gist_gray_r,
# gist_heat, gist_heat_r, gist_ncar, gist_ncar_r, gist_rainbow, gist_rainbow_r, gist_stern, gist_stern_r, gist_yarg, gist_yarg_r, gnuplot,
# gnuplot2, gnuplot2_r, gnuplot_r, gray, gray_r, hot, hot_r, hsv, hsv_r, inferno, inferno_r, jet, jet_r, magma, magma_r, nipy_spectral,
# nipy_spectral_r, ocean, ocean_r, pink, pink_r, plasma, plasma_r, prism, prism_r, rainbow, rainbow_r, seismic, seismic_r, spectral,
# spectral_r ,spring, spring_r, summer, summer_r, terrain, terrain_r, viridis, viridis_r, winter, winter_r
3.4 style参数
- style参数，可以包含
linestyle，marker，color
ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid = True)
# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）
# plot()内也有grid参数
# 整体风格样式
import matplotlib.style as psl
print(psl.available)
# 查看样式列表
psl.use('ggplot')
ts = pd.Series(np.random.randn(1000).cumsum(), index=pd.date_range('1/1/2000', periods=1000))
ts.plot(style = '--g.',grid = True,figsize=(10,6))
# 一旦选用样式后，所有图表都会有样式，重启后才能关掉
4 刻度、注解、图表输出
4.1 刻度
from matplotlib.ticker import MultipleLocator, FormatStrFormatter
t = np.arange(0.0, 100.0, 1)
s = np.sin(0.1*np.pi*t)*np.exp(-t*0.01)
ax = plt.subplot(111) #注意:一般都在ax中设置,不再plot中设置
plt.plot(t,s,'--*')
plt.grid(True, linestyle = "--",color = "gray", linewidth = 0.5,axis = 'both')
# 网格
# plt.legend() # 图例
xmajorLocator = MultipleLocator(20) # 将x主刻度标签设置为20的倍数
xmajorFormatter = FormatStrFormatter('%.0f') # 设置x轴标签文本的格式
xminorLocator = MultipleLocator(5) # 将x轴次刻度标签设置为5的倍数
ymajorLocator = MultipleLocator(0.5) # 将y轴主刻度标签设置为0.5的倍数
ymajorFormatter = FormatStrFormatter('%.1f') # 设置y轴标签文本的格式
yminorLocator = MultipleLocator(0.1) # 将此y轴次刻度标签设置为0.1的倍数
ax.xaxis.set_major_locator(xmajorLocator) # 设置x轴主刻度
ax.xaxis.set_major_formatter(xmajorFormatter) # 设置x轴标签文本格式
ax.xaxis.set_minor_locator(xminorLocator) # 设置x轴次刻度
ax.yaxis.set_major_locator(ymajorLocator) # 设置y轴主刻度
ax.yaxis.set_major_formatter(ymajorFormatter) # 设置y轴标签文本格式
ax.yaxis.set_minor_locator(yminorLocator) # 设置y轴次刻度
ax.xaxis.grid(True, which='both') #x坐标轴的网格使用主刻度
ax.yaxis.grid(True, which='minor') #y坐标轴的网格使用次刻度
# which：格网显示
#删除坐标轴的刻度显示
# ax.yaxis.set_major_locator(plt.NullLocator())
# ax.xaxis.set_major_formatter(plt.NullFormatter())
4.2 注解
df = pd.DataFrame(np.random.randn(10,2))
df.plot(style = '--o')
plt.text(5,0.5,'极值点',fontproperties = 'SimHei', fontsize=10)
# 注解 → 横坐标，纵坐标，注解字符串
# Pyplot并不默认支持中文显示，在有中文输入的地方，增加一个属性：fontproperties
4.3 图表输出
plt.savefig()
df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.5)
plt.legend(loc = 'upper left')
plt.savefig('/.../pic.png', # 自定义存储位置
dpi=400, # dpi:分辨率
bbox_inches = 'tight',
facecolor = 'g',
edgecolor = 'b')
# 可支持png，pdf，svg，ps，eps…等，以后缀名来指定
# bbox_inches：图表需要保存的部分。如果设置为‘tight’，则尝试剪除图表周围的空白部分。
# facecolor，edgecolor： 图像的背景色，默认为‘w’（白色）
#5 子图
- 在matplotlib中，整个图像为一个Figure对象
- 在Figure对象中可以包含一个或者多个Axes对象
- 每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域
plt.figure(), plt.subplot()plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)
fig1 = plt.figure(num = 1,figsize = (4,2))
plt.plot(np.random.rand(50).cumsum(), 'k--')
fig2 = plt.figure(num = 2, figsize=(4,2))
plt.plot(50-np.random.rand(50).cumsum(), 'k--')
# num：图表序号，可以试试不写或都为同一个数字的情况，图表如何显示
# figsize：图表大小
# 当我们调用plot时，如果设置plt.figure()，则会自动调用figure()生成一个figure, 严格的讲，是生成subplots(111)
5.1 子图创建1
- 先建立子图然后填充图表
fig = plt.figure(figsize = (10, 6), facecolor = 'gray')
ax1 = fig.add_subplot(2, 2, 1) # 第一行的左图
plt.plot(np.random.rand(50).cumsum(), 'k--')
plt.plot(np.random.randn(50).cumsum(), 'b--')
# 先创建图表figure，然后生成子图，(2, 2, 1)代表创建2*2的矩阵表格，然后选择第一个，顺序是从左到右从上到下
# 创建子图后绘制图表，会绘制到最后一个子图
ax2 = fig.add_subplot(2, 2, 2) # 第一行的右图
ax2.hist(np.random.rand(50), alpha = 0.5)
ax4 = fig.add_subplot(2, 2, 4) # 第二行的右图
df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
ax4.plot(df2, alpha = 0.5,linestyle = '--',marker = '.')
# 也可以直接在子图后用图表创建函数直接生成图表
5.2 子图创建2
- 创建一个新的figure，并返回一个subplot对象的numpy数组 →
plt.subplot
# 生成图表对象的数组
fig,axes = plt.subplots(2,3,figsize=(10,4))
ts = pd.Series(np.random.randn(1000).cumsum())
print(axes, axes.shape, type(axes))
ax1 = axes[0,1]
ax1.plot(ts)
# plt.subplots,参数调整
fig,axes = plt.subplots(2,2,sharex=True,sharey=True)
# sharex,sharey：是否共享x，y刻度
for i in range(2):
for j in range(2):
axes[i,j].hist(np.random.randn(500),color='k',alpha=0.5)
plt.subplots_adjust(wspace=0,hspace=0)
# wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距
##5.3 子图创建3
- 多系列图，分别绘制
# plt.plot()基本图表绘制函数 → subplots，是否分别绘制系列（子图）
# layout：绘制子图矩阵，按顺序填充
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
df = df.cumsum()
df.plot(style = '--.',alpha = 0.4,grid = True, figsize = (8,8),
subplots = True,
layout = (2,3),
sharex = False)
plt.subplots_adjust(wspace = 0, hspace = 0.2)
plt.subplot2grid()
plt.subplot2grid(GridSpec, CurSpec, colspan = 1, rowspan = 1)
- 理念：设定网格，选中网格，确定选中行列区域数量，编号从0开始
plt.subplot2grid((3,3),(0,0),colspan=3)plt.subplot2grid((3,3),(1,0),colspan=2)plt.subplot2grid((3,3),(1,2),rowspan=2)plt.subplot2grid((3,3),(2,0))plt.subplot2grid((3,3),(2,1))
# GridSpec类
import matplotlib.gridspec as gridspec
gs = gridspec.GridSpec(3,3)
ax1 = plt.subplot(gs[0, :])
ax2 = plt.subplot(gs[1, :-1])
ax3 = plt.subplot(gs[1:,-1])
ax4 = plt.subplot(gs[2,0])
ax5 = plt.subplot(gs[2,1])