文章目录
- 第一部分：基础概念与简单绘图
-
- [1.1 `matplotlib` 简介](#1.1
matplotlib简介) - [1.2 创建第一个折线图](#1.2 创建第一个折线图)
- [1.3 图表的基本组成元素](#1.3 图表的基本组成元素)
- [1.1 `matplotlib` 简介](#1.1
- 第二部分：图表样式与修饰
-
- [2.1 修改图表样式](#2.1 修改图表样式)
- [2.2 添加图例](#2.2 添加图例)
- [2.3 调整坐标轴与刻度](#2.3 调整坐标轴与刻度)
- 第三部分：绘制不同类型的图表
-
- [3.1 散点图 (Scatter Plot)](#3.1 散点图 (Scatter Plot))
- [3.2 柱状图 (Bar Chart)](#3.2 柱状图 (Bar Chart))
- [3.3 饼图 (Pie Chart)](#3.3 饼图 (Pie Chart))
- 第四部分：数据处理与可视化
- 第五部分：图表定制与高级功能
-
- [5.1 自定义颜色和样式](#5.1 自定义颜色和样式)
- [5.2 标注与注释](#5.2 标注与注释)
第一部分：基础概念与简单绘图
1.1 matplotlib 简介
matplotlib 是 Python 中最常用的绘图库之一。它提供了类似于 Matlab 的 API，方便用户创建各种类型的图表。我们主要使用其中的 pyplot 模块，它是绘制图表的核心工具。
bash
# 在开始之前，请确保你安装了 matplotlib 库
pip install matplotlib1.2 创建第一个折线图
从最简单的折线图开始，先理解 matplotlib 的基本概念。通过 pyplot 模块，我们可以很容易地创建图表并展示数据。
python
# 导入 matplotlib 库
import matplotlib.pyplot as plt
# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
# 创建折线图
plt.plot(x, y)
# 显示图表
plt.show()
1.3 图表的基本组成元素
每个 matplotlib 图表主要由以下几个元素组成：
- 图形 (Figure)：整个绘图区域。
- 坐标轴 (Axes)：图表中的数据区域，它可以包含多条曲线或数据点。
- 曲线 (Line)：用来展示数据的线段。
- 刻度 (Ticks)：坐标轴上显示的数据标记。
- 标签 (Label)：用于标识坐标轴含义的文字。
python
# 示例：为图表添加标题和坐标轴标签
plt.plot(x, y)
# 添加标题
plt.title("简单的折线图")
# 添加坐标轴标签
plt.xlabel("X轴")
plt.ylabel("Y轴")
# 显示图表
plt.show()- 这里的方块是因为没有安装字体的缘故，在下一篇第六部分会讲到的
第二部分：图表样式与修饰
2.1 修改图表样式
我们可以通过设置不同的参数来修改图表的样式，比如线条的颜色、样式和粗细等。
python
# 创建折线图，设置线条颜色、线型和宽度
plt.plot(x, y, color='red', linestyle='--', linewidth=2)
# 显示图表
plt.show()
2.2 添加图例
如果图表中有多条数据线或多组数据，我们可以为每条数据添加图例，以便区分各组数据。
python
# 定义两组数据
x1 = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 3, 4, 5]
y2 = [2, 3, 5, 7, 11]
# 绘制两条折线，并分别添加图例
plt.plot(x1, y1, label='组1', color='blue')
plt.plot(x2, y2, label='组2', color='green')
# 显示图例
plt.legend()
# 显示图表
plt.show()
2.3 调整坐标轴与刻度
我们可以手动设置坐标轴的范围和刻度，使图表的显示更加清晰。
python
# 绘制图表
plt.plot(x, y)
# 设置坐标轴的范围
plt.xlim(0, 6) # X 轴的范围
plt.ylim(0, 30) # Y 轴的范围
# 设置 X 轴和 Y 轴的刻度
plt.xticks([1, 2, 3, 4, 5])
plt.yticks([0, 5, 10, 15, 20, 25])
# 显示图表
plt.show()
第三部分：绘制不同类型的图表
3.1 散点图 (Scatter Plot)
散点图用于展示数据的分布情况。
python
# 定义数据
x = [1, 2, 3, 4, 5]
y = [5, 4, 3, 2, 1]
# 创建散点图
plt.scatter(x, y, color='red')
# 显示图表
plt.show()
3.2 柱状图 (Bar Chart)
柱状图用于展示分类数据的大小。
python
# 定义数据
categories = ['A', 'B', 'C', 'D', 'E']
values = [5, 7, 3, 8, 6]
# 创建柱状图
plt.bar(categories, values)
# 显示图表
plt.show()
3.3 饼图 (Pie Chart)
饼图展示各分类数据的占比。
python
# 定义数据
labels = ['A', 'B', 'C', 'D']
sizes = [20, 30, 25, 25]
# 创建饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
# 显示图表
plt.show()-
sizes：这是饼图的主要数据，即每个部分的相对大小。在饼图中，sizes 列表中的每个元素决定了饼图中各个部分的大小比例。matplotlib 会根据这些数值的比例自动计算每一部分的角度和面积。
-
labels：这是用来为饼图中的各个部分添加标签。我们通过 labels=labels 来指定标签列表。每个标签会显示在相应部分的旁边，标识出该部分代表的数据类别。
-
autopct='%1.1f%%'：这是用来设置饼图中每个部分的自动百分比显示的。它定义了显示百分比的格式：
-
%1.1f%% 表示在图中显示百分比，1.1f 意味着保留一位小数，%% 是百分比符号。这里是让每一部分的百分比在饼图上显示为 1 位小数的格式。
例如，如果某个部分占整个饼图的 25%，则在图中显示 25.0%。
第四部分：数据处理与可视化
4.1 pandas 与 matplotlib 的结合
在实际项目中，我们经常需要处理数据框 (DataFrame)，例如从 Excel、CSV 等文件读取数据。pandas 和 matplotlib 的结合可以帮助我们快速地将数据可视化展示。
示例：从 CSV 读取数据并绘制折线图
首先，我们需要从 pandas 读取数据，然后用 matplotlib 可视化。假设我们有一个包含时间序列数据的 CSV 文件，内容如下：
python
日期,销售额
2023-01-01,200
2023-01-02,300
2023-01-03,150
2023-01-04,400
2023-01-05,250我们将读取这个文件并绘制日期与销售额的折线图。
python
import pandas as pd
import matplotlib.pyplot as plt
# 从 CSV 文件读取数据
data = pd.read_csv('sales_data.csv')
# 绘制折线图
plt.plot(data['日期'], data['销售额'])
# 添加标题和坐标轴标签
plt.title('每日销售额')
plt.xlabel('日期')
plt.ylabel('销售额')
# 显示图表
plt.show()解释：
pd.read_csv()：从 CSV 文件读取数据，返回DataFrame。data['日期']和data['销售额']：从DataFrame中选择特定的列进行绘图。plt.plot()：基于数据创建折线图。
注意：
在实际项目中，你可能需要对数据进行预处理，例如处理缺失值、数据格式转换等。在进行可视化之前，确保数据是干净的。
4.2 绘制多个数据系列
有时候我们需要在同一个图表中展示多个数据系列，来进行对比或分析。我们可以通过在 matplotlib 中绘制多个数据线来实现这一点。
示例：绘制多条折线
假设我们有两个产品的销售数据，并想在同一个图表中展示。
python
import pandas as pd
import matplotlib.pyplot as plt
# 定义数据
日期 = ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05']
产品A = [200, 300, 150, 400, 250]
产品B = [180, 260, 170, 380, 230]
# 创建折线图
plt.plot(日期, 产品A, label='产品A', color='blue')
plt.plot(日期, 产品B, label='产品B', color='green')
# 添加标题和坐标轴标签
plt.title('产品A与产品B的销售额比较')
plt.xlabel('日期')
plt.ylabel('销售额')
# 显示图例
plt.legend()
# 显示图表
plt.show()解释：
plt.plot(日期, 产品A, label='产品A', color='blue')：创建产品A的折线图，蓝色表示该系列。plt.legend()：显示图例，以便区分不同的产品线。
通过这个例子，我们学会了如何在同一个图表中绘制多个数据系列，这在多维数据的分析中非常有用。
4.3 创建子图布局
当我们有多组数据想要展示在同一个窗口时，可以使用子图布局。在 matplotlib 中，子图功能允许我们将同一个图表窗口划分为多个区域，每个区域展示不同的数据。
示例：创建 2x1 的子图布局
假设我们要展示两组销售数据，但希望它们在上下两个子图中显示。
python
import matplotlib.pyplot as plt
# 定义数据
日期 = ['2023-01-01', '2023-01-02', '2023-01-03', '2023-01-04', '2023-01-05']
产品A = [200, 300, 150, 400, 250]
产品B = [180, 260, 170, 380, 230]
# 创建子图
fig, ax = plt.subplots(2, 1) # 2行1列的子图布局
# 绘制第一个子图
ax[0].plot(日期, 产品A, color='blue')
ax[0].set_title('产品A的销售额')
# 绘制第二个子图
ax[1].plot(日期, 产品B, color='green')
ax[1].set_title('产品B的销售额')
# 显示图表
plt.tight_layout() # 自动调整子图布局，避免重叠
plt.show()解释：
plt.subplots(2, 1)：创建两行一列的子图布局。ax[0]和ax[1]：分别表示第一个和第二个子图区域。plt.tight_layout()：自动调整子图之间的间距，防止标题、标签等内容重叠。
通过子图的布局，我们可以在同一个窗口内展示不同的数据集，这有助于比较不同的趋势。
第五部分：图表定制与高级功能
5.1 自定义颜色和样式
在很多情况下，我们希望图表能够符合品牌或特定设计要求。这时，可以自定义颜色、样式和字体，以生成美观的图表。
示例：使用自定义颜色和样式绘制图表
python
import matplotlib.pyplot as plt
# 定义数据
x = [1, 2, 3, 4, 5]
y1 = [1, 4, 9, 16, 25]
y2 = [2, 3, 5, 7, 11]
# 创建图表，设置线条颜色、样式和标记
plt.plot(x, y1, color='red', linestyle='-', marker='o', label='红色线')
plt.plot(x, y2, color='blue', linestyle='--', marker='s', label='蓝色虚线')
# 添加标题和图例
plt.title('自定义样式示例')
plt.legend()
# 显示图表
plt.show()解释：
color：指定线条颜色。linestyle：定义线型（实线、虚线等）。marker：设置数据点的标记（如圆圈o，方块s等）。
通过这种方式，我们可以为不同的数据系列使用自定义颜色和样式，以确保图表符合特定的视觉需求。
5.2 标注与注释
有时候我们需要对图表中的某些点进行标注或注释，突出显示特定数据点。matplotlib 提供了 annotate() 函数，用于在图表上添加文本。
示例：为特定数据点添加注释
python
import matplotlib.pyplot as plt
# 定义数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
# 创建图表
plt.plot(x, y)
# 为 (2, 4) 点添加注释
plt.annotate('这个点很重要', xy=(2, 4), xytext=(3, 10),
arrowprops=dict(facecolor='black', shrink=0.05))
# 显示图表
plt.show()解释：
plt.annotate()：为图表中的特定点添加注释。xy：指定要标注的点的坐标。xytext：指定注释文本的位置。arrowprops：设置箭头的样式。shrink=0.05表示箭头长度缩短 5%，这样箭头看起来不会完全覆盖注释的起点和终点，而是稍微缩短。shrink的值可以是 0 到 1 之间的小数，值越大箭头缩短得越多。
以上就是关于【Python篇】matplotlib超详细教程-由入门到精通（上篇）的内容啦，各位大佬有什么问题欢迎在评论区指正，或者私信我也是可以的啦，您的支持是我创作的最大动力！❤️
