Python绘图全景式教程：提升你的数据表达力

文章目录

Python绘图教程：从基础到进阶
案例分析：数据可视化应用
[Matplotlib、Seaborn 和 Plotly 常用函数的大全](#Matplotlib、Seaborn 和 Plotly 常用函数的大全)
Python绘图库函数大全
- [1. Matplotlib常用函数](#1. Matplotlib常用函数)
- [2. Seaborn常用函数](#2. Seaborn常用函数)
- [3. Plotly常用函数](#3. Plotly常用函数)
总结

Python绘图教程：从基础到进阶

在数据分析与科学计算的领域，Python因其丰富的库和简单易用的语法，成为了数据可视化的主要工具之一。在本教程中，我们将详细介绍如何使用Python进行数据绘图，并通过实例逐步学习各种常见的图形类型和绘图技巧。

Python绘图库概述

Python支持多种用于数据可视化的库，其中最常用的包括：

Matplotlib：一个基础的绘图库，适合进行各种二维绘图，功能强大且高度自定义。
Seaborn：基于Matplotlib的高级库，主要用于统计图形，图表美观且简便。
Plotly：一个用于绘制交互式图形的库，适用于动态、响应式的网页展示。
Bokeh：另一个绘制交互式图形的库，适用于Web开发。

本教程将介绍Matplotlib、Seaborn和Plotly这三大常用库的使用方法，帮助你掌握数据可视化的技能。

Matplotlib基础使用

安装Matplotlib

Matplotlib是Python中最为基础且强大的绘图库。要使用Matplotlib，首先需要安装它：

python 复制代码

pip install matplotlib

绘制基础图形

Matplotlib使用pyplot模块来进行绘图。下面是一个简单的折线图例子：

python 复制代码

import matplotlib.pyplot as plt

# 数据
x = [0, 1, 2, 3, 4]
y = [0, 1, 4, 9, 16]

# 创建图形
plt.plot(x, y)

# 添加标题和标签
plt.title("简单折线图")
plt.xlabel("X轴")
plt.ylabel("Y轴")

# 显示图形
plt.show()

输出：

一个简单的折线图，显示了x与y的关系。

自定义图形样式

Matplotlib支持自定义图形的样式、颜色、线型等，下面是如何改变线型和颜色的例子：

python 复制代码

plt.plot(x, y, color='green', linestyle='--', marker='o')

plt.title("定制样式的折线图")
plt.xlabel("X轴")
plt.ylabel("Y轴")

plt.show()

输出：

这将绘制一个绿色的虚线折线图，并在每个数据点处加上圆形标记。

Seaborn数据可视化

Seaborn安装与介绍

Seaborn是一个基于Matplotlib的高级库，能够帮助用户轻松绘制出美观的统计图形。安装方法如下：

python 复制代码

pip install seaborn

绘制常见统计图

Seaborn专注于统计图形，最常见的图形类型包括散点图、条形图和箱线图。下面是如何绘制散点图的例子：

python 复制代码

import seaborn as sns
import matplotlib.pyplot as plt

# 加载内置数据集
tips = sns.load_dataset("tips")

# 绘制散点图
sns.scatterplot(data=tips, x="total_bill", y="tip", hue="time")

plt.title("小费与账单金额的散点图")
plt.show()

输出：

一个彩色的散点图，显示了账单金额与小费的关系，同时根据用餐时间（午餐/晚餐）着色。

Plotly交互式图形

Plotly安装与基础概念

Plotly是一个用于创建交互式图形的库，适合动态和响应式的数据可视化。安装方法如下：

python 复制代码

pip install plotly

绘制交互式图表

Plotly的绘图非常直观，并且支持交互功能，例如缩放、平移和数据悬浮显示。以下是绘制交互式散点图的示例：

python 复制代码

import plotly.express as px

# 加载数据
tips = px.data.tips()

# 绘制交互式散点图
fig = px.scatter(tips, x="total_bill", y="tip", color="time", title="小费与账单金额的关系")
fig.show()

输出：

你将看到一个交互式的散点图，能够缩放并通过悬浮查看数据点的具体信息。

案例分析：数据可视化应用

用Matplotlib绘制线性回归图

假设我们有一组简单的线性回归数据，以下是如何使用Matplotlib绘制回归线的示例：

python 复制代码

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 生成数据
x = np.random.rand(100, 1)
y = 2 * x + 1 + np.random.randn(100, 1)

# 创建回归模型
model = LinearRegression()
model.fit(x, y)

# 绘制散点图
plt.scatter(x, y, color='blue', label='数据点')

# 绘制回归线
plt.plot(x, model.predict(x), color='red', label='回归线')

plt.title("线性回归图")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend()

plt.show()

输出：

一个包含数据点和回归线的图形，回归线能够很好地拟合数据。

用Seaborn绘制分类数据分布图

Seaborn特别擅长绘制分类数据的分布情况。以下是绘制分类数据分布图的代码：

python 复制代码

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
tips = sns.load_dataset("tips")

# 绘制箱线图
sns.boxplot(x="day", y="total_bill", data=tips)

plt.title("不同日子的账单金额分布")
plt.show()

输出：

一个箱线图，展示了不同星期几账单金额的分布情况。

使用Plotly展示金融数据

Plotly非常适合展示金融数据，以下是一个简单的股票价格走势图：

python 复制代码

import plotly.graph_objects as go

# 示例股票数据
dates = ["2024-01-01", "2024-01-02", "2024-01-03", "2024-01-04", "2024-01-05"]
prices = [100, 102, 101, 105, 110]

# 创建股票价格图表
fig = go.Figure(data=[go.Candlestick(x=dates,
                                    open=[100, 102, 101, 105, 110],
                                    high=[102, 103, 104, 106, 112],
                                    low=[99, 100, 101, 102, 109],
                                    close=prices)])

fig.update_layout(title="2024年1月股票价格走势", xaxis_title="日期", yaxis_title="价格")
fig.show()

输出：

一个交互式的股票K线图，用户可以缩放并查看具体日期的价格波动。

Matplotlib、Seaborn 和 Plotly 常用函数的大全

Python绘图库函数大全

在数据可视化过程中，Matplotlib、Seaborn 和 Plotly 是常用的库。以下是这三个库的一些常用函数及其功能介绍。

1. Matplotlib常用函数

函数名	用途	示例代码
`plt.plot()`	绘制折线图	`plt.plot(x, y)`
`plt.scatter()`	绘制散点图	`plt.scatter(x, y)`
`plt.bar()`	绘制条形图	`plt.bar(x, height)`
`plt.hist()`	绘制直方图	`plt.hist(data, bins=10)`
`plt.boxplot()`	绘制箱线图	`plt.boxplot(data)`
`plt.subplot()`	创建子图	`plt.subplot(2, 2, 1)` # 2行2列中的第1个图
`plt.title()`	设置图表标题	`plt.title('My Plot Title')`
`plt.xlabel()`	设置X轴标签	`plt.xlabel('X Axis Label')`
`plt.ylabel()`	设置Y轴标签	`plt.ylabel('Y Axis Label')`
`plt.legend()`	显示图例	`plt.legend(['Line 1', 'Line 2'])`
`plt.show()`	显示图形	`plt.show()`
`plt.savefig()`	保存图形为文件	`plt.savefig('plot.png')`
`ax.plot()`	在特定轴对象上绘制折线图	`ax.plot(x, y)`
`ax.set_title()`	设置子图的标题	`ax.set_title('Subplot Title')`
`ax.set_xlabel()`	设置子图的X轴标签	`ax.set_xlabel('X Axis')`
`ax.set_ylabel()`	设置子图的Y轴标签	`ax.set_ylabel('Y Axis')`

2. Seaborn常用函数

函数名	用途	示例代码
`sns.scatterplot()`	绘制散点图	`sns.scatterplot(data=df, x="column1", y="column2", hue="category")`
`sns.lineplot()`	绘制线性图	`sns.lineplot(data=df, x="time", y="value", hue="category")`
`sns.barplot()`	绘制条形图	`sns.barplot(x="category", y="value", data=df)`
`sns.boxplot()`	绘制箱线图	`sns.boxplot(x="category", y="value", data=df)`
`sns.heatmap()`	绘制热力图	`sns.heatmap(data, annot=True, cmap="coolwarm")`
`sns.pairplot()`	绘制数据的所有变量组合的散点图	`sns.pairplot(df, hue="category")`
`sns.histplot()`	绘制直方图或密度图	`sns.histplot(data=df, x="value", kde=True)`
`sns.violinplot()`	绘制小提琴图	`sns.violinplot(x="category", y="value", data=df)`
`sns.catplot()`	创建分类图形（支持条形图、箱线图等）	`sns.catplot(x="category", y="value", data=df, kind="box")`
`sns.set_style()`	设置绘图的风格	`sns.set_style("whitegrid")`
`sns.set_palette()`	设置颜色调色板	`sns.set_palette("muted")`
`sns.despine()`	去除图形的边框	`sns.despine()`

3. Plotly常用函数

函数名	用途	示例代码
`plotly.express.scatter()`	绘制散点图	`fig = px.scatter(df, x="column1", y="column2", color="category")`
`plotly.express.line()`	绘制线图	`fig = px.line(df, x="time", y="value", color="category")`
`plotly.express.bar()`	绘制条形图	`fig = px.bar(df, x="category", y="value")`
`plotly.express.box()`	绘制箱线图	`fig = px.box(df, x="category", y="value")`
`plotly.express.histogram()`	绘制直方图	`fig = px.histogram(df, x="value", nbins=20)`
`plotly.graph_objects.Candlestick()`	绘制K线图（股票数据）	`fig = go.Figure(data=[go.Candlestick(x=dates, open=open_prices, high=high_prices, low=low_prices, close=close_prices)])`
`fig.update_layout()`	更新图表布局（标题、轴标签等）	`fig.update_layout(title="My Chart Title", xaxis_title="X Axis", yaxis_title="Y Axis")`
`fig.update_traces()`	更新图形的特性（如颜色、大小等）	`fig.update_traces(marker=dict(color='red', size=10))`
`fig.update_xaxes()` / `fig.update_yaxes()`	更新X轴或Y轴的属性	`fig.update_xaxes(showgrid=False)`

总结

在本文中，我们介绍了Python常用的绘图库：Matplotlib、Seaborn和Plotly。每个库都有其独特的功能和优点：

Matplotlib：强大而灵活，适合基础图形的绘制。

Seaborn：简洁易用，适合绘制统计图形。

Plotly：适合绘制交互式图形，适用于动态数据展示。

通过本文的实例，你应该能够在实际项目中选择合适的库，并高效地进行数据可视化工作。希望你能在数据分析和科学研究的过程中，充分利用这些强大的工具。

感兴趣的小伙伴可以去看看我的另外两个专栏

Python数据分析五十个小案例：https://blog.csdn.net/null18/category_12840404.html?fromshare=blogcolumn&sharetype=blogcolumn&sharerId=12840404&sharerefer=PC&sharesource=null18&sharefrom=from_link

Python爬虫五十个小案例：https://blog.csdn.net/null18/category_12840403.html?fromshare=blogcolumn&sharetype=blogcolumn&sharerId=12840403&sharerefer=PC&sharesource=null18&sharefrom=from_link