人工智能之数据分析 Matplotlib：第四章图形类型

人工智能之数据分析 Matplotlib

第四章图形类型

前言

Matplotlib 支持多种图表类型。本文将详细介绍 散点图、柱形图、饼图、直方图 以及其他常见图表（如箱线图、热力图、面积图、3D 图等）的绘制方法、参数说明和典型应用场景。

一、散点图（Scatter Plot）

用途

显示两个变量之间的关系，常用于观察相关性、聚类或异常值。

基本语法

python 复制代码

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, alpha=None)

x, y：数据点坐标
s：点的大小（可为标量或数组）
c：颜色（可为单色、颜色列表或数值映射到 colormap）
marker：标记样式（如 'o', '^', 's'）
alpha：透明度（0~1）
cmap：颜色映射（配合数值型 c 使用）

示例

python 复制代码

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
plt.colorbar()  # 显示颜色条
plt.title("Scatter Plot with Color and Size")
plt.show()

二、柱形图（Bar Chart）

用途

比较不同类别之间的数值大小。

垂直柱形图

python 复制代码

plt.bar(x, height, width=0.8, color=None, label=None)

水平柱形图

python 复制代码

plt.barh(y, width, height=0.8)

示例

python 复制代码

categories = ['A', 'B', 'C', 'D']
values = [3, 7, 5, 9]

plt.bar(categories, values, color='skyblue')
plt.title("Bar Chart")
plt.ylabel("Value")
plt.show()

💡 可叠加多个 bar() 实现分组或堆叠柱状图。

三、饼图（Pie Chart）

用途

显示各部分占总体的比例（适用于分类较少的情况）。

基本语法

python 复制代码

plt.pie(sizes, labels=None, autopct=None, startangle=0, explode=None, colors=None)

sizes：各扇区大小（自动归一化）
labels：标签
autopct='%1.1f%%'：显示百分比
explode：突出某一部分（如 [0, 0.1, 0, 0]）
startangle：起始角度（默认从 x 轴开始）

示例

python 复制代码

sizes = [25, 35, 20, 20]
labels = ['Apple', 'Banana', 'Cherry', 'Date']
explode = (0, 0.1, 0, 0)  # 突出 Banana

plt.pie(sizes, labels=labels, autopct='%1.1f%%', explode=explode, startangle=90)
plt.title("Pie Chart")
plt.axis('equal')  # 保证圆形
plt.show()

四、直方图（Histogram）

用途

展示数据的分布情况（频率分布）。

基本语法

python 复制代码

plt.hist(data, bins=10, range=None, density=False, alpha=1.0, color=None)

data：一维数组
bins：分箱数量（整数或边界列表）
density=True：归一化为概率密度（面积=1）
alpha：透明度（便于叠加多个直方图）

示例

python 复制代码

data = np.random.normal(100, 15, 1000)  # 正态分布

plt.hist(data, bins=30, color='lightgreen', edgecolor='black', alpha=0.7)
plt.title("Histogram")
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

五、其他常用图表

1. 折线图（Line Plot）

python 复制代码

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

最基础的连续数据趋势图。

2. 箱线图（Box Plot）

显示数据的五数概括（最小值、Q1、中位数、Q3、最大值）及异常值。

python 复制代码

plt.boxplot([data1, data2], labels=['Group1', 'Group2'])

3. 面积图（Area Plot）

强调累积总量随时间的变化。

python 复制代码

plt.stackplot(x, y1, y2, labels=['A', 'B'], alpha=0.7)

4. 热力图（Heatmap）

用颜色表示矩阵中数值大小（需结合 imshow 或 pcolormesh）。

python 复制代码

data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title("Heatmap")
plt.show()

更推荐使用 Seaborn 的 sns.heatmap()，功能更强大。

5. 3D 图（需 `mpl_toolkits.mplot3d`）

python 复制代码

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.randn(100)
y = np.random.randn(100)
z = np.random.randn(100)
ax.scatter(x, y, z)
plt.show()

6. 子图（Multiple Subplots）

使用 plt.subplots() 创建多图布局：

python 复制代码

import matplotlib.pyplot as plt import numpy as np  
# 创建 2x2 子图 
fig, axs = plt.subplots(2, 2, figsize=(10, 8))  
# 第一个子图：折线图 
x = np.linspace(0, 10, 100) 
y = np.sin(x) 
axs[0, 0].plot(x, y) 
axs[0, 0].set_title('Sine Wave')  
# 第二个子图：散点图 
axs[0, 1].scatter([1, 2, 3], [4, 5, 6]) 
axs[0, 1].set_title('Scatter')  
# 第三个：柱状图 
axs[1, 0].bar(['A', 'B', 'C'], [3, 7, 5]) 
axs[1, 0].set_title('Bar Chart')  
# 第四个：直方图 
data = np.random.randn(1000) 
axs[1, 1].hist(data, bins=20) 
axs[1, 1].set_title('Histogram')  
plt.tight_layout() 
plt.show()

六、选择建议

图表类型	适用场景
散点图	两变量关系、聚类分析
柱形图	类别间比较
饼图	构成比例（类别 ≤ 5）
直方图	数据分布形态
箱线图	分布离散程度、异常值检测
折线图	时间序列、趋势变化
热力图	矩阵/相关性可视化

补充：美化建议

使用 plt.style.use('seaborn-v0_8') 或 'ggplot' 改变整体风格
设置字体：plt.rcParams['font.sans-serif'] = ['SimHei']（中文支持）
保存图像：plt.savefig('chart.png', dpi=300, bbox_inches='tight')

后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

资料关注

公众号：咚咚王 gitee：gitee.com/wy185850518...

《Python编程：从入门到实践》《利用Python进行数据分析》《算法导论中文第三版》《概率论与数理统计（第四版） (盛骤) 》《程序员的数学》《线性代数应该这样学第3版》《微积分和数学分析引论》《（西瓜书）周志华-机器学习》《TensorFlow机器学习实战指南》《Sklearn与TensorFlow机器学习实用指南》《模式识别（第四版）》《深度学习 deep learning》伊恩·古德费洛著花书《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》《自然语言处理综论第2版》《Natural-Language-Processing-with-PyTorch》《计算机视觉-算法与应用(中文版)》《Learning OpenCV 4》《AIGC：智能创作时代》杜雨+&+张孜铭《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》《从零构建大语言模型（中文版）》《实战AI大模型》《AI 3.0》

人工智能之数据分析 Matplotlib：第四章 图形类型