人工智能之数据分析 Matplotlib
第四章 图形类型
文章目录
- [人工智能之数据分析 Matplotlib](#人工智能之数据分析 Matplotlib)
- 前言
- [一、散点图（Scatter Plot）](#一、散点图（Scatter Plot）)
- [二、柱形图（Bar Chart）](#二、柱形图（Bar Chart）)
- [三、饼图（Pie Chart）](#三、饼图（Pie Chart）)
- 四、直方图（Histogram）
- 五、其他常用图表
- [1. 折线图（Line Plot）](#1. 折线图（Line Plot）)
- [2. 箱线图（Box Plot）](#2. 箱线图（Box Plot）)
- [3. 面积图（Area Plot）](#3. 面积图（Area Plot）)
- [4. 热力图（Heatmap）](#4. 热力图（Heatmap）)
- [5. 3D 图（需 `mpl_toolkits.mplot3d`）](#5. 3D 图（需
mpl_toolkits.mplot3d）)- [6. 子图（Multiple Subplots）](#6. 子图（Multiple Subplots）)
- 六、选择建议
- 后续
- 资料关注
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
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
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
plt.bar(x, height, width=0.8, color=None, label=None)水平柱形图
python
plt.barh(y, width, height=0.8)示例
python
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
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
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
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
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
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
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
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
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
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
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：https://gitee.com/wy18585051844/ai_learning
《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》