简写|实线_Python数据科学快速入门系列|06Matplotlib数据可视化基础入门

篇首语：本文由编程笔记#小编为大家整理，主要介绍了Python数据科学快速入门系列 | 06Matplotlib数据可视化基础入门相关的知识，希望对你有一定的参考价值。

这是机器未来的第52篇文章

原文首发地址&＃xff1a;https://robotsfutures.blog.csdn.net/article/details/126899226

• 【Python数据科学快速入门系列 | 01】Numpy初窥——基础概念
• 【Python数据科学快速入门系列 | 02】创建ndarray对象的十多种方法
• 【Python数据科学快速入门系列 | 03】玩转数据摘取&＃xff1a;Numpy的索引与切片
• 【Python数据科学快速入门系列 | 04】Numpy四则运算、矩阵运算和广播机制的爱恨情仇
• 【Python数据科学快速入门系列 | 05】常用科学计算函数
• 【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门

文章目录

• 《Python数据科学快速入门系列》快速导航&＃xff1a;
• 前言
• 1. Matplotlib简介
• 2. Matplotlib的安装
• 3. Matplotlib的基础使用
• • 3.1 第一个Matplot例子&＃xff1a;绘制折线图
  • 3.2 编码风格
  • 3.2 绘图参数详解
  • • 3.2.1 Figure画布
    • 3.2.2 Axes绘图区域与Axis坐标轴
    • 3.2.3 输入数据的类型
    • 3.2.4 绘图样式
    • • 3.2.4.1 标准表示
      • 3.2.4.2 简写表示
      
      
    
    
  
  

写在开始&＃xff1a;

• 博客简介&＃xff1a;专注AIoT领域&＃xff0c;追逐未来时代的脉搏&＃xff0c;记录路途中的技术成长&＃xff01;
• 博主社区&＃xff1a;AIoT机器智能, 欢迎加入&＃xff01;
• 专栏简介&＃xff1a;从0到1掌握数据科学常用库Numpy、Matploblib、Pandas。
• 面向人群&＃xff1a;AI初级学习者

本文概述了matplotlib是什么&＃xff0c;能做什么&＃xff0c;怎么做的问题&＃xff0c;是一篇matplotlib数据可视化入门文章&＃xff0c;对于matplotlib的基础功能做了一个整体的使用说明。包含绘制第一个图表、绘图编程风格、Figure画布、axes绘图区&＃xff0c;绘图样式等内容。

Matplotlib是一个数据可视化综合绘图库&＃xff0c;python三剑客(Numpy、Matplotlib、Pandas)之一&＃xff0c;用于创建静态图、动态图和Python中的交互式可视化图像。

只需几行代码就可以生成图表&＃xff0c;直方图&＃xff0c;功率谱&＃xff0c;条形图&＃xff0c;误差图&＃xff0c;散点图等。

说到数据可视化&＃xff0c;我们为什么需要数据可视化&＃xff1f;

如果将文本数据与图表数据相比较&＃xff0c;人类的思维模式更适合于理解后者&＃xff0c;原因在于图表数据更加直观且形象化&＃xff0c;它对于人类视觉的冲击更强&＃xff0c;这种使用图表来表示数据的方法被叫做数据可视化。

举个简单的例子&＃xff1a;给你一只股票的分时数据&＃xff0c;你认为一行行的数据直观呢&＃xff0c;还是K线图直观呢&＃xff1f;

有2种主流的安装方式&＃xff1a;

• 第一种直接安装Anaconda就可以自动安装matplotlib库&＃xff0c;可以参考博主之前的文章:Python零基础快速入门系列|01】人工智能序章&＃xff1a;开发环境搭建Anaconda&＃43;VsCode&＃43;JupyterNotebook(零基础启动)

• 第二种直接使用命令安装

pip install matplotlib


或

conda install matplotlib

3. Matplotlib的基础使用

3.1 第一个Matplot例子&＃xff1a;绘制折线图

#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt
#创建一个只有单个子图的画布
fig,ax&＃61;plt.subplots()#Create a figure containing a single axes.
#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
ax.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes.
plt.show()


可以看到仅仅4行代码就生成了非常好看的折线图&＃xff0c;C语言开发工程师已经哭晕…

那么它到底怎么做的呢&＃xff1f;

• 首先创建了一个画布fig
• 然后创建了一个绘图区域ax(axes)&＃xff0c;这个绘图区域有2个坐标轴axis&＃xff0c;分别在横轴和纵轴。
• 然后绘图区域对象ax调用了方法plot绘制了4个坐标点&＃xff0c;形成折线图。

3.2 编码风格

有人可能注意到我们在网上看到的绘图代码好像不是这样的&＃xff0c;直接使用plt就可以绘制了&＃xff0c;就像这样&＃xff1a;

#引入matplotlib.pyplot绘图库
from matplotlib import pyplot as plt
#4个坐标点的坐标分别是(1,1),(2,4),(3,2),(4,3)
plt.plot([1,2,3,4],[1,4,2,3]);#Plot some data on the axes. b
plt.show()


从结果来看&＃xff0c;是一模一样的&＃xff0c;好像更方便&＃xff0c;仅仅3行代码就可以了。

第二种绘制方法绘制过程如下&＃xff1a;

• 隐式创建一个画布&＃xff0c;并创建一个绘图区域
• 然后绘制4个坐标点&＃xff0c;绘制折线图

其实从编码风格来说&＃xff0c;第一种是面向对象的编码风格&＃xff0c;第二种是pyplot风格&＃xff1a;依靠pyplot自动创建和管理图形和轴&＃xff0c;并使用pyplot函数进行绘图。

一般来说&＃xff0c;我们建议使用OO风格&＃xff0c;特别是对于复杂的绘图&＃xff0c;以及旨在作为更大项目的一部分重用的函数和脚本。但是&＃xff0c;pyplot样式可以非常方便地进行快速交互工作。

3.2 绘图参数详解

​

from matplotlib import pyplot as plt
#创建2x2四个绘图区域的画布
fig,axs&＃61;plt.subplots(2,2)#a figure with a 2x2 grid of Axes
plt.show()


​

​

3.2.2 Axes绘图区域与Axis坐标轴

一个画布可以包含多个绘图区域&＃xff0c;如上面的例子&＃xff0c;一个画布包含4个绘图区域&＃xff0c;每个绘图区域由2个(2D)或3个(3D)坐标轴组成。看下面的结构图的直观展示&＃xff1a;

3.2.3 输入数据的类型

绘图函数需要 numpy.array 或 numpy.ma.masked_array 作为输入&＃xff0c;或者可以传递给 numpy.asarray 的对象转换。

x, y array-like or scalar

3.2.4 绘图样式

3.2.4.1 标准表示

• color

  支持颜色英文名称和十六进制颜色代码&＃xff0c;例如black和#000000

• linewidth

  浮点类型

• linestyle

• marker

marker样式非常多&＃xff0c;更多样式参考官方文档:https://matplotlib.org/stable/api/markers_api.html#module-matplotlib.markers

marker	symbol	description
"."		point
","		pixel
"o"		circle
"v"		triangle_down
"^"		triangle_up
"<"		triangle_left
">"		triangle_right
"1"		tri_down
"2"		tri_up
"3"		tri_left
"4"		tri_right
"8"		octagon
"s"		square
"p"		pentagon
"P"		plus (filled)
"*"		star
"h"		hexagon1
"H"		hexagon2
"&＃43;"		plus
"x"		x
"X"		x (filled)
"D"		diamond
"d"		thin_diamond
"|"		vline
"_"		hline

"""
曲线样式例子1
"""
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
fig, ax &＃61; plt.subplots(figsize&＃61;(8, 5))
# 生成0~2π之间的等差数列&＃xff0c;数据元素为30个
x &＃61; np.linspace(0, 2*np.pi, 30)
y1 &＃61; np.cos(x)
y2 &＃61; np.sin(x)
y3 &＃61; np.cos(2*x)
y4 &＃61; np.sin(2*x)
# 绘制余弦曲线&＃xff0c;颜色为黑色&＃xff0c;线宽3&＃xff0c;线样式为杠虚线&＃xff0c;点标记为小三角
ax.plot(x, y1, color&＃61;&＃39;#000000&＃39;, linewidth&＃61;3, linestyle&＃61;&＃39;--&＃39;, marker&＃61;&＃39;^&＃39;)
# 绘制正弦函数曲线&＃xff0c;颜色为橙色&＃xff0c;线宽2&＃xff0c;点标记为星号
l, &＃61; ax.plot(x, y2, color&＃61;&＃39;orange&＃39;, linewidth&＃61;2, marker&＃61;&＃39;*&＃39;)
# 单独设置线样式为点虚线
l.set_linestyle(&＃39;:&＃39;)
# 绘制2x余弦函数曲线&＃xff0c;线宽为8&＃xff0c;线样式为杠点虚线
ax.plot(x, y3, color&＃61;&＃39;red&＃39;, linewidth&＃61;6, linestyle&＃61;&＃39;-.&＃39;)
# 绘制2x正弦函数曲线&＃xff0c;颜色为绿色&＃xff0c;线宽为1&＃xff0c;线样式为实线
ax.plot(x, y4, color&＃61;&＃39;green&＃39;, linewidth&＃61;2, linestyle&＃61;&＃39;-&＃39;)
plt.show()


​

​

3.2.4.2 简写表示

除了上面的设置方式之外&＃xff0c;还有一种简写设置方式。

plot([x], y, [fmt], *, data&＃61;None, **kwargs)


fmt &＃61; &＃39;[marker][line][color]&＃39;
或
fmt &＃61; &＃39;[color][marker][line]&＃39;


fmt的内容本身没有限定顺序&＃xff0c;可以自由组合。

line指的是line_style&＃xff0c;marker和line_style的取值和上面的表描述是一样的&＃xff0c;颜色代码简写表示如下&＃xff1a;

颜色

支持的颜色缩写是单字母代码

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
# 生成0~2π之间的等差数列&＃xff0c;数据元素为30个
x &＃61; np.linspace(0, 2*np.pi, 30)
y1 &＃61; np.cos(x)
y2 &＃61; np.sin(x)
y3 &＃61; np.cos(2*x)
# g-green,o-cycle圆点标记&＃xff0c;--为杠杠虚线&＃xff0c;其它样式需要单独指定
plt.plot(x, y1, &＃39;go--&＃39;, linewidth&＃61;2, markersize&＃61;6)
# c-青色&＃xff0c;^-三角标志&＃xff0c;:为点虚线
plt.plot(x, y2, &＃39;c^:&＃39;, linewidth&＃61;2, markersize&＃61;3)
# b-blue&＃xff0c;*-star标志&＃xff0c;-.为杠点虚线
plt.plot(x, y3, &＃39;b*-.&＃39;, linewidth&＃61;2, markersize&＃61;3)


[]


​

未完待续&＃xff0c;后续详见下一篇文章&＃xff1a;
【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(二)

— 博主热门专栏推荐 —

• Python零基础快速入门系列
• 深入浅出i.MX8企业级开发实战系列
  
• MQTT从入门到提高系列
• 物体检测快速入门系列
• 自动驾驶模拟器AirSim快速入门
• 安全利器SELinux入门系列
• Python数据科学快速入门系列