一、前言
Matplotlib是Python的绘图库，不仅具备强大的绘图功能，还能够在很多平台上使用，和Jupyter Notebook有极强的兼容性。
二、线型图
import matplotlib.pyplot as plt import numpy as np # 指定生成随机数的种子，这样每次运行得到的随机数都是相同的 np.random.seed(42) # 生成30个满足平均值为0、方差为1的正态分布的样本 x = np.random.randn(30) # plot本意有“绘制(图表)”的意思，所以下面这一行代码是绘制图表。r指定绘制的线条颜色为红色，o指定标记实际点使用的形状为圆形，--指定线条形状为虚线 plt.plot(x, "r--o") # 显示图表 plt.show()
三、线条颜色、标记形状和线型
线条颜色常用参数：
“b”：指定绘制的线条颜色为蓝色。 “g”：指定绘制的线条颜色为绿色。 “r”：指定绘制的线条颜色为红色。 “c”：指定绘制的线条颜色为蓝绿色。 “m”：指定绘制的线条颜色为洋红色。 “y”：指定绘制的线条颜色为黄色。 “k”：指定绘制的线条颜色为黑色。 “w”：指定绘制的线条颜色为白色。标记形状常用参数：
“o”：指定标记实际点使用的形状为圆形。 “*”：指定标记实际点使用的形状为星形。 “+”：指定标记实际点使用的形状为加号形状。 “x”：指定标记实际点使用的形状为x形状。线型常用参数：
“-”：指定线条形状为实线。 “–”：指定线条形状为虚线。 “-.”：指定线条形状为点实线。 “:”：指定线条形状为点线。import matplotlib.pyplot as plt import numpy as np # 未指定种子的值，所以最终产生的随机数不同 # randn()生成30个满足平均值为0、方差为1的正态分布的样本 a = np.random.randn(30) b = np.random.randn(30) c = np.random.randn(30) d = np.random.randn(30) # a：红色，虚线，圆形；b：蓝色，实线，星号；c：绿色，点实线，加号；d：洋红色，点线，x形状 plt.plot(a, "r--o", b, "b-*", c, "g-.+", d, "m:x") plt.show(
四、标签和图例
为了让绘制的图像更易理解，我们可以增加一些绘制图像的说明，一般是添加图像的轴标签和图例，如下面的例子所示：
import matplotlib.pyplot as plt
import numpy as np
np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)
# 图表标题
plt.title("Example")
# 图表标签
plt.xlabel("X")
plt.ylabel("Y")
# X, Y后面的逗号去掉会报出警告
X, = plt.plot(x, "r--o")
Y, = plt.plot(y, "b-*")
# 图例显示(显示图片右上角的图例)
# legend()有两个列表参数，第一个列表参数是图中实际使用的标记和线性，第二个列表参数是对应图例的文字描述
# legend本意：传奇、图例、解释、说明，这里是图例的意思
plt.legend([X, Y], ["X", "Y"])
plt.show()
五、子图
当需要将多个图像同时在不同的位置显示，则需要用到子图(Subplot)的功能。
import matplotlib.pyplot as plt import numpy as np # 未指定随机数种子的值 a = np.random.randn(30) b = np.random.randn(30) c = np.random.randn(30) d = np.random.randn(30) # 定义一个实例fig，相当于子图最外面的大图 fig = plt.figure() # 向fig实例中添加需要的子图，前两个参数表示把大图分成了2行2列，最后一个参数表示使用哪一张子图进行绘制 ax1 = fig.add_subplot(2, 2, 1) ax2 = fig.add_subplot(2, 2, 2) ax3 = fig.add_subplot(2, 2, 3) ax4 = fig.add_subplot(2, 2, 4) # 设置图例 A, = ax1.plot(a, "r--o") ax1.legend([A], ["A"]) B, = ax2.plot(b, "b-*") ax2.legend([B], ["B"]) C, = ax3.plot(c, "g-.+") ax3.legend([C], ["C"]) D, = ax4.plot(d, "m:x") ax4.legend([D], ["D"]) plt.show()
六、散点图
如果需要获取的是一些散点数据，则可以通过绘制散点图(Scatter)来展示数据的分布和布局。
import matplotlib.pyplot as plt
import numpy as np
# 设置随机数种子的值
np.random.seed(42)
x = np.random.randn(30)
y = np.random.randn(30)
# 散点图，scatter()的参数必须同时含有x, y
plt.scatter(x, y, c = 'g', marker='o', label = "(X, Y)")
# 散点图的标题
plt.title("Example")
# 设置坐标轴的标签
plt.xlabel("X")
plt.ylabel("Y")
# 设置图例，loc=0表示使用最好的位置，loc=1强制图例使用图中右上角的位置，loc=2强制使用左上角位置，loc=3强制使用左下角位置，loc=4强制使用右下角位置
plt.legend(loc = 1)
# 显示图像
plt.show()
scatter()方法中特别需要注意的参数：
“c”：指定散点图中绘制的参数使用哪种颜色，这与第2部分线条常用参数相，所以这里g表示设置为绿色。 “marker”：指定散点图中绘制的参数点使用哪种形状，和第2部分标记形状常用参数相同，所以这里o表示设置为圆形。 “label”：指定在散点图中绘制的参数使用的图例，这里与第3部分图例有所不同，注意区别。
七、直方图
直方图(Histogram)是一种统计报告图，通过使用一些列高度不等的纵向条纹或直方表示数据分布的情况，一般用横轴表示数据类型，纵轴表示分布情况。下面来看具体实例：
import matplotlib.pyplot as plt
import numpy as np
# 指定随机数种子的值
np.random.seed(42)
x = np.random.randn(1000)
# 直方图，bins表示绘制的直方图的条纹的数量；color表示直方图条纹的颜色，g表示绿色
plt.hist(x, bins = 20, color = 'g')
# 设置标题
plt.title("Example")
# 设置坐标轴标签
plt.xlabel("X")
plt.ylabel("Y")
# 显示图像
plt.show()
八、饼图
import matplotlib.pyplot as plt
# 标签
labels = ['Dos', 'Cats', 'Birds']
# sizes的三个数字确定了每部分数据系列在整个圆形中的占比
sizes = [15, 50, 35]
# 饼图，explode定义每部分数据系列之间的间隔，设置两个0和一个0.1，就能突出第三部分；autopct将sizes中的数据以所定义的浮点数精度进行显示；
# startangle是绘制第一块饼图时，该饼图与X轴正方向的夹角度数，这是设置90度，默认是0度。
plt.pie(sizes, explode = (0, 0, 0.1), labels = labels, autopct = '%1.1f%%', startangle = 90)
# 下面的一行代码必须存在，用于使X轴和Y轴的刻度时刻保持一致，只有这样，最后得到的饼图才是圆的
plt.axis('equal')
# 显示图像
plt.show()
到此这篇关于Python绘图库Matplotlib的基本用法的文章就介绍到这了,更多相关Python Matplotlib的用法内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/weixin_44072535/article/details/116239336
