【Python基礎(chǔ)】Matplotlib 實(shí)操干貨，38個(gè)案例帶你從入門到進(jìn)階！

? ?譯文出品：Python數(shù)據(jù)之道

Matplotlib 實(shí)操干貨，

38個(gè)案例帶你從入門到進(jìn)階！

本文將介紹如何使用 Matplotlib 以各種方式可視化數(shù)據(jù)。完整的文章可能有 90 個(gè)示例，可以從不同的角度創(chuàng)建繪圖。這不是使用 Matplotlib 進(jìn)行數(shù)據(jù)可視化的最完整的教程，但是我相信本文內(nèi)容可以滿足許多人的需求，并可以應(yīng)用到許多領(lǐng)域。

如前所述，本文將創(chuàng)建 90 個(gè)不同的繪圖示例。這些示例分布在 11 種不同的樣式圖中：散點(diǎn)圖，折線圖，一維直方圖，二維直方圖，邊際圖，條形圖，箱形圖，小提琴圖，餅圖，極坐標(biāo)圖，地理投影，3D圖和輪廓圖?？梢酝ㄟ^(guò) 圖1 大致了解本文的內(nèi)容。

本文將專注于創(chuàng)建和定制各種圖表。因此，文章中假設(shè)讀者已經(jīng)了解 Matplotlib 的一些基礎(chǔ)知識(shí)，例如，在 Matplotlib 中創(chuàng)建多個(gè)子圖和自定義顏色圖。

在開始撰寫本文時(shí)，本來(lái)打算只寫一篇文章。但是，我認(rèn)為由于閱讀時(shí)間的緣故，需要將其分為幾部分。如果我將所有內(nèi)容寫成一篇文章，則將花費(fèi)很多時(shí)間。因此，我將完整的內(nèi)容分為 2 或 3 部分。

本文是第一部分，共有 38個(gè) 案例，讓我們開始吧。

Matplotlib 介紹

要安裝 Matplotlib，可以使用以下代碼通過(guò) pip 安裝它：

pip?install?matplotlib

或者通過(guò) conda 來(lái)安裝：

conda?install?-c?anaconda?matplotlib

本文中，安裝了 Matplotlib 3.3.2 版本?？梢酝ㄟ^(guò)下面的代碼檢查所安裝的版本號(hào)：

pip?show?matplotlib

如果要在 Jupyter Notebook（以下稱為 Jupyter）中進(jìn)行檢查，則可以通過(guò)下面的代碼來(lái)進(jìn)行檢查，如圖2所示。

如果你想更新 Matplotlib 的版本，可以使用下面的代碼：

pip?install?matplotlib?--upgrade

在繼續(xù)進(jìn)行第一部分之前，需要告知下，我已經(jīng)自定義了 Matplotlib 繪圖樣式，例如使用 LaTeX 字體作為默認(rèn)樣式，更改字體大小和字體，更改 xtick 和 ytick 方向和大小，以及在 ?x 軸和 y 軸。要將 LaTeX 字體用作 Matplotlib 中的默認(rèn)字體，可以使用下面的代碼：

plt.rcParams['text.usetex']?=?True

如果遇到一些錯(cuò)誤，則需要閱讀下面文章中的內(nèi)容。我已經(jīng)解釋了在 Matplotlib 中處理 LaTeX 字體的詳細(xì)過(guò)程。

https://towardsdatascience.com/5-powerful-tricks-to-visualize-your-data-with-matplotlib-16bc33747e05

要自定義其他參數(shù)（字體大小，字體系列和刻度參數(shù)），只需在代碼開頭編寫以下代碼：

plt.rcParams['font.size']?=?15
plt.rcParams['font.family']?=?"serif"tdir?=?'in'
major?=?5.0
minor?=?3.0
plt.rcParams['xtick.direction']?=?tdir
plt.rcParams['ytick.direction']?=?tdirplt.rcParams['xtick.major.size']?=?major
plt.rcParams['xtick.minor.size']?=?minor
plt.rcParams['ytick.major.size']?=?major
plt.rcParams['ytick.minor.size']?=?minor

如果需要更詳細(xì)地了解，可以訪問(wèn)下面的內(nèi)容：

https://towardsdatascience.com/create-professional-plots-using-matplotlib-63a6863b7363

01. 散點(diǎn)圖（Scatter plot）

在本部分，有八個(gè)散點(diǎn)圖的示例。在創(chuàng)建散點(diǎn)圖之前，需要使用下面的代碼生成模擬數(shù)據(jù)：

import?numpy?as?np
import?matplotlib.pyplot?as?plt

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

變量 x 是從 0 到 10 的 50 個(gè)數(shù)據(jù)的數(shù)組。變量 y 是 sin（x） 和 cos（x） 的平方之和?？梢允褂靡韵麓a以散點(diǎn)圖的形式可視化 x 軸上的變量 x 和 y 軸上的變量 y ：

plt.figure()
plt.scatter(x,?y)

上面的內(nèi)容很簡(jiǎn)單，結(jié)果如圖3所示：

為了使其更美觀，可以減少每個(gè)數(shù)據(jù)的大小并給標(biāo)簽添加下面的代碼：

plt.scatter(x,?y,?s?=?15,?label?=?r'$y??=?sin^2(x)?+?cos(x)$')

要更改顏色，需要在代碼中添加 color 參數(shù)：

color?=?'r'?#?r?means?red

如果要使軸比例尺相同，可以使用下面的代碼：

plt.axis('equal')

要為 x 軸和 y 軸創(chuàng)建軸標(biāo)簽，可以添加以下代碼：

plt.xlabel(r'$x$?(rad)')
plt.ylabel(r'$y$')

要顯示圖例，可以使用下面的代碼：

plt.legend()

要保存圖形，可以使用以下代碼：

plt.savefig('scatter2.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

完整的代碼如下：

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

plt.figure()
plt.scatter(x,?y,?s?=?15,?label?=?r'$?y??=?sin^2(x)?+?cos(x)$',?color?=?'r')
plt.axis('equal')

plt.legend()
plt.xlabel(r'$x$?(rad)')
plt.ylabel(r'$y$')

plt.savefig('scatter2.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

創(chuàng)建的散點(diǎn)圖如 圖4 所示：

上面可以看到軸內(nèi)部的 x 軸和 y 軸的刻度方向，并且使用的字體為 LaTeX 格式。如果要更改圖形尺寸，可以在 plt.figure() 中添加圖形尺寸參數(shù)

plt.figure(figsize=(7,?4.5))

更改標(biāo)記樣式

要更改標(biāo)記樣式，例如，要從點(diǎn)更改為十字，可以在 plt.scatter 中添加此參數(shù)：

marker?=?'x'

圖5 是更改為十字后的結(jié)果：

Matplotlib 中有各種各樣的樣式，可以通過(guò)下面的鏈接來(lái)進(jìn)行了解：

https://matplotlib.org/api/markers_api.html

如果你已閱讀以上文檔，則可以意識(shí)到可以將字母用作標(biāo)記樣式。下面將展示將字母用作標(biāo)記的示例，如 圖6 所示：

為了生成 圖6，這里為 x 軸和 y 軸的參數(shù)創(chuàng)建了一個(gè)不同的函數(shù)。以下是生成它的代碼：

np.random.seed(100)

N?=?50

randx?=?np.random.random(N)?*?100
randy?=?np.random.random(N)?*?100

為了可視化變量 randx 和 randy ，可以運(yùn)行以下代碼：

plt.figure(figsize=(7,?6))

plt.scatter(randx,?randy,?marker=r'$\beta$',?s?=?150,?color?=?'darkorange')

plt.axis('equal')

plt.xlabel('randx')
plt.ylabel('randy')

plt.tight_layout()

這里使用希臘符號(hào) beta 作為標(biāo)記樣式。也可以使用其他字母來(lái)更改它，例如 ?a，B，C，d 或 ** 1、2、3** 等。

自定義每個(gè)數(shù)據(jù)的大小

這里將展示如何為每個(gè)數(shù)據(jù)創(chuàng)建大小不同的散點(diǎn)圖，如 圖7 所示。

為了創(chuàng)建它，使用以下代碼為變量 randx 和 randy 生成了一個(gè)隨機(jī)數(shù)據(jù)，從 0 到 100

np.random.seed(100)

N?=?30

randx?=?np.random.random(N)?*?100
randy?=?np.random.random(N)?*?100

之后，使用下面的代碼為 50 到 200 之間的每個(gè)數(shù)據(jù)生成一個(gè)隨機(jī)整數(shù)。

size?=?np.random.randint(50,?200,?size=N)

進(jìn)行可視化，只需添加下面的參數(shù)：

plt.scatter(randx,?randy,?s?=?size,?color?=?'darkorange')

創(chuàng)建 圖7 時(shí)需要在 x 軸和 y 軸上插入次刻度。要插入它，需要使用以下代碼導(dǎo)入子模塊 MultipleLocator ：

from?matplotlib.ticker?import?MultipleLocator

之后，可以添加以下代碼，以插入輔助軸：

ax?=?plt.gca()ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

下面是生成 圖7 的完整代碼：

np.random.seed(100)

N?=?30

plt.figure(figsize=(7,?6))

randx?=?np.random.random(N)?*?100
randy?=?np.random.random(N)?*?100
size?=?np.random.randint(50,?200,?size=N)

plt.scatter(randx,?randy,?s?=?size,?color?=?'darkorange')
plt.axis('equal')

ax?=?plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.savefig('scatter5.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

以顏色編碼的散點(diǎn)圖

可以使用顏色圖更改顏色，這意味著具有不同大小的數(shù)據(jù)將以不同的顏色進(jìn)行顏色編碼。可以像下面這樣在 plt.scatter（） 中添加顏色參數(shù):

c?=?size

要嵌入顏色條，可以使用以下代碼:

plt.colorbar()

得到的結(jié)果如 圖8 所示：

以下是創(chuàng)建 圖8 完整的代碼：

np.random.seed(100)

N?=?30

randx?=?np.random.random(N)?*?100
randy?=?np.random.random(N)?*?100
ranking?=?np.random.random(N)?*?200
size?=?np.random.randint(50,?200,?size=N)

plt.figure(figsize=(7,?5))
plt.scatter(randx,?randy,?s?=?size,?c?=?size,?alpha?=?.8)
plt.axis('equal')

ax?=?plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.colorbar()

plt.savefig('scatter6.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

自定義顏色圖

可以使用以下參數(shù)更改顏色圖：

cmap?=?'inferno'

Matplotlib 官方文檔對(duì)顏色圖進(jìn)行了詳細(xì)的講解，可以通過(guò)下面鏈接來(lái)訪問(wèn)：

https://matplotlib.org/3.3.2/tutorials/colors/colormaps.html

在本文中，通過(guò)組合藍(lán)色和橙色的顏色圖創(chuàng)建了自己的顏色圖，如 圖9 所示：

使用下面的代碼，可以將兩種顏色結(jié)合起來(lái)：

from?matplotlib?import?cm
from?matplotlib.colors?import?ListedColormap,?LinearSegmentedColormap

top?=?cm.get_cmap('Oranges_r',?128)
bottom?=?cm.get_cmap('Blues',?128)

newcolors?=?np.vstack((top(np.linspace(0,?1,?128)),
???????????????????????bottom(np.linspace(0,?1,?128))))

orange_blue?=?ListedColormap(newcolors,?name='OrangeBlue')

我創(chuàng)建了自己的顏色圖，名為 orange_blue 。要了解如何在 Matplotlib 中創(chuàng)建和自定義自己的顏色圖，可以訪問(wèn)以下鏈接：

https://towardsdatascience.com/creating-colormaps-in-matplotlib-4d4de78a04b8

要應(yīng)用它，只需更改顏色參數(shù) c = orange_blue ，可以在 圖11 中檢查結(jié)果：

以下是創(chuàng)建 圖11 的完整代碼：

from?matplotlib?import?cm
from?matplotlib.colors?import?ListedColormap,?LinearSegmentedColormap

top?=?cm.get_cmap('Oranges_r',?128)
bottom?=?cm.get_cmap('Blues',?128)

newcolors?=?np.vstack((top(np.linspace(0,?1,?128)),
???????????????????????bottom(np.linspace(0,?1,?128))))
orange_blue?=?ListedColormap(newcolors,?name='OrangeBlue')

np.random.seed(100)

N?=?30

randx?=?np.random.random(N)?*?100
randy?=?np.random.random(N)?*?100
size?=?np.random.randint(50,?200,?size=N)

plt.figure(figsize=(7,?5))
plt.scatter(randx,?randy,?s?=?size,?c?=?size,?alpha?=?.8,?cmap?=?orange_blue)
plt.axis('equal')

ax?=?plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.colorbar(label?=?'circle?size')

plt.savefig('scatter7.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

02. 線圖（Line plot）

為了在 Matplotlib 中繪制線圖，將使用以下代碼生成模擬數(shù)據(jù)：

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

要以線圖的形式可視化變量 x 和 y ，需要使用以下代碼：

plt.plot(x,?y)

上面的代碼將生成一個(gè)圖形，如 圖12 所示：

自定義線條的樣式

可以使用下面的參數(shù)在 Matplotlib 中更改線條圖的線條樣式：

linestyle?=?'-'

上面的參數(shù)應(yīng)在 plt.plot（） 中插入。在本文中將展示四種不同的線條樣式。它們是

['-',?'--',?'-.',?':']

為了自動(dòng)生成它，使用循環(huán)將使其變得簡(jiǎn)單，以下是完整的代碼：

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

rows?=?2
columns?=?2

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

linestyles?=?['-',?'--',?'-.',?':']

plt.figure(figsize=(15,?10))
for?i?in?range(len(linestyles)):
????plt.subplot(grid[i])
????plt.plot(x,?y,?linestyle?=?linestyles[i],?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
????plt.axis('equal')
????plt.xlabel('$x$?(rad)')
????plt.legend()
????plt.annotate("linestyle?'"?+?str(linestyles[i])?+?"'",?xy?=?(0.5,?-2.5),?va?=?'center',?ha?=?'left')
????
plt.savefig('line2.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

這里將在一張圖中分配 4 種不同的線型，這意味著需要在一個(gè)圖中創(chuàng)建 4 個(gè)軸。在 Matplotlib 中，可以通過(guò)使用 GridSpec（） ，subplot（） 和 add_subplot（） 自定義子圖來(lái)生成它。在本文中，使用 GridSpec（） ，創(chuàng)建了 4 個(gè)軸（ 2 行 2 列），寬度和高度間距等于 0.25。

正如在文章開始時(shí)提到的，本文將只專注于自定義圖。如果在 Matplotlib 中自定義子圖時(shí)需要更多說(shuō)明，則可以訪問(wèn)下面的鏈接：

https://towardsdatascience.com/customizing-multiple-subplots-in-matplotlib-a3e1c2e099bc

上面代碼運(yùn)行后的結(jié)果如 圖13 所示：

該代碼將簡(jiǎn)單地生成 4 種不同的線型，并為每種線型添加標(biāo)簽和注釋。Matplotlib 提供了許多可以使用的線型，可以通過(guò)下面鏈接選擇自己喜歡的線條樣式：

https://matplotlib.org/2.1.2/api/_as_gen/matplotlib.pyplot.plot.html

自定義線條寬度

自定義線條寬度，可以使用下面的代碼：

lw?=?2.0

四種不同寬度的線條圖，如 圖14 所示：

創(chuàng)建 圖14 的完整代碼如下：

N?=?50

rows?=?2
columns?=?2

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

linewidth?=?[2,?3,?4,?5]

plt.figure(figsize=(15,?10))
for?i?in?range(len(linestyles)):
????plt.subplot(grid[i])
????plt.plot(x,?y,?linestyle?=?'-.',?lw?=?linewidth[i],?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
????plt.axis('equal')
????plt.xlabel('$x$?(rad)')
????plt.legend()
????plt.annotate("linewidth?"?+?str(linewidth[i]),?xy?=?(0.5,?-2.5),?va?=?'center',?ha?=?'left')
????
plt.savefig('line3.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

創(chuàng)建間隔標(biāo)記

這里將創(chuàng)建間隔標(biāo)記（mark every）。為了理解它，將首先顯示結(jié)果，如 圖15 所示：

在 圖15 中，為每 5 個(gè)數(shù)據(jù)創(chuàng)建一個(gè)圓圈標(biāo)記?？梢允褂靡韵聟?shù)創(chuàng)建：

'o'????????????#?shape?for?each?5?data
markevery?=?5??#?mark?every?
ms?=?7?????????#?size?of?the?circle?in?mark?every

以下是完整的代碼：

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

plt.figure(figsize=(7,?4.5))
plt.plot(x,?y,?'o',?ls?=?'-.',?lw?=?2,?ms?=?7,?markevery?=?5,?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
plt.axis('equal')
plt.xlabel('$x$?(rad)')
plt.legend()
plt.annotate("markevery:?5",?xy?=?(0.5,?-2.5),?va?=?'center',?ha?=?'left')

plt.savefig('line4.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

這里需要將參數(shù) "o" ?放在第三個(gè)參數(shù)位置上。

更改線條顏色

更改線條顏色，可以使用以下代碼：

color?=?'royalblue'

下面將展示如何使用循環(huán)生成 4 種不同的顏色和 4 種不同的標(biāo)記，如 圖16 所示：

創(chuàng)建 圖16 的代碼如下：

N?=?50

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

rows?=?2
columns?=?2

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

mark?=?[2,?5,?10,?12]
color?=?['#00429d',?'#627c94',?'#f4777f',?'#93003a']

plt.figure(figsize=(15,?10))
for?i?in?range(len(linestyles)):
????plt.subplot(grid[i])
????plt.plot(x,?y,?'o',?ls='-.',?lw?=?2,?ms?=?8,?markevery=mark[i],?color?=?color[i],?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
????plt.axis('equal')
????plt.annotate("markevery:?"?+?str(mark[i]),?xy?=?(0.5,?-2.5),?va?=?'center',?ha?=?'left')
????plt.xlabel('$x$?(rad)')
????plt.legend()

plt.savefig('line5.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

線條圖中添加誤差

為了演示折線圖中的誤差線，需要使用以下代碼生成誤差：

np.random.seed(100)

noise_x?=?np.random.random(N)?*?.2?+?.1
noise_y?=?np.random.random(N)?*?.7?+?.4

該代碼將為 noise_x 生成從 0.1 到 0.3 的隨機(jī)數(shù)，為 noise_y 生成從 0.3 到 0.7 的隨機(jī)數(shù)。要為 y 軸插入誤差線，可以使用以下代碼：

plt.errorbar(x,?y,?yerr?=?noise_y)

包含誤差的線條圖，如 圖17 所示：

創(chuàng)建 圖17 的完整代碼如下：

N?=?25
x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise_x?=?np.random.random(N)?*?.2?+?.1
noise_y?=?np.random.random(N)?*?.7?+?.4


plt.figure(figsize=(7,?4.5))
plt.errorbar(x,?y,?yerr?=?noise_y,?xerr?=?noise_x,?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
plt.axis('equal')
plt.legend()
plt.xlabel('$x$?(rad)')

plt.savefig('line7.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

在 x 軸添加誤差，可以使用以下參數(shù)：

xerr?=?noise_x

可以看到在 圖18 的 x 和 y 軸上插入誤差線的示例：

創(chuàng)建 圖18 的完整代碼如下：

N?=?25

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise_x?=?np.random.random(N)?*?.2?+?.1
noise_y?=?np.random.random(N)?*?.7?+?.4

plt.figure(figsize=(7,?4.5))
plt.errorbar(x,?y,?yerr?=?noise_y,?xerr?=?noise_x,?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
plt.axis('equal')
plt.legend()
plt.xlabel('$x$?(rad)')

plt.savefig('line7.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

如果只想顯示數(shù)據(jù)而不顯示線圖，而僅顯示誤差線，則可以使用以下參數(shù)：

fmt?=?'o'????#?shape?of?the?data?point
color?=?'r'??#?color?of?the?data?point
ecolor?='k'???#?color?of?the?error?bar

完整代碼如下：

N?=?25

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise_x?=?np.random.random(N)?*?.2?+?.1
noise_y?=?np.random.random(N)?*?.7?+?.4

plt.figure(figsize=(7,?4.5))
plt.errorbar(x,?y,?xerr?=?noise_x,?yerr?=?noise_y,?label?=?r'$?y??=?sin^2(x)?+?cos(x)$',?color?=?'r',?fmt?=?'o',?ecolor='k',?)
plt.axis('equal')
plt.legend()
plt.xlabel('$x$?(rad)')

plt.savefig('line8.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

效果如 圖19 所示：

填充誤差區(qū)域

如需要填充誤差范圍區(qū)域，可以使用以下代碼：

plt.fill_between(x,?y?+?noise,?y?-?noise,?alpha?=?.5)

fill_between 參數(shù)是 x 軸的數(shù)據(jù)，填充區(qū)域的上限和下限。在上面的代碼中，用 y + noise ?和 y-noise 表示。此外，還需要降低填充區(qū)域的透明度。以下是完整的代碼：

N?=?25
x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise?=?np.random.random(N)?*?.7?+?.4

plt.figure(figsize=(7,?4.5))
plt.plot(x,?y,?ls='-',?label?=?r'$?y??=?sin^2(x)?+?cos(x)$')
plt.fill_between(x,?y?+?noise,?y?-?noise,?alpha?=?.5)
plt.axis('equal')
plt.legend()
plt.xlabel('$x$?(rad)')

plt.savefig('line9.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

上述代碼運(yùn)行后，結(jié)果如 圖20 所示：

插入水平線和垂直線

可以使用以下代碼插入水平線和垂直線：

plt.hlines(0,?xmin?=?0,?xmax?=?10)
plt.vlines(2,?ymin?=?-3,?ymax?=?3)

需要在第一個(gè)參數(shù)中定義水平線，包括水平線的起點(diǎn)和終點(diǎn)。對(duì)于垂直線，它具有類似的參數(shù)。

圖21 是添加了水平線和垂直線的示例：

創(chuàng)建 圖21 的完整代碼如下：

N?=?25

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise?=?np.random.random(N)?*?.7?+?.4

plt.figure(figsize=(7,?4.5))
plt.plot(x,?y,?ls?=?'-',?label?=?r'$?y??=?sin^2(x)?+?cos(x)$',?color?=?'darkgreen')
plt.fill_between(x,?y?+?noise,?y?-?noise,?color?=?'darkgreen',?alpha?=?.5)
plt.axis('equal')

plt.hlines(0,?xmin?=?0,?xmax?=?10,?ls?=?'--',?color?=?'royalblue',?label?=?'hlines')
plt.vlines(2,?ymin?=?-3,?ymax?=?3,?ls?=?'--',?color?=?'orange',?label?=?'vlines')

plt.legend(bbox_to_anchor=(1.55,?1.04))?#?position?of?the?legend
plt.xlabel('$x$?(rad)')

plt.savefig('line10.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

垂直填充

下面將在兩條垂直線之間繪制一個(gè)填充區(qū)域，如 圖22 所示：

創(chuàng)建 圖22 的完整代碼如下：

N?=?25

x?=?np.linspace(0.,?10.,?N)
y?=?np.sin(x)**2?+?np.cos(x)

np.random.seed(100)
noise?=?np.random.random(N)?*?.7?+?.4

plt.figure(figsize=(7,?4.5))
plt.plot(x,?y,?ls='-',?label?=?r'$?y??=?sin^2(x)?+?cos(x)$',?color?=?'darkgreen')
plt.fill_between(x,?y?+?noise,?y?-?noise,?color?=?'darkgreen',?alpha?=?.5)

plt.axis('equal')

plt.fill_between((2,4),?-3.2,?3.2,?facecolor='orange',?alpha?=?0.4)

plt.xlim(0,?10)
plt.ylim(-3,?3)

plt.legend()
plt.xlabel('$x$?(rad)')

plt.savefig('line11.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

03. 直方圖（Histogram）

下面將說(shuō)明如何在 1D 和 2D 中制作直方圖。首先，將介紹一維直方圖。在可視化一維直方圖之前，將使用以下代碼制作一個(gè)模擬數(shù)據(jù)，即正態(tài)分布隨機(jī)數(shù)。

N?=?1000

np.random.seed(10021)
x?=?np.random.randn(N)?*?2?+?15

默認(rèn)情況下，Numpy 將生成一個(gè)正態(tài)分布隨機(jī)數(shù)，其均值/中位數(shù)（mu）等于 0 ，方差（sigma）等于 1 。在上面的代碼中，將 mu 更改為15，將 sigma 更改為 2 。要在一維直方圖中可視化變量 x ?，可以使用以下代碼：

plt.hist(x)

結(jié)果如 圖23 所示：

在 Matplotlib 中， 一維直方圖中 bins 的默認(rèn)值為 10， 如果要更改 bins 的默認(rèn)值，可以修改下面的參數(shù)：

bins?=?40

將 bins 設(shè)置為 40 后，結(jié)果如 圖24 所示：

以下是創(chuàng)建 圖24 的完整代碼：

N?=?1000

np.random.seed(10021)
x?=?np.random.randn(N)?*?2?+?15

plt.figure(figsize=(9,?6))
plt.hist(x,?bins?=?40,?label?=?r'$\mu?=?15,?\sigma?=?2$')
plt.legend()

還可以使用以下參數(shù)限制直方圖的范圍：

range?=?(12,?18)

該參數(shù)將使直方圖僅顯示 12 到 18 之間的數(shù)據(jù)，如 圖25 所示：

創(chuàng)建 圖25 的完整代碼如下：

N?=?1000

np.random.seed(10021)
x?=?np.random.randn(N)?*?2?+?15

plt.figure(figsize=(9,?6))

plt.hist(x,?bins?=?40,?range?=?(12,?18),?color?=?'darkorange',?label?=?r'$\mu?=?15,?\sigma?=?2$')

plt.legend()
plt.savefig('hist3.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

這里還使用 color 參數(shù)更改直方圖的顏色。

水平直方圖

可以創(chuàng)建一個(gè)水平直方圖，如 圖26 所示：

使用以下參數(shù)來(lái)創(chuàng)建水平直方圖：

orientation?=?'horizontal'

創(chuàng)建 圖25 的完整代碼如下：

N?=?1000

np.random.seed(10021)
x?=?np.random.randn(N)?*?2?+?15

plt.figure(figsize=(9,?6))
plt.hist(x,?bins?=?25,?range?=?(12,?18),?color?=?'royalblue',?orientation='horizontal',?label?=?r'$\mu?=?15,?\sigma?=?2$')
plt.legend()

plt.savefig('hist4.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

如果要顯示每個(gè)直方圖的邊框，可以使用下面的參數(shù)。

edgecolor?=?'k'

將直方圖邊框設(shè)為黑色，如 圖26 所示：

創(chuàng)建 圖26 的完整代碼如下：

N?=?1000

np.random.seed(10021)
x?=?np.random.randn(N)?*?2?+?15

plt.figure(figsize=(9,?6))
plt.hist(x,?bins?=?25,?range?=?(12,?18),?color?=?'royalblue',?orientation='horizontal',??edgecolor='k',?label?=?r'$\mu?=?15,?\sigma?=?2$')
plt.legend()

plt.savefig('hist5.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

重疊的直方圖

可以在一個(gè)圖中顯示許多個(gè)直方圖，如 圖27 所示：

在 圖27 中，生成了三個(gè)正態(tài)分布，分別具有不同的 mu 和 sigma ，代碼如下：

N?=?1000

mu1?=?5
mu2?=?10
mu3?=?15

sigma1?=?5
sigma2?=?3
sigma3?=?2

x1?=?np.random.randn(N)?*?sigma1?+?mu1
x2?=?np.random.randn(N)?*?sigma2?+?mu2
x3?=?np.random.randn(N)?*?sigma3?+?mu3

plt.figure(figsize=(9,?6))

plt.hist(x1,?bins?=?30,?color?=?'royalblue',?label?=?r'$\mu?=?$?'?+?str(mu1)?+?',?$\sigma?=?$?'?+?str(sigma1))
plt.hist(x2,?bins?=?30,?color?=?'tomato',?label?=?r'$\mu?=?$?'?+?str(mu2)?+?',?$\sigma?=?$?'?+?str(sigma2))
plt.hist(x3,?bins?=?30,?color?=?'gray',?label?=?r'$\mu?=?$?'?+?str(mu3)?+?',?$\sigma?=?$?'?+?str(sigma3))
plt.legend()

plt.savefig('hist6.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

可以通過(guò)更改直方圖的透明度使其更美觀，如 圖28 所示：

創(chuàng)建 圖28 的完整代碼如下，與之前的代碼的不同之處，在于增加了 alpha 參數(shù)：

N?=?1000

mu1?=?5
mu2?=?10
mu3?=?15

sigma1?=?5
sigma2?=?3
sigma3?=?2

x1?=?np.random.randn(N)?*?sigma1?+?mu1
x2?=?np.random.randn(N)?*?sigma2?+?mu2
x3?=?np.random.randn(N)?*?sigma3?+?mu3

plt.figure(figsize=(9,?6))

plt.hist(x1,?bins?=?30,?color?=?'royalblue',?label?=?r'$\mu?=?$?'?+?str(mu1)?+?',?$\sigma?=?$?'?+?str(sigma1),?alpha?=?.7)
plt.hist(x2,?bins?=?30,?color?=?'tomato',?label?=?r'$\mu?=?$?'?+?str(mu2)?+?',?$\sigma?=?$?'?+?str(sigma2),?alpha?=?.7)
plt.hist(x3,?bins?=?30,?color?=?'gray',?label?=?r'$\mu?=?$?'?+?str(mu3)?+?',?$\sigma?=?$?'?+?str(sigma3),?alpha?=?.7)
plt.legend()

plt.savefig('hist7.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

還可以使用循環(huán)生成 圖28，如代碼所示：

N?=?1000

mu1?=?5
mu2?=?10
mu3?=?15

sigma1?=?5
sigma2?=?3
sigma3?=?2

x1?=?np.random.randn(N)?*?sigma1?+?mu1
x2?=?np.random.randn(N)?*?sigma2?+?mu2
x3?=?np.random.randn(N)?*?sigma3?+?mu3

mu?=?np.array([mu1,?mu2,?mu3])
sigma?=?np.array([sigma1,?sigma2,?sigma3])
x?=?np.array([x1,?x2,?x3])
colors?=?['royalblue',?'tomato',?'gray']

plt.figure(figsize=(9,?6))

for?i?in?range(len(x)):
????plt.hist(x[i],?bins?=?30,?color?=?colors[i],?
?????????????label?=?r'$\mu?=?$?'?+?str(mu[i])?+?
?????????????',?$\sigma?=?$?'?+?str(sigma[i]),?alpha?=?.7)

plt.legend()

看完上面的代碼后，也許你想試試，在單個(gè)圖形中創(chuàng)建很多直方圖（超過(guò) 3 個(gè)）。下面這個(gè)是在單個(gè)圖形中創(chuàng)建和可視化 10 個(gè)直方圖的代碼：

N_func?=?10
N_data?=?1000

np.random.seed(1000)

mu?=?np.random.randint(low?=?-5,?high?=?5,?size?=?N_func)
sigma?=?np.random.randint(low?=?1,?high?=?5,?size?=?N_func)

x?=?[]
for?i?in?range(len(mu)):
????xi?=?np.random.randn(N_data)?*?sigma[i]?+?mu[i]
????x.append(xi)?

colors?=?['#00429d',?'#7f40a2',?'#a653a1',?'#c76a9f',?'#e4849c',?'#d0e848',?
??????????'#b6cf54',?'#a9b356',?'#b2914b',?'#ff0001']
????
plt.figure(figsize=(9,?6))

for?i?in?range(len(mu)):
????plt.hist(x[i],?bins?=?30,?color?=?colors[i],?label?=?r'$\mu?=?$?'?+?str(mu[i])?+?',?$\sigma?=?$?'?+?str(sigma[i]),?alpha?=?.7)

plt.legend(bbox_to_anchor=(1.33,?1.03))

運(yùn)行代碼后，結(jié)果如 圖29 所示：

顏色的選擇參考以下鏈接：https://gka.github.io/palettes/

生成調(diào)色板的詳細(xì)過(guò)程可以參考以下內(nèi)容：https://towardsdatascience.com/create-professional-plots-using-matplotlib-63a6863b7363

二維直方圖

可以使用 Matplotlib 生成 2D 直方圖，如 圖30 所示。

要?jiǎng)?chuàng)建 圖30，需要使用以下代碼生成 2 個(gè)正態(tài)分布。

N?=?1_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

要在 2D 直方圖中可視化變量 x 和 y ，可以使用以下代碼：

plt.hist2d(x,?y)

與一維直方圖一樣，Matplotlib 中 bins 的默認(rèn)值為 10 。要對(duì)其進(jìn)行更改，可以應(yīng)用與一維直方圖中相同的參數(shù)，如下面的代碼所示：

bins?=?(25,?25)

可以在 圖31 中看到二維直方圖的修改效果：

還可以使用下面的參數(shù)更改二維直方圖的顏色圖：

cmap?=?orange_blue

我想將 Viridis 的顏色圖（ Matplotlib 中的默認(rèn)顏色圖）更改為自己的名為 orange_blue 的顏色圖。我已在上文中說(shuō)明了如何創(chuàng)建自己的顏色圖。

以下是修改了顏色圖后的完整代碼：

from?matplotlib?import?cm
from?matplotlib.colors?import?ListedColormap,?LinearSegmentedColormap

top?=?cm.get_cmap('Oranges_r',?128)
bottom?=?cm.get_cmap('Blues',?128)

newcolors?=?np.vstack((top(np.linspace(0,?1,?128)),
???????????????????????bottom(np.linspace(0,?1,?128))))
orange_blue?=?ListedColormap(newcolors,?name='OrangeBlue')

N?=?10_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

plt.figure(figsize=(8.5,?7))
plt.hist2d(x,?y,?bins=(75,?75),?cmap?=?orange_blue)
cb?=?plt.colorbar()
cb.set_label('counts?each?bin',?labelpad?=?10)

plt.savefig('hist12.png',?dpi?=?300,?bbox_inches?=?'tight',?facecolor='w')

運(yùn)行上述代碼，結(jié)果如 圖32 所示：

同樣的，可以通過(guò)設(shè)置參數(shù)應(yīng)用于 plt.hist2d（） 來(lái)限制每個(gè)計(jì)數(shù)的范圍（更改顏色條的限制）。

cmin?=?5,?cmax?=?25

以下是完整的代碼：

N?=?10_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

plt.figure(figsize=(8.5,?7))
plt.hist2d(x,?y,?bins=(75,?75),?cmap?=?'jet',?cmin?=?5,?cmax?=?25)
cb?=?plt.colorbar()
cb.set_label('counts?each?bin',?labelpad?=?10)

這里使用 “jet” 顏色圖，顏色條的下限等于 5 ，上限為 25 。結(jié)果如 圖33 所示：

還可以嘗試使用以下代碼將生成的隨機(jī)數(shù)計(jì)數(shù)從 10000 更改為 100000 。

N?=?100_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

plt.figure(figsize=(8.5,?7))
plt.hist2d(x,?y,?bins=(75,?75),?cmap?=?'Spectral')
cb?=?plt.colorbar()
cb.set_label('counts?each?bin',?labelpad?=?10)

結(jié)果如 圖34 所示：

圖34 在 0 處達(dá)到峰值，在 -1 到 1 處分布，因?yàn)闆]有改變 mu 和 sigma 的值。

邊際圖（Marginal plot）

「Python數(shù)據(jù)之道」注：邊際圖（Marginal plot），在有些地方也成為 聯(lián)合分布圖 （Joint plot）。

這里將介紹如何創(chuàng)建邊際分布，如 圖35 所示：

圖35 由散點(diǎn)圖和 2 個(gè)直方圖構(gòu)建。要?jiǎng)?chuàng)建它，需要了解如何在單個(gè)圖形中自定義子圖或軸。圖35 由 25 個(gè)軸（ 5 列 5 行）構(gòu)成。詳細(xì)信息如 圖36 所示。

可以使用以下代碼創(chuàng)建 圖36 ：

你可能需要閱讀下面的內(nèi)容，才能更好的理解：https://towardsdatascience.com/customizing-multiple-subplots-in-matplotlib-a3e1c2e099bc

rows?=?5
columns?=?5

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.4,?hspace?=?.4)

plt.figure(figsize=(10,?10))

for?i?in?range(rows?*?columns):
????plt.subplot(grid[i])???
????plt.annotate('grid?'+?str(i),?xy?=?(.5,?.5),?ha?=?'center',?
?????????????????va?=?'center')

for?i?in?range(rows):
????exec?(f"plt.subplot(grid[{i},?0])")
????plt.ylabel('rows?'?+?str(i),?labelpad?=?15)

for?i?in?range(columns):
????exec?(f"plt.subplot(grid[-1,?{i}])")
????plt.xlabel('column?'?+?str(i),?labelpad?=?15)

圖35 顯示了 圖36 的轉(zhuǎn)換。這里將 圖36 中的一些網(wǎng)格合并為僅 3 個(gè)較大的網(wǎng)格。第一個(gè)網(wǎng)格將網(wǎng)格0 合并到網(wǎng)格3（行1 ，列0 到列 ）。我將用直方圖填充第一個(gè)網(wǎng)格。第二個(gè)網(wǎng)格合并從第 1 行到第 4 行以及從第 0 列到第 3 列的 16 個(gè)網(wǎng)格。最后一個(gè)網(wǎng)格是通過(guò)合并網(wǎng)格9、14、19 和 24（行1、2、3、4和列4）構(gòu)建的。

要?jiǎng)?chuàng)建第一個(gè)網(wǎng)格，可以使用以下代碼：

rows?=?5
columns?=?5
grid?=?plt.GridSpec(rows,?columns,?wspace?=?.4,?hspace?=?.4)

plt.figure(figsize=(10,?10))

plt.subplot(grid[0,?0:-1])

之后，添加以下代碼以插入一維直方圖：

plt.hist(x,?bins?=?30,?color?=?'royalblue',?alpha?=?.7)

要?jiǎng)?chuàng)建第二個(gè)網(wǎng)格，可以將以下代碼添加到上面的代碼中：

plt.subplot(grid[1:rows+1,?0:-1])

添加下面的代碼以在第二個(gè)網(wǎng)格中生成散點(diǎn)圖：

plt.scatter(x,?y,?color?=?'royalblue',?s?=?10)
plt.axis('equal')

以下是生成第三個(gè)網(wǎng)格及其直方圖的代碼，需要將下面的代碼插入第一個(gè)網(wǎng)格代碼中：

plt.subplot(grid[1:rows+1,?-1])
plt.hist(y,?bins?=?30,?orientation='horizontal',?
?????????color?=?'royalblue',?alpha?=?.7)

合并上面的代碼，完整的代碼如下：

N?=?10_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

rows?=?5
columns?=?5

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.4,?hspace?=?.4)

plt.figure(figsize=(10,?10))

plt.subplot(grid[0,?0:-1])
plt.hist(x,?bins?=?30,?color?=?'royalblue',?alpha?=?.7)

plt.subplot(grid[1:rows+1,?0:-1])
plt.scatter(x,?y,?color?=?'royalblue',?s?=?10)
plt.axis('equal')

plt.subplot(grid[1:rows+1,?-1])
plt.hist(y,?bins?=?30,?orientation='horizontal',?color?=?'royalblue',?alpha?=?.7)

接下來(lái)，將使用二維直方圖更改第二個(gè)網(wǎng)格中的散點(diǎn)圖，如 圖37 所示：

創(chuàng)建 圖37 的完整代碼如下：

N?=?10_000

np.random.seed(100)
x?=?np.random.randn(N)
y?=?np.random.randn(N)

rows?=?5
columns?=?5

grid?=?plt.GridSpec(rows,?columns,?wspace?=?.4,?hspace?=?.4)

plt.figure(figsize=(10,?10))

plt.subplot(grid[0,?0:-1])
plt.hist(x,?bins?=?40,?color?=?'royalblue',?alpha?=?.3)
plt.annotate('Normal?1',?xy?=?(2,?500),?va?=?'center',?ha?=?'left')

plt.subplot(grid[1:rows+1,?0:-1])
plt.hist2d(x,?y,?cmap?=?'Blues',?bins?=?(40,?40))
plt.axis('equal')

plt.subplot(grid[1:rows+1,?-1])
plt.hist(y,?bins?=?40,?orientation='horizontal',?color?=?'royalblue',?alpha?=?.3)
plt.annotate('Normal?2',?xy?=?(500,?2),?va?=?'bottom',?ha?=?'center',?rotation?=?-90)

「Python數(shù)據(jù)之道」注：使用 Matplotlib 來(lái)創(chuàng)建邊際圖，相對(duì)來(lái)說(shuō)比較繁瑣些，建議可以使用 seaborn 來(lái)創(chuàng)建 聯(lián)合分布圖 （Joint plot），其效果是差不多的。

可以參考下面文章：

• 輕松用Seaborn進(jìn)行數(shù)據(jù)可視化

04. 條形圖（Bar chart）

如果想用條形圖可視化數(shù)據(jù)，在 Matplotlib 中創(chuàng)建條形圖之前，先創(chuàng)建要顯示的模擬數(shù)據(jù)。比如在數(shù)學(xué)考試成績(jī)中創(chuàng)建六個(gè)人的數(shù)據(jù)，要?jiǎng)?chuàng)建它，使用以下代碼。

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']

np.random.seed(100)
N?=?len(name)
math?=?np.random.randint(60,?100,?N)

生成的數(shù)學(xué)考試成績(jī)從 60 到 100 ，代碼如下：

plt.bar(name,?math,?alpha?=?.7)

添加一些信息之后，生成了一個(gè)條形圖，如 圖38 所示：

創(chuàng)建 圖38 的完整代碼如下：

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']

np.random.seed(100)

N?=?len(name)
math?=?np.random.randint(60,?100,?N)

plt.figure(figsize=(9,?6))

plt.bar(name,?math,?alpha?=?.7)

plt.ylabel('Math?Exam')

之后，使用以下代碼為物理、生物學(xué)和化學(xué)考試成績(jī)創(chuàng)建了更多模擬數(shù)據(jù)。

np.random.seed(100)

N?=?len(name)

math?=?np.random.randint(60,?100,?N)
physics?=?np.random.randint(60,?100,?N)
biology?=?np.random.randint(60,?100,?N)
chemistry?=?np.random.randint(60,?100,?N)

也可以使用 Pandas 創(chuàng)建一個(gè)表（在 Python 中，我們稱為 DataFrame ）。從模擬數(shù)據(jù)創(chuàng)建的 DataFrame 如 圖39 所示：

默認(rèn)情況下，這里沒有顯示有關(guān)如何創(chuàng)建 DataFrame 的代碼。

然后，將其可視化，如 圖40 所示：

創(chuàng)建 圖40 的代碼如下：

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']

np.random.seed(100)

N?=?len(name)
math?=?np.random.randint(60,?100,?N)
physics?=?np.random.randint(60,?100,?N)
biology?=?np.random.randint(60,?100,?N)
chemistry?=?np.random.randint(60,?100,?N)

rows?=?2
columns?=?2

plt.figure(figsize=(12,?8))
grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

plt.subplot(grid[0])
plt.bar(name,?math,?alpha?=?.7)
plt.ylabel('Math?Exam')
plt.ylim(60,?100)

plt.subplot(grid[1])
plt.bar(name,?physics,?alpha?=?.7)
plt.ylabel('Physics?Exam')
plt.ylim(60,?100)

plt.subplot(grid[2])
plt.bar(name,?biology,?alpha?=?.7)
plt.ylabel('Biology?Exam')
plt.ylim(60,?100)

plt.subplot(grid[3])
plt.bar(name,?chemistry,?alpha?=?.7)
plt.ylabel('Chemistry?Exam')
plt.ylim(60,?100)

或使用下面的代碼（如果要使用循環(huán)）：

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']
course_name?=?['Math',?'Physics',?'Biology',?'Chemistry']

N?=?len(name)
rows?=?2
columns?=?2

plt.figure(figsize=(12,?8))
grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

for?i?in?range(len(course_name)):
????np.random.seed(100)
????course?=?np.random.randint(60,?100,?N)
????plt.subplot(grid[i])
????plt.bar(name,?course,?alpha?=?.7)
????plt.ylabel(course_name[i]?+?'?Exam')
????plt.ylim(60,?100)

水平條形圖

可以使用下面的代碼來(lái)創(chuàng)建水平條形圖。

想以水平條形圖和各種顏色呈現(xiàn) 圖40，以下是生成它的完整代碼：

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']
course_name?=?['Math',?'Physics',?'Biology',?'Chemistry']

colors?=?['#00429d',?'#7f40a2',?'#a653a1',?'#c76a9f',?
??????????'#e4849c',?'#d0e848']

N?=?len(name)

rows?=?2
columns?=?2

plt.figure(figsize=(12,?8))
grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)

for?i?in?range(len(course_name)):
????np.random.seed(100)
????course?=?np.random.randint(60,?100,?N)
????plt.subplot(grid[i])
????plt.barh(name,?course,?color?=?colors)
????plt.xlabel(course_name[i]?+?'?Exam')
????plt.xlim(60,?100)
????plt.gca().invert_yaxis()

運(yùn)行上面的代碼后，將獲得結(jié)果，如 圖41 所示：

可以使用以下參數(shù)在水平條形圖中插入誤差線：

N?=?len(name)
noise?=?np.random.randint(1,?3,?N)

plt.barh(name,?course,?xerr?=?noise)

這里使用 1 到 3 之間的整數(shù)隨機(jī)數(shù)創(chuàng)建了誤差，如變量 noise 中所述。在為水平條形圖添加一些元素之后，將其顯示出來(lái)，如 圖42 所示：

創(chuàng)建 圖42 的代碼如下：

name?=?['Adam',?'Barry',?'Corbin',?'Doe',?'Evans',?'Frans']
course_name?=?['Math',?'Physics',?'Biology',?'Chemistry']

N?=?len(name)
rows?=?2
columns?=?2

plt.figure(figsize=(12,?8))
grid?=?plt.GridSpec(rows,?columns,?wspace?=?.25,?hspace?=?.25)
np.random.seed(100)

for?i?in?range(len(course_name)):
????course?=?np.random.randint(60,?95,?N)
????noise?=?np.random.randint(1,?3,?N)
????plt.subplot(grid[i])
????plt.barh(name,?course,?color?=?colors,?xerr?=?noise,?
?????????????ecolor?=?'k')
????plt.xlabel(course_name[i]?+?'?Exam')
????plt.xlim(60,?100)
????plt.gca().invert_yaxis()

也許已意識(shí)到模擬數(shù)據(jù)不是真實(shí)的，但是，我認(rèn)為這仍然是理解 Matplotlib 中條形圖的一個(gè)很好的例子。

總結(jié)

本文是 Matplotlib 可視化介紹的第 1 部分。本文僅涵蓋 Matplotlib 介紹 11 個(gè)部分中的4個(gè)部分，包括散點(diǎn)圖，折線圖，直方圖和條形圖。在后續(xù)內(nèi)容中，我將展示如何創(chuàng)建箱形圖，小提琴圖，餅圖，極坐標(biāo)圖，地理投影，3D圖和輪廓圖的教程。

原文來(lái)源：

https://towardsdatascience.com/visualizations-with-matplotlib-part-1-c9651008b6b8