【数据可视化包Matplotlib】Matplotlib基本绘图方法

目录

    • 一、Matplotlib绘图的基本流程
      • (一)最简单的绘图(仅指定y的值)
      • (二)更一般的绘图(同时指定x和y的值)
      • (三)增加更多的绘图元素
    • 二、布局相关的对象——Figure、Subplot
    • 三、常用图形绘制
      • (一)折线图
      • (二)柱状图
      • (三)直方图
      • (四)饼图
      • (五)散点图
      • (六)箱线图


一、Matplotlib绘图的基本流程

根据 Matplotlib 图像的4层图像结构,pyplot 模块绘制图形基本都遵循一个流程,使用这个流程可以完成大部分图形的绘制。pyplot 模块基本绘图流程主要分为3个部分,如下图所示。

在这里插入图片描述

  • 创建画布:plt.figure()
  • 创建和选定子图:plt.subplots()
  • 添加标题:plt.title()
  • 添加x/y轴名称:plt.xlabel()、plt.ylabel()
  • 设置x/y轴范围:plt.xlim()、plt.ylim()
  • 设置x/y轴范围:plt.xticks()、plt.yticks()
  • 绘制图形:折线图—plot()、柱状图—bar()、饼图—pie()、散点图—scatter()、箱型图—boxplot()
  • 添加图例:plt.legend()
  • 保存图形:plt.savefig()
  • 显示图形:plt.show()——一般放在最后

在 Jupyter Notebook 中运行时需要加上下面这条魔法命令。

%matplotlib inline  
import numpy as np
import matplotlib.pyplot as plt

(一)最简单的绘图(仅指定y的值)

marker参数观察可知,绘图时使用列表的索引(0、1、2)作为x值,用列表值作为对应的y值(需要取消下一句的注释!)。

plt.plot([1,2,3])
# plt.plot([1,2,3],marker="o")

在这里插入图片描述

(二)更一般的绘图(同时指定x和y的值)

x = np.linspace(-2, 2, 20)    # 产生20个坐标点的横坐标
y = x**2                      # 产生20个坐标点的纵坐标
# 最简单的绘图
plt.rcParams['axes.unicode_minus']= False    # 解决不显示负号的问题
plt.plot(x, y)    # 默认不突出显示坐标点,坐标点之间用蓝色实线连接
plt.show()        # 调用show()函数才真正显示图形

在这里插入图片描述

x = np.linspace(-2, 2, 20)     # 产生20个坐标点的横坐标
y = x**2                       # 产生20个坐标点的纵坐标
px = 0.8                       # 靓点(Beautiful point)之横坐标
py = px**2                     # 靓点之横坐标

plt.title("Square function")   # 图表标题
plt.xlabel("x")                # x轴标签
plt.ylabel("y = x**2")         # y轴标签
plt.grid(True)                 # 显示网格线

plt.plot(x, y, "b*-.", px, py, "ro")    # 同时指定连接线和坐标点的样式、颜色

# 添加文本说明,前两个参数表示第一个字符的横纵坐标,第3个参数是文本字符串。
# 字符串中的 $y=x^2$ 是Latex的等式表示形式
plt.text(0, 2, "Square function\n$y = x^2$", fontsize=20, color='blue', horizontalalignment="center")
plt.text(px - 0.08, py, "Beautiful point", ha="right", weight="heavy")    # ha即horizontalalignment
plt.text(px, py, "x = %0.2f\ny = %0.2f"%(px, py), rotation=50, color='gray')

plt.savefig("my_plot1.png")    # 在当前目录下保存所绘制的图形
plt.show()

在这里插入图片描述

(三)增加更多的绘图元素

x = np.linspace(0,2*np.pi,13)    # 数据点以pi/6(30度)作为分隔间距
y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x,y1,marker='^',color='r',label="sin(x)")    # 默认线型是实线
plt.plot(x,y2,marker='o',color='g',linestyle='-.',label="cos(x)")   # label参数和plt.legend()配合实现图例显示
plt.xlim(0,2*np.pi)    # 设定x轴的取值范围
plt.ylim(-1,1)
plt.xlabel("x")    # 设定x轴的标签
plt.ylabel("y")
plt.title("y=sin(x)/cos(x)")
# 设定x轴的刻度,下一条语句可以注释对比一下效果,
# 其中x[::3]的3表示经过3个数据点加一个标签,可以改成1看的更明显
plt.xticks(x[::3],["0",r"$\pi/2$",r"$\pi$",r"$3\pi/2$",r"$2\pi$"],color='b')   # "$\pi/2$"属于Latex表示法
plt.grid(axis='x',ls='--')
plt.legend()
plt.show()

在这里插入图片描述

二、布局相关的对象——Figure、Subplot

# 创建自己的Figure对象,相当于自定义画布
#(通过注释下条语句,观察使用自己的Figure对象的效果)
fig = plt.figure(figsize=(12,8))    # 指定画板的宽和高分别为12英寸和8英寸
# 上面语句可省略,如果省略就是使用系统内部默认的figure()对象

# 运行配置(run configuration)参数设置
plt.rcParams['font.sans-serif']=['SimHei']    # 在matplotlib中显示汉字
plt.rcParams['axes.unicode_minus']=False      # 用来正常显示负号,否则负号会显示为小方框

# 绘制子图
x = np.linspace(-2, 2, 30)
plt.subplot(2, 2, 1)    # 2 rows, 2 columns, 1st subplot = top left
plt.plot(x, x)
plt.subplot(2, 2, 2)    # 2 rows, 2 columns, 2nd subplot = top right
plt.plot(x, x**2)
plt.subplot(2, 1, 2)    # 2 rows, *1* column, 2nd subplot = bottom
plt.plot(x, x**3)
plt.text(0,-5,"看成按照2行1列重新划分的第2个子图",ha="center",color="red") # ha:horizontal align(水平对齐)
plt.show()

在这里插入图片描述

三、常用图形绘制

(一)折线图

一般绘制较多的的都是折线图,反映一个特征随另一个特征的趋势变化。

rad = np.arange(0,np.pi*2,0.01)
plt.title("y=sin(x)",fontsize=12)
plt.xlabel("rad",fontsize=12)
plt.ylabel("value",fontsize=12)
plt.xlim((0,np.pi*2))
plt.ylim((-1,1))
plt.xticks([0,np.pi/2,np.pi,np.pi*3/2,np.pi*2])
plt.yticks([-1,-0.5,0,0.5,1])
plt.grid(True)
plt.plot(rad,np.sin(rad))
plt.show()

在这里插入图片描述

# 带子图的折线图
x = np.array([1,2,3])
plt.subplot(221)
plt.plot(x,x,marker="o")
plt.text(1.5,2.6,"y=x",fontsize=12)
plt.subplot(222)
plt.plot(x,-x,"-*r")
plt.text(2.5,-1.3,"y=-x",fontsize=12)
plt.subplot(223)
plt.plot(x,x**2,"-.+g")
plt.text(1.5,6.0,"y=x**2",fontsize=12)
plt.subplot(224)
plt.plot(x,np.sin(x),"--^y")
plt.text(1.5,0.6,"y=sin(x)",fontsize=12)
plt.show()

在这里插入图片描述

(二)柱状图

绘制柱状图,比较值大小。

position = np.arange(5)    # 确定每个柱的垂直中线位置,相当于x轴坐标
data1 = [2,10,4,8,6]       # 确定每个柱的高度,相当于y轴坐标
data2 = np.random.randint(1,9,5)#[5,3,6,7,6]
plt.bar(position,data1)
plt.bar(position,-data2)

for x, y in zip(position, data1):    # 显示数据标签
    plt.text(x, y, '{}'.format(y), ha='center', va='bottom',fontsize=11,color='r')
    # va='bottom'表示文本的底部在(x,y)处,还可以取top和center值
for x, y in zip(position, data2):    # 显示数据标签
    plt.text(x, -y, '{}'.format(y), ha='center', va='top',fontsize=11,color='r')
plt.show()

在这里插入图片描述

(三)直方图

绘制直方图,反映数据分布。

x = [22,87,5,43,56,73,55,54,11,20,51,5,79,31,27]	# x轴数据
plt.hist(x, bins = [0,25,50,75,100])				# 绘制直方图,bins为区间
plt.show()										    # 显示图表

在这里插入图片描述

进一步拓展。

df = pd.read_excel('grade1.xls')		# 读取Excel文件
plt.rcParams['font.sans-serif']=['SimHei']			# 解决中文乱码
x = df['得分']										# x轴数据
plt.xlabel('分数')									# x轴标题
plt.ylabel('学生数量')								# y轴标题
plt.title("高一数学成绩分布直方图")					# 设置图表标题
# 绘制直方图,bins为区间,facecolor为前景色,edgecolor为边框颜色,alpha为透明度
plt.hist(x, bins = [0,25,50,75,100,125,150],facecolor="blue", edgecolor="black", alpha=0.7)
plt.show()										# 显示图表

在这里插入图片描述

(四)饼图

绘制饼图,展示整体的构成情况。

x = [2,4,6,8]

labels = ['a','b','c','d']    # 各部分的标签
colors = ['r','y','b','g']    # 各部分的颜色

explode = (0,0.1,0,0)    # explode用于突出显示特定的部分
# explode=(0.1,0.3,0.1,0.1) 

plt.pie(x,explode=explode,labels=labels,colors=colors,autopct='%.1f%%')  # pct表示percent,%%用于输出一个百分号
plt.axis("equal")    ##使饼图两个轴的单位长度相等,从而使得饼图接近圆形
plt.show()

在这里插入图片描述

(五)散点图

绘制散点图,展示数据聚集模式、观察两个一维数据序列间的关系。

# 基本的常用于线性回归分析中
np.random.seed(0)   # 作用相当于random.seed(),但它返回一个伪随机数生成器对象,可用该对象生成随机数
x = np.linspace(0,1,100)
y = x+np.random.randn(100)
plt.scatter(x,y)
plt.plot(x,x)
plt.show()

在这里插入图片描述

rd = np.random.RandomState(0)   # 作用相当于random.seed(),但它返回一个伪随机数生成器对象,可用该对象生成随机数
x = rd.randn(100)
y = rd.randn(100)

colors = rd.rand(100)
sizes = 1000*rd.rand(100)
# 画散点图最重要的5个参数:x-横坐标,y-纵坐标,c-颜色(要求是0~1范围内的浮点值),s-点大小(像素),alpha-透明度
# 当颜色和尺寸使用数组时,常用来表示不同的类别;cmap用来指定颜色的风格,viridis表示翠绿色
plt.scatter(x,y,c=colors,s=sizes,alpha=0.3,cmap='viridis')
plt.colorbar()    # 显示颜色条
plt.show()

在这里插入图片描述

(六)箱线图

使用箱线图,常用于检测与处理异常值。

import pandas as pd
import matplotlib.pyplot as plt

数据集meal_order_detail.xlsx下载地址:下载meal_order_detail.xlsx

data = pd.read_excel('meal_order_detail.xlsx')
data.head()

在这里插入图片描述

完整数据框如下:

detail_idorder_iddishes_idlogicprn_nameparent_class_namedishes_nameitemis_addcountsamountscostplace_order_timediscount_amtdiscount_reasonkick_backadd_inpriceadd_infobar_codepicture_fileemp_id
02956417610062NaNNaN蒜蓉生蚝0149NaN2016-08-01 11:05:00NaNNaNNaN0NaNNaNcaipu/104001.jpg1442
12958417609957NaNNaN蒙古烤羊腿0148NaN2016-08-01 11:07:00NaNNaNNaN0NaNNaNcaipu/202003.jpg1442
22961417609950NaNNaN大蒜苋菜0130NaN2016-08-01 11:07:00NaNNaNNaN0NaNNaNcaipu/303001.jpg1442
32966417610038NaNNaN芝麻烤紫菜0125NaN2016-08-01 11:11:00NaNNaNNaN0NaNNaNcaipu/105002.jpg1442
42968417610003NaNNaN蒜香包0113NaN2016-08-01 11:11:00NaNNaNNaN0NaNNaNcaipu/503002.jpg1442
plt.boxplot(data['amounts'])
# plt.boxplot(data['amounts'],vert=False)     # vert=False设置水平显示箱形图
plt.show()

在这里插入图片描述

检测与处理异常值

箱型图提供了识别异常值的一个标准,即异常值通常被定义为小于 QL-1.5IQR 或大于 QU+1.5IQR 的值。

  • QL称为下四分位数,表示全部观察值中有四分之一的数据取值比它小。
  • QU称为上四分位数,表示全部观察值中有四分之一的数据取值比它大。
  • IQR称为四分位数间距,是上四分位数QU与下四分位数QL之差,其间包含了全部观察值的一半。

箱线图依据实际数据绘制,真实、直观地表现出了数据分布的本来面貌,且没有对数据做任何限制性要求,其判断异常值的标准以四分位数和四分位数间距为基础。

四分位数给出了数据分布的中心、散布和形状的某种指示,具有一定的鲁棒性,即25%的数据可以变得任意远而不会很大地扰动四分位数,所以异常值通常不能对这个标准施加影响。鉴于此,箱线图识别异常值的结果比较客观,因此在识别异常值方面具有一定的优越性。

3 σ 3\sigma 3σ 原则又称为拉依达法则。该法则就是先假设一组检测数据只含有随机误差,对原始数据进行计算处理得到标准差,然后按一定的概率确定一个区间,认为误差超过这个区间的就属于异常值。

这种判别处理方法仅适用于对正态或近似正态分布的样本数据进行处理,如下表所示,其中 σ \sigma σ 代表标准差, μ \mu μ 代表均值, x = μ x=\mu x=μ 为图形的对称轴。数据的数值分布几乎全部集中在区间 ( μ − 3 , μ + 3 ) (\mu-3,\mu+3) (μ3,μ+3) 内,超出这个范围的数据仅占不到 0.3 % 0.3\% 0.3%。故根据小概率原理,可以认为超出 3 σ 3\sigma 3σ 的部分数据为异常数据。

在这里插入图片描述

# 自定义函数用于将数据中的异常值替换为缺失值
def replace(x):
    import numpy as np
    QU = x.quantile(0.75)
    QL = x.quantile(0.25)
    IQR = QU -QL
    x[(x > (QU + 1.5*IQR)) | (x < (QL - 1.5*IQR))] = np.nan
    return x
data['amounts'].isnull().sum()
0
replace(data['amounts']).isnull().sum()
C:\Users\Administrator\Anaconda3\lib\site-packages\ipykernel_launcher.py:7: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
  import sys





173

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/536341.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

linux文件访问权限理解

目录 一&#xff0c;涉及指令: 二&#xff0c;权限的表示 三&#xff0c;权限命令使用 一&#xff0c;涉及指令: umask chmod chown/chgrp 二&#xff0c;权限的表示 rwx rwx r-x含义: 访问方式: r-可读;w-可写&#xff1b;x-可执行&#xff1b; 访问用户:u-所有者;…

02.cesium中模型和图标加载处理

展示效果&#xff0c;我们期待图标点是根据模型&#xff0c;在模型的上方展示 实现思路&#xff1a; 1.在二维地图和三维地图的加载的高度计算不同&#xff0c;需要判断 2.创建一个BillboardCollection&#xff0c;用来存放图标 3.在三维地图中调用getPointPostion方法&#xf…

314_C++_QT表格的撤销、恢复,可对多行、多item进行撤销、恢复操作

行–删除后的,撤销、恢复图示: 原图示 删除后 撤销操作 恢复操作 item修改后的撤销、恢复 原item 撤销修改 恢复修改 代码: --</

Python八股文:基础知识Part1

1. 不用中间变量交换 a 和 b 这是python非常方便的一个功能可以这样直接交换两个值 2. 可变数据类型字典在for 循环中进行修改 这道题在这里就是让我们去回答输出的内容&#xff0c;这里看似我们是在for循环中每一次加入了都在list中加入了一个字典&#xff0c;然后字典的键值…

神经网络模型底层原理与实现8-BERT

首先介绍什么是自监督学习&#xff1a; 普通的有监督学习是每个x对应有个y&#xff0c;x训练得到y&#xff0c;将y与y作比较&#xff0c;而自监督是没有对应y&#xff0c;直接把一部分样本x作为训练目标x&#xff0c;训练得x后和x对比 bert中如何创造x&#xff1a;以文字处理为…

基于SSM“口腔助手”小程序

采用技术 基于SSM“口腔助手”小程序的设计与实现~ 开发语言&#xff1a;Java 数据库&#xff1a;MySQL 技术&#xff1a;SpringMVCMyBatis 工具&#xff1a;IDEA/Ecilpse、Navicat、Maven 页面展示效果 小程序前台首页 注册 保健知识 我的 医生登录成功 后台管理员 …

C#如何用NPOI创建、读取、更新Excel文件

一.获取引用NPOI VS2017&#xff0c;通过Nuget工具包下载NPOI到指定的项目中&#xff0c;如下 二.添加如下命名空间,其中HSSF是操作*.xls文件&#xff0c;XSSF操作*.xlsx文件. using NPOI; using NPOI.SS.UserModel; using NPOI.XSSF.UserModel; using NPOI.HSSF.UserModel; …

【LeetCode】单调栈类题目详解

所有题目均来自于LeetCode&#xff0c;刷题代码使用的Python3版本 单调栈 通常针对一维数组的问题&#xff0c;如果需要寻找一个元素右边或者左边第一个比自己大或者小的元素的位置&#xff0c;就可以使用单调栈&#xff0c;时间复杂度为O(n) 单调栈的本质是空间换时间&#…

泽众Testone自动化测试平台,测试用例支持单个调试执行,同步查看执行日志

泽众Testone自动化测试平台之前版本&#xff0c;测试用例批量和单个执行&#xff0c;必须要通过测试集操作执行&#xff0c;操作略繁琐&#xff0c;我们通过本轮优化升级&#xff0c;测试用例直接可以单个调试执行&#xff0c;同步查看执行日志&#xff0c;操作上去繁就简&…

新能源汽车“价格战”之后,充电桩主板市场将会怎样?

2024年2月底&#xff0c;国内新能源汽车市场开启了一场前所未有的“价格战”↓ 比亚迪率先抛出“王炸”车型——秦PLUS荣耀版和驱逐舰05荣耀版&#xff0c;起售价低至7.98万元&#xff0c;打响了价格战的“第一枪”&#xff0c;引爆了平静的汽车市场。 “电比油低”就此拉开序…

常用API时间Arrays

常用API MATH 代表数学&#xff0c;是一个工具类&#xff0c;里面提供的都是对数据进行操作的一些静态方法。 方法名说明public static int abs(int a)获取参数绝对值public static double ceil(double a)向上取整public static double floor(double a)向下取整public stati…

Python零基础从小白打怪升级中~~~~~~~模块+异常+Pycharm的debug调试

第十节&#xff1a;模块异常Debug 一、Python模块 Python 模块(Module)&#xff0c;是一个 Python 文件&#xff0c;以 .py 结尾&#xff0c;模块能定义函数&#xff0c;类和变量&#xff0c;模块里也能包含可执行的代码。 1、导入模块 导入模块的5中方式 import 模块名fr…

计算机网络知识等汇总补充

计算机网络知识汇总补充 一、四次挥手1、为什么TCP要等待2MSL2、如果说一个系统中&#xff0c;有大量的time_wait和close_wait&#xff0c;会是什么原因&#xff1f; 二、你是怎么解决粘包问题&#xff1f;三、你觉得哪些场景适合redis四、redis的持久化策略五、你会怎么保证my…

Leetcode算法训练日记 | day23

一、修剪二叉搜索树 1.题目 Leetcode&#xff1a;第 669 题 给你二叉搜索树的根节点 root &#xff0c;同时给定最小边界low 和最大边界 high。通过修剪二叉搜索树&#xff0c;使得所有节点的值在[low, high]中。修剪树 不应该 改变保留在树中的元素的相对结构 (即&#xff…

huggingface连不上的解决方案

不能科学上网的同学们, 代码中加载AI模型的时候, 会有下面的报错 We couldnt connect to https://huggingface.co to load this file, couldnt find it in the cached files and it looks like OFA-Sys/chinese-clip-vit-base-patch16 is not the path to a directory containi…

Flask基于flask_login实现登录、验证码

flask_login 是一个 Flask 扩展&#xff0c;用于在 Flask web 应用中实现用户会话管理。它允许你跟踪哪些用户已经登录&#xff0c;并管理他们的登录状态。flask_login 提供了用户认证的基础结构&#xff0c;但具体的用户验证&#xff08;如用户名和密码检查&#xff09;和存储…

3D Web轻量引擎HOOPS Communicator装配制造流程演示

介绍 该演示介绍了使用HOOPS Communicator的独特工作流程&#xff0c;该工作流程从零件列表中加载零件&#xff0c;并使用自定义配合操作符&#xff08;例如共线、同心和共面&#xff09;构建装配模型。该工作流程可用于各种行业&#xff0c;例如维护手册、工作指令或电子商务…

Python中sort()函数、sorted()函数的用法深入讲解(具体实例:蓝桥杯数位排序)

前置知识&#xff1a; 可迭代对象的定义&#xff1a;可迭代对象是指可以被迭代或遍历的对象&#xff0c;即可以使用循环结构对其进行逐个访问的对象。 在Python中常见的可迭代对象有&#xff1a;列表(list)、元组&#xff08;tuple&#xff09;、字符串&#xff08;sting&…

[CTF]使用浏览器firefox插件伪装IP地址

来源&#xff1a;https://jingyan.baidu.com/article/ab0b56306d9890c15bfa7d6a.html 浏览器想必是大家再熟悉不过的东东了&#xff0c;我们会经常使用它访问下载一些页面或文件。但是对于它的更深层次的功能可能就陌生了。比如说一些网站后台会记录我们的IP地址&#xff0c;假…

【AI面试】FPN、PANet、SPP、ASPP、Adaptive feature pooling

经常可以看到各个论文发出来,加入的各种trick。这些改进点,一般都是在前人的基础上,进行了一些修改。比如FPN到PANet的改进,就是为了改进前者存在的一些问题。 这里就把这些trick,给汇集到一起,看看他们的发展历史,看看他们之间有什么区别,又是在哪些地方做的改进。这…