目录

一、实验目的... 1

二、实验环境... 1

三、实验内容... 1

1）绘制带颜色的柱状图。.. 1

2）绘制堆叠柱状图。.. 3

3）绘制数学函数曲线图。.. 4

4）使用seaborn绘制组合图形。... 5

5）使用Boken绘制多个三角形图。.. 7

6）使用pyqtgraph绘制曲线图。... 8

7）使用Numpy和matplotlib在一张图中绘制多种图形。.. 10

四、思考问题... 13

五、总结与心得体会... 13

一、实验目的

了解大数据可视化的特点，能进行简单的与大数据可视化有关的操作，能够绘制不同的可视化图表。

二、实验环境

硬件：微型图像处理系统，

包括：主机， PC机；

操作系统：Windows 11        

应用软件：Jupyter Notebook, pycharm

数字图像处理软件：Excel/Python

三、实验内容

1）绘制带颜色的柱状图。

编写如下代码：

import matplotlib.pyplot as plt # 设置中文支持 plt.rcParams['font.sans-serif'] = ['SimHei']  # 'SimHei' 是黑体的意思 plt.rcParams['axes.unicode_minus'] = False  # 正确显示负号 # 定义x轴的位置 x = [1, 2, 3, 4, 5] # 定义每个柱子的高度 heights = [5, 10, 15, 20, 25] # 定义每个柱子的颜色，这里使用一个颜色列表 colors = ['red', 'green', 'blue', 'purple', 'orange'] # 绘制柱状图，'align="center"' 表示柱子在x轴的位置居中对齐 plt.bar(x, heights, color=colors, align="center") # 添加标题 plt.title('我的带颜色柱状图') # 添加x轴标签 plt.xlabel('X') # 添加y轴标签 plt.ylabel('Y') # 显示结果 plt.show()

这段代码中：

导入matplotlib.pyplot模块。

定义了x轴的位置列表x。

定义了柱状图的高度列表heights。

定义了柱状图的颜色列表colors，列表中的每个颜色将分别应用于相应的柱子。

使用plt.bar函数绘制柱状图，其中color=colors参数将上面定义的颜色列表应用到每个柱子上。

使用plt.title,plt.xlabel,和plt.ylabel分别添加图表的标题和x、y轴的标签。

使用plt.show()函数显示图表。

运行结果如下：

2）绘制堆叠柱状图。

编写如下代码：

import matplotlib.pyplot as plt import numpy as np # 设置中文支持 plt.rcParams['font.sans-serif'] = ['SimHei']  # 'SimHei' 是黑体的意思 plt.rcParams['axes.unicode_minus'] = False  # 正确显示负号 # 定义分类和每类中的数值 categories = ['A', 'B', 'C', 'D'] values_type1 = [5, 10, 15, 20] values_type2 = [3, 9, 12, 10] # 计算第一个类型的柱状图的底部位置（即累积值） bottom_values_type1 = np.array(values_type1).cumsum() # 初始化底部值为第一个类别的底部高度为0 bottom_values = [0] + list(bottom_values_type1) # 绘制第一个类型的柱状图 plt.bar(categories, values_type1, label='Type 1', width=0.4, align='edge') # 绘制第二个类型的柱状图，堆叠在第一个上面 # 注意：这里不再使用bottom参数，因为底部高度已经通过累积和计算 plt.bar(categories, values_type2, label='Type 2', width=0.4, align='edge') # 添加图例 plt.legend() # 添加标题和轴标签 plt.title('我的堆叠条形图') plt.xlabel('目录') plt.ylabel('值') # 显示结果 plt.show()

运行结果如下：

3）绘制数学函数曲线图。

绘制正弦余弦图，编写如下代码：

from bokeh.plotting import figure, output_file, show import numpy as np output_file("sincos.html") x=np.linspace(-np.pi,np.pi,100) y=np.sin(x) z=np.cos(x) p=figure(plot_width=400,plot_height=400) p.line(x,y) p.line(x,z) show(p)

运行结果如下：

4）使用seaborn绘制组合图形。

编写如下代码：

import seaborn as sns import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei']  # 中文字体设置-黑体 plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题 sns.set(font='SimHei', style='white', )  # 解决Seaborn中文显示问题 # 取出作图的数据 y1 = [4088, 2451, 3896, 2921, 3116, 3189, 2697, 1380] # 发病数 y2 = [30, 15, 20, 24, 20, 16, 6, 4]   #死亡数 x = [2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018] # 设置图形大小 plt.rcParams['figure.figsize'] = (12.0, 8.0) fig = plt.figure() # 画柱形图 ax1 = fig.add_subplot(111) ax1.set_ylim([0, 4500]) ax1.bar(x, y1, alpha=0.7, color='k') ax1.set_ylabel(u'发病数', fontsize='20') # ax1.set_xlabel(u'年份', fontsize='20') ax1.tick_params(labelsize=15) for i, (_x, _y) in enumerate(zip(x, y1)):     plt.text(_x, _y, y1[i], color='black', fontsize=20, ha='center', va='bottom')  # 将数值显示在图形上 # ax1.set_title(u"2011-2018年中国疟疾发病数与死亡数", fontsize='20') # 画折线图 ax2 = ax1.twinx()  # 组合图必须加这个 ax2.set_ylim([0, 35])      ax2.plot(x, y2, 'r', ms=10, lw=3, marker='o') # 设置线粗细，节点样式 ax2.set_ylabel(u'死亡数', fontsize='20') sns.despine(left=True, bottom=True)   # 删除坐标轴，默认删除右上 ax2.tick_params(labelsize=15) for x, y in zip(x, y2):   # # 添加数据标签     plt.text(x, y-2.5, str(y), ha='center', va='bottom', fontsize=20, rotation=0) plt.show()

运行结果如下：

5）使用Boken绘制多个三角形图。

编写代码如下：

from bokeh.plotting import figure, output_file, show output_file("patch.html") p = figure(plot_width=400, plot_height=400) p.patch([1, 3, 5], [5, 8, 5], alpha=0.5, line_width=2) p.patch([2, 3, 4], [5.5, 7, 5.5], alpha=0.3, line_width=2) show(p)

这段代码使用了Python的Bokeh库来创建并展示两个带有透明度和线条宽度的图形补丁（patches）。Bokeh是一个强大的交互式可视化库，它可以用来生成复杂的图表和图形，并且可以集成到Web应用程序中。下面是代码的详细解释：

frombokeh.plottingimportfigure,output_file,show:从bokeh.plotting模块导入figure,output_file,和show函数。

figure用于创建一个新的Bokeh图形对象。

output_file用于指定将要生成的HTML文件的名称，这个文件将包含渲染的图表。

show用于显示一个Bokeh图形对象。

output_file("patch.html"):这行代码设置了输出文件的名称。当你运行这段代码时，Bokeh将会生成一个名为"patch.html"的文件，其中包含了渲染的图形。

p=figure(plot_width=400,plot_height=400):创建一个新的Bokeh图形对象p，并设置图形的宽度和高度为400像素。

p.patch([1,3,5],[5,8,5],alpha=0.5,line_width=2):使用p.patch方法在图形上绘制第一个多边形补丁。

第一个参数[1,3,5]是x坐标列表。

第二个参数[5,8,5]是y坐标列表。

alpha=0.5设置了补丁的透明度，0是完全透明，1是完全不透明。

line_width=2设置了多边形边缘线条的宽度。

p.patch([2,3,4],[5.5,7,5.5],alpha=0.3,line_width=2):同样使用p.patch方法绘制第二个多边形补丁，其参数与第一个类似，但透明度和坐标点不同。

show(p):显示图形对象p。这将打开一个Web浏览器窗口，展示由p定义的图形。在JupyterNotebook环境中，show函数还可以内联显示图表。

运行这段代码后，将会生成一个包含两个半透明多边形补丁的HTML文件"patch.html"。这些补丁叠加在同一个坐标轴上，各自具有不同的透明度和线条宽度，展示了Bokeh在图形渲染方面的灵活性和定制能力。

运行结果如下：

6）使用pyqtgraph绘制曲线图。

编写代码如下：

import pyqtgraph as pg import numpy as np app=pg.mkQApp() x=np.linspace(2,10*np.pi,100) z=np.cos(x) pg.plot(x,z) app.exec_()

这段代码使用了pyqtgraph库来创建一个简单的应用程序，该程序绘制了一个余弦波形图。pyqtgraph是一个基于Qt的图形库，它提供了丰富的数据可视化工具，特别适合实时数据更新和交互式图表。下面是代码的详细解释：

importpyqtgraphaspg:导入pyqtgraph库，并给它起一个别名pg，这样你就可以通过pg来访问库中的函数和类。

importnumpyasnp:导入numpy库，并给它起一个别名np。numpy是一个用于科学计算的库，它提供了大量的数学函数和对多维数组的支持。

app=pg.mkQApp():创建一个Qt应用程序实例。在pyqtgraph中，你需要一个Qt应用程序的上下文来使用图形和窗口。pg.mkQApp()会检查是否已经有一个Qt应用程序在运行，如果有，它会返回那个应用程序的实例；如果没有，它会创建一个新的应用程序实例。

x=np.linspace(2,10*np.pi,100):使用numpy的linspace函数生成一个等间隔的数组。

2是数组的起始值。

10*np.pi是数组的结束值。

100是数组中的元素数量。这个函数会生成从2到20π（约等于62.8318）的100个等间隔的点。

z=np.cos(x):计算数组x中每个点的余弦值，并将结果存储在数组z中。这样，z就包含了对应x值的余弦波形的y坐标。

pg.plot(x,z):使用pyqtgraph的plot函数创建一个图形窗口并绘制图形。

第一个参数x是图形的x轴数据。

第二个参数z是图形的y轴数据，即余弦波形。

app.exec_():进入Qt应用程序的主循环。这行代码会启动应用程序的事件循环，等待用户与图形窗口进行交互，例如关闭窗口。在JupyterNotebook环境中，你可能需要使用%guiqt魔法命令来确保图形可以正确显示。

运行这段代码后，会出现一个窗口，显示了一个从2到20π的余弦波形图。用户可以关闭这个窗口，或者与图形进行交互，如缩放和平移。这段代码展示了如何使用pyqtgraph和numpy快速创建一个基本的实时更新的交互式图表。

运行结果如下：

7）使用Numpy和matplotlib在一张图中绘制多种图形。

编写以下代码：

import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 10, 100) y =2*np.cos(x)**5 + 3*np.sin(x)**3 #定义画布和子图数量 fig,axes=plt.subplots(2,3,figsize=(10,6),facecolor='#ccddef') #添加整个画布的标题 fig.suptitle('Photo',fontsize=20) #利用text属性添加副标题 #折线图 axes[0,0].plot(x,y) #柱状图 axes[0,1].bar(x,y*y) #直方图 axes[0,2].hist(y,bins=30) #散点图 axes[1,0].scatter(x,y) #条形图 axes[1,1].barh(x,y) #饼图 axes[1,2].pie([1,2,3,4,5],labels=['A','B','C','D','E']) #对子图进行详细设置 ax1=axes[0,0] #设置子图的xy轴范围，子图标题，标签背景颜色等 ax1.set(xlim=[-10,12],ylim=[-6,4], facecolor='#ffeedd') #添加网格 ax1.grid(True) #调整图表位置和间距 fig.subplots_adjust(left=0.2, bottom=0.1, right=0.8, top=0.8,hspace=0.5) plt.show()

这段代码使用了matplotlib库，一个非常流行的Python绘图库，来创建一个包含多个子图的复杂图表。下面是代码的详细解释：

importmatplotlib.pyplotasplt:导入matplotlib.pyplot模块，并给它起一个别名plt，这是matplotlib中用于绘图的模块。

importnumpyasnp:导入numpy库，并给它起一个别名np，用于进行数学运算。

x=np.linspace(0,10,100):使用numpy的linspace函数生成一个包含100个从0到10均匀分布的数值的数组。

y=2*np.cos(x)**5+3*np.sin(x)**3:根据x的值计算y的值。这里y是由余弦函数和正弦函数经过变换后相加得到的。

fig,axes=plt.subplots(2,3,figsize=(10,6),facecolor='#ccddef'):使用plt.subplots创建一个2行3列的子图网格。figsize设置了整个图表的大小，facecolor设置了图表的背景颜色。

fig.suptitle('Photo',fontsize=20):为整个图表添加一个主标题"Photo"。

axes[0,0].plot(x,y):在第一个子图(0,0)上绘制x和y的折线图。

axes[0,1].bar(x,y*y):在第二个子图(0,1)上绘制x和y*y的柱状图。

axes[0,2].hist(y,bins=30):在第三个子图(0,2)上绘制y的直方图，bins=30表示将直方图分成30个箱子。

axes[1,0].scatter(x,y):在第四个子图(1,0)上绘制x和y的散点图。

axes[1,1].barh(x,y):在第五个子图(1,1)上绘制x和y的水平柱状图。

axes[1,2].pie([1,2,3,4,5],labels=['A','B','C','D','E']):在第六个子图(1,2)上绘制一个饼图，饼图由5个部分构成，每个部分的数值分别为1到5。

ax1=axes[0,0]:获取第一个子图的引用。

ax1.set(xlim=[-10,12],ylim=[-6,4],facecolor='#ffeedd'):对第一个子图进行详细设置，包括设置坐标轴的范围、标题、标签以及背景颜色。

ax1.grid(True):为第一个子图添加网格线。

fig.subplots_adjust(left=0.2,bottom=0.1,right=0.8,top=0.8,hspace=0.5):调整子图之间的间距，left、bottom、right、top分别设置子图与图表边缘的距离，hspace设置子图之间的水平间距。

plt.show():显示图表。在JupyterNotebook中，这会导致图表内联显示。在Python脚本中，这将打开一个窗口来显示图表。

运行这段代码后，会显示一个包含6个不同类型图表的窗口，每个图表都根据其数据和类型进行了特定的设置和样式定制。这个例子很好地展示了matplotlib的灵活性和强大的绘图能力。

运行结果如下：

四、思考问题

Python软件功能强大，除了上述要实现的功能，大家可以自己进行扩展。

五、总结与心得体会

无。