1、散点图

绘制散点图是数据可视化中非常常见的操作，它用于显示两组数据之间的关系。Matplotlib 提供了 plt.scatter() 函数，可以轻松绘制散点图。以下是一个基础的散点图示例代码，并包含了一些优化可视化呈现的技巧。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(0)  # 设置随机种子以保证结果一致
x = np.random.rand(50) * 10  # 生成 50 个 0 到 10 之间的随机数
y = np.random.rand(50) * 10  # 生成 50 个 0 到 10 之间的随机数

# 绘制基础散点图
plt.figure(figsize=(8, 6))  # 设置图像大小
plt.scatter(x, y, color='blue')  # 绘制散点图，点为蓝色
plt.xlabel('X-axis')  # 设置 x 轴标签
plt.ylabel('Y-axis')  # 设置 y 轴标签
plt.title('Basic Scatter Plot')  # 设置图的标题
plt.grid(True)  # 显示网格线
plt.show()

 

1.1散点图的优化

如何优化散点图的可视化呈现：

1. 改变点的大小和颜色：

   • 使用 s 参数调整点的大小，使用 c 参数改变颜色，颜色可以根据数据的另一列进行映射。

2. 添加颜色映射（colormap）：

   • 使用 c 和 cmap 参数，为点设置颜色映射，颜色可以反映数据的数值大小。

3. 增加透明度：

   • 使用 alpha 参数设置点的透明度（范围 0 到 1），防止点重叠时看不清楚。

4. 为点添加边框：

   • 使用 edgecolor 参数为每个点添加边框，使得点更加明显。

5. 添加数据点的注释：

   • 使用 plt.text() 在特定点旁边添加注释，方便展示数据含义。

6. 调整坐标轴范围和样式：

   • 使用 plt.xlim() 和 plt.ylim() 来调整坐标轴的显示范围。

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
np.random.seed(0)  # 设置随机种子以保证结果一致
x = np.random.rand(50) * 10  # 生成 50 个 0 到 10 之间的随机数
y = np.random.rand(50) * 10  # 生成 50 个 0 到 10 之间的随机数
sizes = np.random.rand(50) * 300  # 随机生成点的大小
colors = np.random.rand(50)  # 随机生成颜色映射值

# 绘制优化后的散点图
plt.figure(figsize=(10, 8))  # 设置图像大小
scatter = plt.scatter(x, y, s=sizes, c=colors, cmap='viridis', alpha=0.7, edgecolor='k')  # 绘制散点图
plt.colorbar(scatter, label='Color Scale')  # 添加颜色条
plt.xlabel('X-axis')  # 设置 x 轴标签
plt.ylabel('Y-axis')  # 设置 y 轴标签
plt.title('Enhanced Scatter Plot')  # 设置图的标题
plt.grid(True)  # 显示网格线

# 调整坐标轴范围
plt.xlim(0, 10)
plt.ylim(0, 10)

# 显示图形
plt.show()

 

接下来我们用一个实际的例子来展示散点图的应用：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据：房屋面积（平方英尺）和相应的价格（单位：万美元）
area = np.array([750, 800, 850, 900, 950, 1000, 1050, 1100, 1150, 1200, 1250, 1300, 1350, 1400, 1450])
price = np.array([180, 200, 210, 220, 240, 260, 280, 300, 320, 340, 360, 380, 400, 420, 440])

# 绘制散点图
plt.figure(figsize=(10, 6))  # 设置图像大小
plt.scatter(area, price, s=100, c=price, cmap='coolwarm', alpha=0.7, edgecolor='k')  # 绘制散点图，点的颜色与价格相关

# 设置图表的标题和坐标轴标签
plt.title('House Prices vs. Area', fontsize=16)  # 设置标题
plt.xlabel('Area (Square Feet)', fontsize=14)  # 设置 x 轴标签
plt.ylabel('Price (10,000 USD)', fontsize=14)  # 设置 y 轴标签

# 显示颜色条以指示价格
plt.colorbar(label='Price (10,000 USD)')

# 添加网格线
plt.grid(True, linestyle='--', alpha=0.5)

# 显示绘图
plt.show()

 

Matplotlib 提供了丰富的颜色映射（colormap）选项，可以根据数据特点和视觉需求选择合适的颜色映射。颜色映射用于将数值映射到颜色空间，通过不同的颜色渐变来增强数据的可视化效果。以下是一些常用的颜色映射：

常用的颜色映射（colormap）示例：

1. viridis:

   • 渐变色从深蓝到黄绿色，视觉效果优秀，色盲友好，常用于连续数据的显示。

2. plasma:

   • 渐变色从深紫到黄色，色彩鲜艳且具有高对比度。

3. inferno:

   • 渐变色从深紫到橙黄色，适用于高对比度的场景，尤其适合展示密集数据。

4. magma:

   • 渐变色从深紫到亮橙色，适合显示连续且高对比度的数据。

5. cividis:

   • 适合色盲友好的渐变色，从蓝色到黄色，适用于视觉要求高的数据展示。

6. coolwarm:

   • 渐变色从蓝色到红色，适合展示有正负或冷热对比的数据，如温度、差异等。

7. Blues:

   • 渐变色从浅蓝到深蓝，适用于单色调的场景。

8. Reds:

   • 渐变色从浅红到深红，适用于单色调场景，突出数值的高低。

9. Greens:

   • 渐变色从浅绿到深绿，适合展示自然、环保类数据。

10. Spectral:

    • 具有多种颜色的渐变，从红到蓝再到绿和黄，色彩丰富，适合分段数据的展示。

1.2散点图的实现 

# 示例数据：汽车的重量和油耗
weight = [1500, 1600, 1700, 1800, 1900, 2000, 2100, 2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900, 3000]
mpg = [35, 34, 33, 32, 31, 30, 28, 26, 25, 24, 22, 20, 19, 17, 15, 14]

任务：

使用以上数据绘制一个散点图，尝试实现以下要求：

1. 设置图形大小为 (10, 6)。
2. 绘制散点图，设置点的大小 s=100，透明度 alpha=0.7，为点添加边框 edgecolor='k'。
3. 使用 c=mpg 和适合的 cmap 映射颜色，尝试使用 cmap='coolwarm' 或其他你喜欢的颜色映射。
4. 为图形添加标题、x 轴和 y 轴标签。
5. 添加颜色条以解释油耗的数值范围。
6. 添加网格线来提高图形的可读性。

import matplotlib.pyplot as plt
import numpy as np

# 示例数据：汽车的重量和油耗
weight = [1500, 1600, 1700, 1800, 1900, 2000, 2100, 2200, 2300, 2400, 2500, 2600, 2700, 2800, 2900, 3000]
mpg = [35, 34, 33, 32, 31, 30, 28, 26, 25, 24, 22, 20, 19, 17, 15, 14]

# 设置图形大小
plt.figure(figsize=(10, 6))

# 绘制散点图
plt.scatter(weight, mpg, s=100, alpha=0.7, edgecolor='k', c=mpg, cmap='coolwarm')

# 设置图表的标题和坐标轴标签
plt.xlabel('Weight (lbs)', fontsize=14)  # 汽车重量，单位是磅
plt.ylabel('MPG (Miles per Gallon)', fontsize=14)  # 油耗，单位是每加仑英里数
plt.title('Car Weight vs. Fuel Efficiency', fontsize=16)  # 图的标题

# 显示颜色条，显示油耗的数值范围
plt.colorbar(label='MPG (Miles per Gallon)')

# 添加网格线
plt.grid(True, linestyle='--', alpha=0.5)

# 显示绘图
plt.show()

 

2、柱状图

柱状图（Bar Chart）是数据可视化中非常常见的图表类型，通常用于比较不同类别的数量或展示数据的变化趋势。下面是绘制柱状图的基础代码，并附有一些优化技巧，帮助你创建更美观和易于理解的柱状图。 

import matplotlib.pyplot as plt
import numpy as np

# 示例数据：类别和相应的值
categories = ['A', 'B', 'C', 'D', 'E']
values = [23, 45, 56, 78, 33]

# 设置图形大小
plt.figure(figsize=(10, 6))

# 绘制柱状图
plt.bar(categories, values, color='skyblue', edgecolor='black')

# 设置标题和坐标轴标签
plt.title('Basic Bar Chart', fontsize=16)
plt.xlabel('Categories', fontsize=14)
plt.ylabel('Values', fontsize=14)

# 显示网格线
plt.grid(True, axis='y', linestyle='--', alpha=0.5)

# 显示图形
plt.show()

 

下一步，我们为每个柱子添加标签：

for i, value in enumerate(values):
    plt.text(i, value + 1, str(value), ha='center', fontsize=12)

• enumerate(values):

  • enumerate() 函数将 values 列表中的每个元素与其索引位置配对。它返回的是一个包含索引和元素值的元组。
  • 例如，values = [23, 45, 56, 78, 33]，enumerate(values) 将返回 (0, 23), (1, 45), (2, 56), (3, 78), (4, 33)。

• 循环的作用 (for i, value in enumerate(values)):

  • i 是当前元素的索引（即柱子的 x 轴位置），value 是该柱子的高度（即柱子的 y 轴数值）。
  • 这个循环会遍历 values 列表中的每一个值及其索引，逐个处理柱状图中的每一个柱子。

• plt.text() 函数:

  • plt.text() 用于在图表的指定位置添加文本。
  • 参数解释：
    • i: 文本的 x 坐标位置，即柱子的索引位置。
    • value + 1: 文本的 y 坐标位置，设置在柱子顶端稍微高出 1 个单位的位置，使得文本不会与柱子重叠。
    • str(value): 显示的文本内容，将当前柱子的数值转换为字符串，以便显示在图表中。
    • ha='center': 水平对齐方式，'center' 表示文本相对于 x 坐标居中对齐。
    • fontsize=12: 设置文本的字体大小，使得标签清晰可读。

这样图像就更加直观了。

 接下来我们展示一个优化后的代码：

import matplotlib.pyplot as plt
import numpy as np

# 示例数据：类别和两个系列的数值
categories = ['A', 'B', 'C', 'D', 'E']  # 类别名称
values = [23, 45, 56, 78, 33]           # 第一个系列的数值
values2 = [20, 35, 55, 70, 30]          # 第二个系列的数值

# 设置图形大小和风格
plt.style.use('ggplot')  # 使用 Matplotlib 内置的 'ggplot' 风格
plt.figure(figsize=(12, 6))  # 设置图形大小为 12x6 英寸

# 绘制分组柱状图
index = np.arange(len(categories))  # 生成类别的索引位置，用于 x 轴上的定位
bar_width = 0.35  # 设置每个柱子的宽度

# 绘制第一个数据系列的柱状图
plt.bar(index, values, bar_width, label='Series 1', color='skyblue', edgecolor='black')
# 绘制第二个数据系列的柱状图，位置向右偏移 bar_width 以便分组
plt.bar(index + bar_width, values2, bar_width, label='Series 2', color='orange', edgecolor='black')

# 为第一个数据系列添加数值标签
for i, value in enumerate(values):
    plt.text(i, value + 1, str(value), ha='center', fontsize=12)
    
# 为第二个数据系列添加数值标签
for i, value in enumerate(values2):
    plt.text(i + bar_width, value + 1, str(value), ha='center', fontsize=12)

# 设置标题和坐标轴
plt.title('Enhanced Bar Chart with Multiple Series', fontsize=16)
plt.xlabel('Categories', fontsize=14)
plt.ylabel('Values', fontsize=14)

# 调整 x 轴的刻度和标签，使其居中于两组柱子之间
plt.xticks(index + bar_width / 2, categories)

# 显示图例，用于区分不同的数据系列
plt.legend()

# 自动调整布局，避免元素重叠
plt.tight_layout()

# 显示绘图
plt.show()