一、线型图
线型图是学习matplotlib绘图的最基础案例。
import numpy as np
import matplotlib.pyplot as plt
下面我们将两条曲线绘制到一个图形里：
plt.figure()
x = np.linspace(-10,10,200)
plt.plot(x, x**2)
plt.plot(x, x**3)
plt.show()
可以看到这种方式下，两个线条共用一个坐标轴，并且自动区分颜色。
plot方法的核心是plot(x,y)，x表示横坐标值的序列，y表示x某个坐标对应的y值，实际上就是y=f(x)函数。当只提供y的时候，x默认使用0-n的整数序列。这里的序列必然是个有限的点集，而不是我们想象中的无穷个点组成一条线。如果你的点很稀疏，那么图形看起来就像折线，如果点很多，看起来就比较圆滑，形似曲线。
二、散点图
与线型图类似的是，散点图也是一个个点集构成的。但不同之处在于，散点图的各点之间不会按照前后关系以线条连接起来。
-
用plt.plot画散点图
x = np.linspace(0,10,30)
y = np.sin(x)
plt.plot(x,y,'bo', ms=5)
plt.show()
代码和前面的例子差不多，为什么这里显示的却是散点图而不是sin曲线呢？这是因为一是点集比较少，稀疏，才30个；二是没有指定线型。
- 用plt.scatter画散点图
scatter专门用于绘制散点图，使用方式和plot方法类似，区别在于前者具有更高的灵活性，可以单独控制每个散点与数据匹配，并让每个散点具有不同的属性。
一般使用scatter方法，如下例子就可以了：
plt.scatter(x, y, marker='o')
下面看一个随机不同透明度、颜色和大小的散点例子：
rng = np.random.RandomState(10)
x = rng.randn(100)
y = rng.randn(100)
colors = rng.rand(100)
sizes = 1000* rng.rand(100)
plt.scatter(x, y, c=colors, s=sizes, alpha=0.3)
plt.colorbar() # 绘制颜色对照条
plt.show()
主要参数说明:
- x，y：输入数据
- s：标记大小，以像素为单位
- c：颜色
- marker：标记
- alpha：透明度
- linewidths：线宽
- edgecolors ：边界颜色
在处理较少点集的时候scatter方法灵活度更高，可单独配置并渲染，但所需消耗的计算和内存资源也更多。当数据成千上万个之后，plot方法的效率更高，因为它对所有点使用一样的颜色、大小、类型等配置，自然更快。
三、直方图
使用hist方法来绘制直方图：
plt.figure()
salary = [1050, 2000, 3500, 3000, 4000, 3200, 5000, 4300, 6000]
group = [1000, 3000, 5000, 7000]
plt.hist(salary, 4)
plt.show()
绘制直方图，最主要的是一个数据集data和需要划分的区间数量bins，另外你也可以设置一些颜色、类型参数：
plt.hist(np.random.randn(1000), bins=30,normed=True, alpha=0.5, histtype='stepfilled', color='steelblue', edgecolor='none')
histtype直方图的类型，可以是'bar'、 'barstacked'、'step'和'stepfilled'。
除了一维的直方图，还可以使用hist2d方法绘制二维的直方图：
mean = [0,0] # 忽略数据的创建过程
cov = [[1,1],[1,2]]
x,y = np.random.multivariate_normal(mean, cov,10000).T
plt.hist2d(x,y,bins=30,cmap='Blues') #以蓝色为基调
cb = plt.colorbar() # 插入颜色条
cb.set_label('counts in bin') # 设置颜色条的标签
plt.show()
hist2d是使用坐标轴正交的方块分割区域，还有一种常用的方式是正六边形也就是蜂窝形状的分割。Matplotlib提供的plt.hexbin就是满足这个需求的：
plt.hexbin(x,y,gridsize=30, cmap='Blues')
plt.colorbar(label='count in bin')
plt.show()
四、柱状图
柱状图，也被称作条形图，看起来像直方图，但完全是两码事。条形图根据不同的x值，为每个x指定一个高度y，画一个一定宽度的条形；而直方图是对数据集进行区间划分，为每个区间画条形。
plt.figure()
x = [1, 2, 3]
y = [1000, 2000, 3000]
plt.bar(x, y, color=['r', 'g', 'b'])
for x, y in zip(x, y):
plt.text(x, y + 20, y, ha='center', fontsize=12)
plt.show()
n = 12 # 12组数据
X = np.arange(n)
Y1 = (1 - X / n) * np.random.uniform(0.5, 1.0, n) # 生成对应的y轴数据
Y2 = (1 - X / n) * np.random.uniform(0.5, 1.0, n)
plt.bar(X, +Y1, facecolor='#9999ff', edgecolor='white') # +号让所有y值变成正数
plt.bar(X, -Y2, facecolor='#ff9999', edgecolor='white') # 负号让所有y值变成复数
# 加上数值
for x, y in zip(X, Y1): # 显示文本
plt.text(x, y + 0.05, '%.2f' % y, ha='center', va='bottom')
for x, y in zip(X, Y2):
plt.text(x, -y - 0.05, '-%.2f' % y, ha='center', va='top')
plt.xlim(-0.5, n)
plt.ylim(-1.25, 1.25)
plt.show()
将上面的代码稍微修改一下，就可以得到下面的图形：
plt.bar(X, Y1, width=0.4, facecolor='lightskyblue', edgecolor='white')
plt.bar(X+0.4, Y2, width=0.4, facecolor='yellowgreen', edgecolor='white')
for x,y in zip(X,Y1):
plt.text(x, y+0.05, '%.2f' % y, ha='center', va= 'bottom')
for x,y in zip(X,Y2):
plt.text(x+0.4, y+0.05, '%.2f' % y, ha='center', va= 'bottom')
plt.xlim(-0.5,6)
plt.ylim(0,1.25)
plt.show()
五、饼图
通过pie方法，可以绘制饼图：
labels = '狗', '猫', '仓鼠', '乌龟'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
shadow=True, startangle=90)
plt.axis('equal') # 设置x轴和y轴均等
plt.show()
主要参数说明：
- x：输入的数据数组
- explode：数组，可选参数，默认为None。 用来指定每部分从圆中外移的偏移量。 例如：explode=[0,0.2,0,0]，第二个饼块被拖出。
- labels：每个饼块的标记
- colors：每个饼块的颜色
- autopct：自动标注百分比，并设置字符串格式
- shadow：是否添加阴影。
- labeldistance：被画饼标记的直径。
- startangle：从x轴逆时针旋转饼图的开始角度。
- radius：饼图的半径
- counterclock：指定指针方向，顺时针或者逆时针。
- center：图表中心位置。
x = [1000, 2000, 3000]
explode = [0.01, 0.1, 0.01] # 圆心距
label = ['a', 'b', 'c']
plt.figure(figsize=(6, 6))
plt.pie(x, explode=explode, labels=label, autopct='%1.1f%%', colors=['r', 'y', 'c'], labeldistance=0.8, pctdistance=0.5)
plt.show()
六、雷达图
一般在处理数据时，要绘制出一组数据中的多个标签的值，matplotlib为我们提供了雷达图来进行绘制。通过polar方法，即可绘制雷达图：
plt.figure()
dataLength = 5 # 把整个圆切成5份
angles = np.linspace(0, 2 * np.pi, dataLength, endpoint=False)
labels = ['生存', '输出', '发育', '团战', 'KDA']
data = [2, 3.5, 4, 4.5, 5]
arr1 = np.array([angles[0]])
angles = np.concatenate((angles, arr1))
data.append(data[0])
plt.polar(angles, data, color='r', marker='o')
plt.xticks(angles, labels)
plt.show()
