Matplotlib介紹

Matplotlib 是一個(gè) Python 的 2D繪圖庫(kù)，它以各種硬拷貝格式和跨平臺(tái)的交互式環(huán)境生成出版質(zhì)量級(jí)別的圖形。

Matplotlib基礎(chǔ)

1.折線圖繪制

假設(shè)，我們要將下面的文件繪制成折線圖：

由于文件里日期的格式不是標(biāo)準(zhǔn)格式，所以要先將日期轉(zhuǎn)換：

import pandas as pd unrate = pd.read_csv('unrate.csv') unrate['DATE'] = pd.to_datetime(unrate['DATE']) print(unrate.head(12))

導(dǎo)入庫(kù)：

import matplotlib.pyplot as plt

先繪制一個(gè)簡(jiǎn)單的折線圖：

first_twelve = unrate[0:12] plt.plot(first_twelve['DATE'], first_twelve['VALUE']) plt.show()

這個(gè)圖，簡(jiǎn)直丑陋無(wú)比，而且只能表示一年的數(shù)據(jù)，一般繪制完折線圖之后要根據(jù)實(shí)際情況進(jìn)行美化：

fig = plt.figure(figsize=(10,6)) colors = ['red', 'blue', 'green', 'orange', 'black'] for i in range(5):start_index = i*12end_index = (i+1)*12subset = unrate[start_index:end_index]label = str(1948 + i)plt.plot(subset['MONTH'], subset['VALUE'], c=colors[i], label=label) plt.legend(loc='upper left') plt.xlabel('Month, Integer') plt.ylabel('Unemployment Rate, Percent') plt.title('Monthly Unemployment Trends, 1948-1952')plt.show()

這樣就可以繪制出一個(gè)不錯(cuò)的折線圖了。

2.子圖操作

有的時(shí)候需要將幾張圖在一起對(duì)比，這就需要用到子圖操作了：
創(chuàng)建一個(gè)二維3行2列的子圖數(shù)組：

import matplotlib.pyplot as plt fig = plt.figure() ax1 = fig.add_subplot(3,2,1) ax2 = fig.add_subplot(3,2,2) ax2 = fig.add_subplot(3,2,6) plt.show()

創(chuàng)建兩個(gè)子圖，并設(shè)置隨機(jī)值：

import numpy as np fig = plt.figure() #fig = plt.figure(figsize=(3, 3)) ax1 = fig.add_subplot(2,1,1) ax2 = fig.add_subplot(2,1,2)ax1.plot(np.random.randint(1,5,5), np.arange(5)) ax2.plot(np.arange(10)*3, np.arange(10)) plt.show()

3.條形圖與散點(diǎn)圖

假設(shè)有如下數(shù)據(jù)，要將其繪制成條形圖：

首先讀入數(shù)據(jù)，并將其中幾列存儲(chǔ)起來(lái)：

import pandas as pd reviews = pd.read_csv('fandango_scores.csv') cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars'] norm_reviews = reviews[cols]

然后用bar創(chuàng)建條形圖：

import matplotlib.pyplot as plt from numpy import arange #The Axes.bar() method has 2 required parameters, left and height. #We use the left parameter to specify the x coordinates of the left sides of the bar. #We use the height parameter to specify the height of each bar num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars']bar_heights = norm_reviews.ix[0, num_cols].values #print bar_heights bar_positions = arange(5) + 0.75 #print bar_positions fig, ax = plt.subplots() ax.bar(bar_positions, bar_heights, 0.5) plt.show()

同理，創(chuàng)建完簡(jiǎn)單的條形圖之后要對(duì)其進(jìn)行美化處理：

num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars'] bar_heights = norm_reviews.ix[0, num_cols].values bar_positions = arange(5) + 0.75 tick_positions = range(1,6) fig, ax = plt.subplots()ax.bar(bar_positions, bar_heights, 0.5) ax.set_xticks(tick_positions) ax.set_xticklabels(num_cols, rotation=45)ax.set_xlabel('Rating Source') ax.set_ylabel('Average Rating') ax.set_title('Average User Rating For Avengers: Age of Ultron (2015)') plt.show()

當(dāng)然，還有橫向條形圖：

import matplotlib.pyplot as plt from numpy import arange num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars']bar_widths = norm_reviews.ix[0, num_cols].values bar_positions = arange(5) + 0.75 tick_positions = range(1,6) fig, ax = plt.subplots() ax.barh(bar_positions, bar_widths, 0.5)ax.set_yticks(tick_positions) ax.set_yticklabels(num_cols) ax.set_ylabel('Rating Source') ax.set_xlabel('Average Rating') ax.set_title('Average User Rating For Avengers: Age of Ultron (2015)') plt.show()

還可以創(chuàng)建散點(diǎn)圖：

fig, ax = plt.subplots() ax.scatter(norm_reviews['Fandango_Ratingvalue'], norm_reviews['RT_user_norm']) ax.set_xlabel('Fandango') ax.set_ylabel('Rotten Tomatoes') plt.show()

兩張圖對(duì)比：

fig = plt.figure(figsize=(5,10)) ax1 = fig.add_subplot(2,1,1) ax2 = fig.add_subplot(2,1,2) ax1.scatter(norm_reviews['Fandango_Ratingvalue'], norm_reviews['RT_user_norm']) ax1.set_xlabel('Fandango') ax1.set_ylabel('Rotten Tomatoes') ax2.scatter(norm_reviews['RT_user_norm'], norm_reviews['Fandango_Ratingvalue']) ax2.set_xlabel('Rotten Tomatoes') ax2.set_ylabel('Fandango') plt.show()

在這里遇到了一個(gè)錯(cuò)誤：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 21: invalid start byte

我猜測(cè)是因?yàn)榍斑叺牟僮鲗⒃次募木幋a方式改變了，所以后來(lái)不能正常讀取，但是，我不會(huì)改過(guò)來(lái)啊，5555。

4.柱形圖與盒圖

柱形圖與條形圖類似

import pandas as pd import matplotlib.pyplot as plt reviews = pd.read_csv('fandango_scores.csv') cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue'] norm_reviews = reviews[cols]fandango_distribution = norm_reviews['Fandango_Ratingvalue'].value_counts() fandango_distribution = fandango_distribution.sort_index()imdb_distribution = norm_reviews['IMDB_norm'].value_counts() imdb_distribution = imdb_distribution.sort_index()fig, ax = plt.subplots() ax.hist(norm_reviews['Fandango_Ratingvalue']) #ax.hist(norm_reviews['Fandango_Ratingvalue'],bins=20) #ax.hist(norm_reviews['Fandango_Ratingvalue'], range=(4, 5),bins=20) plt.show()

將四幅圖在一起對(duì)比：

fig = plt.figure(figsize=(5,20)) ax1 = fig.add_subplot(4,1,1) ax2 = fig.add_subplot(4,1,2) ax3 = fig.add_subplot(4,1,3) ax4 = fig.add_subplot(4,1,4) ax1.hist(norm_reviews['Fandango_Ratingvalue'], bins=20, range=(0, 5)) ax1.set_title('Distribution of Fandango Ratings') ax1.set_ylim(0, 50)ax2.hist(norm_reviews['RT_user_norm'], 20, range=(0, 5)) ax2.set_title('Distribution of Rotten Tomatoes Ratings') ax2.set_ylim(0, 50)ax3.hist(norm_reviews['Metacritic_user_nom'], 20, range=(0, 5)) ax3.set_title('Distribution of Metacritic Ratings') ax3.set_ylim(0, 50)ax4.hist(norm_reviews['IMDB_norm'], 20, range=(0, 5)) ax4.set_title('Distribution of IMDB Ratings') ax4.set_ylim(0, 50)plt.show()

還有一種盒圖，它顯示的是數(shù)據(jù)的中間值、四分之一值、四分之三值：

num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue'] fig, ax = plt.subplots() ax.boxplot(norm_reviews[num_cols].values) ax.set_xticklabels(num_cols, rotation=90) ax.set_ylim(0,5) plt.show()

總結(jié)

用Matplotlib畫圖其實(shí)很簡(jiǎn)單，只要用相應(yīng)的方法加上數(shù)據(jù)就可以，必要的美化如果不是前端不須那么在意。

總結(jié)

以上是生活随笔為你收集整理的01、python数据分析与机器学习实战——Python数据可视化库-Matplotlib的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。