Python Data Visualization with Matplotlib — Part 1

2023-07-21 08:14:22

原文：HTML
原题：Python Data Visualization with Matplotlib — Part 1——Completed Matplotlib tutorials for Python plotting from basic to advanced, with 100+ examples
作者：Rizky Maulana Nurhidayat
翻译：datamonday

文章目录

01. Scatter plot
02. Line plot
Inserting error in line plot
03. Histogram
- Horizontal histogram
- Overlapping histogram
2D histogram
- Marginal plot
04. Bar chart
- Horizontal bar chart

数据可视化的目的是将数据以更直接的方式表现出来，如散点图、密度图、柱状图等。它还有助于让读者或分析师了解其数据的全局情况。通过对数据的可视化，你可以发现潜在的异常值。在Python中，你可以使用各种模块或库来可视化数据。其中一个主流模块是Matplotlib。你可以使用Matplotlib以各种绘图风格来可视化数据。但是，Matplotlib不能向你展示动态图。如果你想创建一个巨大的动态图，你可以使用plotly的Dash（我希望下个月能完成一个关于Dash的完整教程的故事）。

这个故事将指导你如何用Matplotlib以各种方式可视化数据。90个例子也许可以启发你从不同的角度来创建一个情节。这并不是用Matplotlib进行数据可视化最完备的教程，但我相信可以满足很多人的需求。

正如我之前提到的，我将指导你创建90个不同的绘图实例。这些例子分布在11种不同风格的图中：散点图、线图、直方图1D、2D、边际图、柱状图、盒状图、小提琴图、饼图、极地图、地理投影、3D图和等高线图。可以看图1，有一个大致的了解。

Figure 1. Various types of plot generated in Matplotlib (Image by Author).

在这个故事中，我试图把重点放在创建和定制各种情节上。所以，我假设你已经知道了它之外的几种技术，例如，在Matplotlib中创建多个子图和自定义colormaps。如果你还不知道，我就给你一些链接来了解它。

01. Scatter plot

在本节中，有八个散点图的示例。在创建散点图之前，使用以下代码生成模拟数据：

import numpy as np
import matplotlib.pyplot as plt
N = 50
x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

变量x是值域从0到10的50个数据点组成的一维数组。变量y是基本函数sin(x)和cos(x)的复合函数。使用此代码以散点图的形式可视化，如图3所示。

plt.figure()
plt.scatter(x, y)

Figure 3. Default scatter plot in Matplotlib (Image by Author).

为了使其更美观，可以减少每个数据的大小并使用此代码给标签。要更改颜色，需要添加此参数。

plt.scatter(x, y, s = 15, 
			label = r'$y  = sin^2(x) + cos(x)$',
			color = 'r', # r means red
			)

如果要使轴比例尺相同，可以使用此代码：

plt.axis('equal')

要为x轴和y轴创建轴标签，可以添加以下代码：

plt.xlabel(r'$x$ (rad)')
plt.ylabel(r'$y$')

已标记了散点图，但尚未将其显示为图例。使用以下代码显示它：

plt.legend()

保存图形的代码如下：

plt.savefig('scatter2.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

这是完整的代码：

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

plt.figure()
plt.scatter(x, y, s = 15, label = r'$ y  = sin^2(x) + cos(x)$', color = 'r')
plt.axis('equal')

plt.legend()
plt.xlabel(r'$x$ (rad)')
plt.ylabel(r'$y$')

plt.savefig('scatter2.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

该代码将创建一个散点图，如图4所示。

Figure 4. Modified scatter plot in Matplotlib (Image by Author).

可以看到轴内的x轴和y轴的刻度方向，并且使用的字体为LaTeX格式。如果要更改图形尺寸，可以在plt.figure（）中添加图形尺寸参数

plt.figure(figsize=(7, 4.5))

Change marker style

要更改标记样式，例如，我要从点更改为十字，可以在plt.scatter中添加此参数。

marker = 'x'

结果如下：

官方文档：HTML

Customizing the size for each data

本小节将展示如何为每个数据创建大小不同的散点图，如图7所示。

Figure 7. Customize the size of the scatter plot in Matplotlib (Image by Author).

为了创建它，我使用此代码为变量randx和randy生成了一个随机位置，从0到100。之后，生成在50到200之间的随机数据点大小。为了可视化它，只需使用此代码添加将在每个数据中应用的大小的参数。

创建图7的附加语法是在x轴和y轴上插入次刻度。要插入它，需要导入子模块MultipleLocator。

这是生成图7的完整代码。

np.random.seed(100)

N = 30

plt.figure(figsize=(7, 6))

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100
size = np.random.randint(50, 200, size=N)

plt.scatter(randx, randy, s = size, color = 'darkorange')
plt.axis('equal')

ax = plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.savefig('scatter5.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Color-coded scatter plot

可以使用颜色图更改颜色。这意味着具有不同大小的数据将以不同的颜色进行颜色编码。可以像这样在plt.scatter（）中添加颜色参数。

c = size

要嵌入颜色栏，可以使用以下代码：

plt.colorbar()

得到图8所示。

Figure 8. Modify color-coded in scatter plot with Matplotlib (Image by Author).

这是生成图8的完整代码。

np.random.seed(100)

N = 30

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100
ranking = np.random.random(N) * 200
size = np.random.randint(50, 200, size=N)

plt.figure(figsize=(7, 5))
plt.scatter(randx, randy, s = size, c = size, alpha = .8)
plt.axis('equal')

ax = plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.colorbar()

plt.savefig('scatter6.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Customizing the colormaps

你可以使用此参数更改颜色图：

cmap = 'inferno' 

# cmaps['Perceptually Uniform Sequential'] = ['viridis', 'plasma', 'inferno', 'magma', 'cividis']

你可以查看此链接以了解Matplotlib提供的所有颜色图。

在本教程中，我通过组合颜色图Blues和Oranges创建了自己的颜色图，如下图所示。

我使用以下代码将其结合：

from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap
top = cm.get_cmap('Oranges_r', 128)
bottom = cm.get_cmap('Blues', 128)
newcolors = np.vstack((top(np.linspace(0, 1, 128)),
                       bottom(np.linspace(0, 1, 128))))
orange_blue = ListedColormap(newcolors, name='OrangeBlue')

我创建了自己的颜色图，名为orange_blue。要了解如何在Matplotlib中创建和自定义自己的颜色图，可以在以下链接中阅读它。

要应用它，只需更改颜色参数c = orange_blue。如图所示：

上图的完整代码如下：

from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap

top = cm.get_cmap('Oranges_r', 128)
bottom = cm.get_cmap('Blues', 128)

newcolors = np.vstack((top(np.linspace(0, 1, 128)),
                       bottom(np.linspace(0, 1, 128))))
orange_blue = ListedColormap(newcolors, name='OrangeBlue')

np.random.seed(100)

N = 30

randx = np.random.random(N) * 100
randy = np.random.random(N) * 100
size = np.random.randint(50, 200, size=N)

plt.figure(figsize=(7, 5))
plt.scatter(randx, randy, s = size, c = size, alpha = .8, cmap = orange_blue)
plt.axis('equal')

ax = plt.gca()
ax.xaxis.set_minor_locator(MultipleLocator(10))
ax.yaxis.set_minor_locator(MultipleLocator(10))

plt.xlabel('randx')
plt.ylabel('randy')

plt.colorbar(label = 'circle size')

plt.savefig('scatter7.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

02. Line plot

为了在Matplotlib中绘制线图，我将使用此代码生成模拟数据：

N = 50
x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

plt.plot(x, y)

Customizing line styles

可以使用此参数在Matplotlib中更改线条图的线条样式。

linestyle = '-'

上面的参数应该以plt.plot（）语法插入。在本教程中，我将展示四种不同的线条样式：

['-', '--', '-.', ':']

为了自动生成它，我使用循环使其变得简单。这是完整的代码：

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

rows = 2
columns = 2

grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)

linestyles = ['-', '--', '-.', ':']

plt.figure(figsize=(15, 10))
for i in range(len(linestyles)):
    plt.subplot(grid[i])
    plt.plot(x, y, linestyle = linestyles[i], label = r'$ y  = sin^2(x) + cos(x)$')
    plt.axis('equal')
    plt.xlabel('$x$ (rad)')
    plt.legend()
    plt.annotate("linestyle '" + str(linestyles[i]) + "'", xy = (0.5, -2.5), va = 'center', ha = 'left')
    
plt.savefig('line2.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

运行代码，结果如下：

该代码将简单地生成4种不同的线型，并为每种线型添加标签和注释。 Matplotlib提供了许多可以使用的线型。可以通过此链接选择自己喜欢的线条样式。

Customizing line width

要为线图自定义线宽，可以使用此参数：

lw = 2.0

我使用提供4种不同的线宽，结果如图所示：

完整代码如下：

N = 50

rows = 2
columns = 2

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)

linewidth = [2, 3, 4, 5]

plt.figure(figsize=(15, 10))
for i in range(len(linestyles)):
    plt.subplot(grid[i])
    plt.plot(x, y, linestyle = '-.', lw = linewidth[i], label = r'$ y  = sin^2(x) + cos(x)$')
    plt.axis('equal')
    plt.xlabel('$x$ (rad)')
    plt.legend()
    plt.annotate("linewidth " + str(linewidth[i]), xy = (0.5, -2.5), va = 'center', ha = 'left')
    
plt.savefig('line3.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Creating mark every

本小节将为每个函数创建标记。为了理解它，我将首先显示结果，如图15所示。

Figure 15. Mark every in Matplotlib (Image by Author).

在图15中，我为每5个数据创建一个圆圈标记。使用此参数创建：

'o'            # shape for each 5 data
markevery = 5  # mark every 
ms = 7         # size of the circle in mark every

这是完整的代码：

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

plt.figure(figsize=(7, 4.5))

plt.plot(x, y, 'o', ls = '-.', lw = 2, ms = 7, markevery = 5, label = r'$ y  = sin^2(x) + cos(x)$')

plt.axis('equal')
plt.xlabel('$x$ (rad)')
plt.legend()
plt.annotate("markevery: 5", xy = (0.5, -2.5), va = 'center', ha = 'left')

plt.savefig('line4.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Changing the line color

要更改线条颜色，如以下代码所示：

color = 'royalblue'

使用循环生成4种不同的颜色和4种不同的标记，如图所示。

完整代码如下：

N = 50

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

rows = 2
columns = 2

grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)

mark = [2, 5, 10, 12]
color = ['#00429d', '#627c94', '#f4777f', '#93003a']

plt.figure(figsize=(15, 10))
for i in range(len(linestyles)):
    plt.subplot(grid[i])
    plt.plot(x, y, 'o', ls='-.', lw = 2, ms = 8, markevery=mark[i], color = color[i], label = r'$ y  = sin^2(x) + cos(x)$')
    plt.axis('equal')
    plt.annotate("markevery: " + str(mark[i]), xy = (0.5, -2.5), va = 'center', ha = 'left')
    plt.xlabel('$x$ (rad)')
    plt.legend()

plt.savefig('line5.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Inserting error in line plot

为了演示折线图中的误差线，我需要使用以下代码生成误差：

np.random.seed(100)
noise_x = np.random.random(N) * .2 + .1
noise_y = np.random.random(N) * .7 + .4

该代码将为noise_x生成从0.1到0.3的随机数，为noise_y生成从0.3到0.7的随机数。要为y轴插入误差线，可以使用以下代码：

plt.errorbar(x, y, yerr = noise_y)

要在x轴上插入误差线，可以使用此参数：

xerr = noise_x

图17是线图中误差线的示例。

Figure 17. Creating an error bar plot in Matplotlib (Image by Author).

N = 25

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

np.random.seed(100)
noise_x = np.random.random(N) * .2 + .1
noise_y = np.random.random(N) * .7 + .4

plt.figure(figsize=(7, 4.5))
plt.errorbar(x, y, yerr = noise_y, xerr = noise_x, label = r'$ y  = sin^2(x) + cos(x)$')
plt.axis('equal')
plt.legend()
plt.xlabel('$x$ (rad)')

plt.savefig('line7.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

如果想显示数据而不显示线图，而仅显示误差线，则可以使用此参数：

fmt = 'o'    # shape of the data point
color = 'r'  # color of the data point
ecolor ='k'   # color of the error bar

完整代码如下：

N = 25

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

np.random.seed(100)
noise_x = np.random.random(N) * .2 + .1
noise_y = np.random.random(N) * .7 + .4

plt.figure(figsize=(7, 4.5))
plt.errorbar(x, y, xerr = noise_x, yerr = noise_y, label = r'$ y  = sin^2(x) + cos(x)$', color = 'r', fmt = 'o', ecolor='k', )
plt.axis('equal')
plt.legend()
plt.xlabel('$x$ (rad)')

plt.savefig('line8.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

上面的代码将显示一个图，如图所示。

Filling the error area

要显示错误，你可以使用此代码：

plt.fill_between(x, y + noise, y - noise, alpha = .5)

fill_between参数是x轴的数据，填充区域的上限和下限。在上面的代码中，它由y +噪声和y-噪声表示。需要降低填充区域的透明度，这是完整的代码

N = 25
x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

np.random.seed(100)
noise = np.random.random(N) * .7 + .4

plt.figure(figsize=(7, 4.5))
plt.plot(x, y, ls='-', label = r'$ y  = sin^2(x) + cos(x)$')
plt.fill_between(x, y + noise, y - noise, alpha = .5)
plt.axis('equal')
plt.legend()
plt.xlabel('$x$ (rad)')

plt.savefig('line9.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

运行上面的代码，结果如图所示：

Figure 20. Creating fill between the area in Matplotlib (Image by Author).

Inserting the vertical and horizontal lines

可以使用此代码插入水平线和垂直线：

plt.hlines(0, xmin = 0, xmax = 10)
plt.vlines(2, ymin = -3, ymax = 3)

你需要在第一个参数中定义水平线，然后是水平线的起点和终点。对于垂直线，它具有类似的参数。

下图是插入水平线和垂直线的示例。

完整代码如下：

N = 25

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

np.random.seed(100)
noise = np.random.random(N) * .7 + .4

plt.figure(figsize=(7, 4.5))
plt.plot(x, y, ls = '-', label = r'$ y  = sin^2(x) + cos(x)$', color = 'darkgreen')
plt.fill_between(x, y + noise, y - noise, color = 'darkgreen', alpha = .5)
plt.axis('equal')


plt.hlines(0, xmin = 0, xmax = 10, ls = '--', color = 'royalblue', label = 'hlines')
plt.vlines(2, ymin = -3, ymax = 3, ls = '--', color = 'orange', label = 'vlines')


plt.legend(bbox_to_anchor=(1.55, 1.04)) # position of the legend
plt.xlabel('$x$ (rad)')

plt.savefig('line10.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Filling between two vertical lines

本小节将在两条垂直线之间绘制一个填充区域，如图所示。

完整代码如下：

N = 25

x = np.linspace(0., 10., N)
y = np.sin(x)**2 + np.cos(x)

np.random.seed(100)
noise = np.random.random(N) * .7 + .4

plt.figure(figsize=(7, 4.5))
plt.plot(x, y, ls='-', label = r'$ y  = sin^2(x) + cos(x)$', color = 'darkgreen')
plt.fill_between(x, y + noise, y - noise, color = 'darkgreen', alpha = .5)

plt.axis('equal')

plt.fill_between((2,4), -3.2, 3.2, facecolor='orange', alpha = 0.4)

plt.xlim(0, 10)
plt.ylim(-3, 3)

plt.legend()
plt.xlabel('$x$ (rad)')

plt.savefig('line11.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

03. Histogram

本节将说明如何在1D和2D中制作直方图。首先，我将介绍一维直方图。在可视化一维直方图之前，我将使用此代码制作一个模拟数据，即正态分布随机数。

N = 1000
np.random.seed(10021)
x = np.random.randn(N) * 2 + 15

默认情况下，Numpy将生成一个正态分布的随机数，其均值/中位数（mu）等于0，方差（sigma）等于1。在上面的代码中，我将mu更改为15，将sigma更改为2。要在一维直方图中可视化变量x ，可以使用此代码：

plt.hist(x)

Matplotlib将为一维直方图生成10个bin作为默认设置。如果要更改箱（bins）数量，可以使用此参数。

bins = 40

该参数将生成具有40个bin的一维直方图，如图24所示。

这是创建图24的完整代码。

N = 1000
np.random.seed(10021)
x = np.random.randn(N) * 2 + 15
plt.figure(figsize=(9, 6))
plt.hist(x, bins = 40, label = r'$\mu = 15, \sigma = 2$')
plt.legend()

使用此参数限制直方图的范围：

range = (12, 18)

完整代码如下：

N = 1000

np.random.seed(10021)
x = np.random.randn(N) * 2 + 15

plt.figure(figsize=(9, 6))

plt.hist(x, bins = 40, range = (12, 18), color = 'darkorange', label = r'$\mu = 15, \sigma = 2$')

plt.legend()
plt.savefig('hist3.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Horizontal histogram

你可以创建一个水平直方图，如图所示。

需要使用此参数来创建水平直方图：

orientation = 'horizontal'

如果要显示每个直方图的边框，可以使用此参数：

edgecolor = 'k'

完整代码如下：

N = 1000

np.random.seed(10021)
x = np.random.randn(N) * 2 + 15

plt.figure(figsize=(9, 6))
plt.hist(x, bins = 25, range = (12, 18), color = 'royalblue', orientation='horizontal',  edgecolor='k', label = r'$\mu = 15, \sigma = 2$')
plt.legend()

plt.savefig('hist5.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

Overlapping histogram

可以在一个图中显示许多直方图，如图27所示。

在上图中，我生成了三个正态分布，分别具有不同的mu和sigma。

可以通过更改直方图的透明度（alpha参数）使其更漂亮，如图所示。

代码如下：

N = 1000
mu1 = 5
mu2 = 10
mu3 = 15
sigma1 = 5
sigma2 = 3
sigma3 = 2
x1 = np.random.randn(N) * sigma1 + mu1
x2 = np.random.randn(N) * sigma2 + mu2
x3 = np.random.randn(N) * sigma3 + mu3
mu = np.array([mu1, mu2, mu3])
sigma = np.array([sigma1, sigma2, sigma3])
x = np.array([x1, x2, x3])
colors = ['royalblue', 'tomato', 'gray']

plt.figure(figsize=(9, 6))

for i in range(len(x)):
    plt.hist(x[i], bins = 30, color = colors[i], 
             label = r'$\mu = $ ' + str(mu[i]) + 
             ', $\sigma = $ ' + str(sigma[i]), alpha = .7)

plt.legend()

2D histogram

可以使用Matplotlib生成2D直方图，如图所示。

要创建上图，需要使用此代码生成2个正态分布。

N = 1_000
np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)

要在2D直方图中可视化变量x和y，可以使用此代码。

plt.hist2d(x, y)

与1D直方图一样，Matplotlib将生成10个bin作为2D直方图的默认设置。要对其进行更改，可以应用与一维直方图中相同的参数，如下面的代码所示。

bins = (25, 25)

还可以使用此参数更改2D直方图的颜色图：

cmap = orange_blue

这是修改2D直方图中使用的色图的完整代码。

from matplotlib import cm
from matplotlib.colors import ListedColormap, LinearSegmentedColormap

top = cm.get_cmap('Oranges_r', 128)
bottom = cm.get_cmap('Blues', 128)

newcolors = np.vstack((top(np.linspace(0, 1, 128)),
                       bottom(np.linspace(0, 1, 128))))
orange_blue = ListedColormap(newcolors, name='OrangeBlue')

N = 10_000

np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)

plt.figure(figsize=(8.5, 7))
plt.hist2d(x, y, bins=(75, 75), cmap = orange_blue)
cb = plt.colorbar()
cb.set_label('counts each bin', labelpad = 10)

plt.savefig('hist12.png', dpi = 300, bbox_inches = 'tight', facecolor='w')

运行上面的代码，创建的图形如图所示。

可以通过将此参数应用于plt.hist2d（）来限制每个计数的范围（更改颜色条的限制）。

cmin = 5, cmax = 25

Marginal plot

本小节将介绍如何创建边际分布，如图35所示。

Figure 35. The marginal plot from scatter distribution and histogram in Matplotlib (Image by Author).

图35由散点图和2个直方图构建。要创建它，您需要了解如何在单个图形中自定义子图或轴。图35由25个轴（5列5行）构成。详细信息如图36所示。

Figure 36. Multiple subplots in Matplotlib (Image by Author).

rows = 5
columns = 5
grid = plt.GridSpec(rows, columns, wspace = .4, hspace = .4)
plt.figure(figsize=(10, 10))
for i in range(rows * columns):
    plt.subplot(grid[i])   
    plt.annotate('grid '+ str(i), xy = (.5, .5), ha = 'center', 
                 va = 'center')
for i in range(rows):
    exec (f"plt.subplot(grid[{i}, 0])")
    plt.ylabel('rows ' + str(i), labelpad = 15)
for i in range(columns):
    exec (f"plt.subplot(grid[-1, {i}])")
    plt.xlabel('column ' + str(i), labelpad = 15)

图35显示了图36的转换。我将图36中的某些网格合并为仅3个较大的网格。第一个网格将网格0合并到网格3（行1，列0到列3）。我将用直方图填充第一个网格。第二个网格合并从第1行到第4行以及从第0列到第3列的16个网格。最后一个网格是通过合并网格9、14、19和24（行1、2、3、4和列4）构建的。

要创建第一个网格，可以使用此代码。

rows = 5
columns = 5
grid = plt.GridSpec(rows, columns, wspace = .4, hspace = .4)
plt.figure(figsize=(10, 10))
plt.subplot(grid[0, 0:-1])

之后，添加以下代码以插入一维直方图：

plt.hist(x, bins = 30, color = 'royalblue', alpha = .7)

要创建第二个网格，可以将此代码添加到上面的代码中

plt.subplot(grid[1:rows+1, 0:-1])

添加此代码以在第二个网格中生成散点图。

plt.scatter(x, y, color = 'royalblue', s = 10)
plt.axis('equal')

这是生成第三个网格及其直方图的代码。您需要将下面的代码插入第一个网格代码中：

plt.subplot(grid[1:rows+1, -1])
plt.hist(y, bins = 30, orientation='horizontal', color = 'royalblue', alpha = .7)

以上完整代码如下所示：

N = 10_000

np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)

rows = 5
columns = 5

grid = plt.GridSpec(rows, columns, wspace = .4, hspace = .4)

plt.figure(figsize=(10, 10))

plt.subplot(grid[0, 0:-1])
plt.hist(x, bins = 30, color = 'royalblue', alpha = .7)

plt.subplot(grid[1:rows+1, 0:-1])
plt.scatter(x, y, color = 'royalblue', s = 10)
plt.axis('equal')

plt.subplot(grid[1:rows+1, -1])
plt.hist(y, bins = 30, orientation='horizontal', color = 'royalblue', alpha = .7)

可以使用此代码重现上图。

N = 10_000

np.random.seed(100)
x = np.random.randn(N)
y = np.random.randn(N)

rows = 5
columns = 5

grid = plt.GridSpec(rows, columns, wspace = .4, hspace = .4)

plt.figure(figsize=(10, 10))

plt.subplot(grid[0, 0:-1])
plt.hist(x, bins = 40, color = 'royalblue', alpha = .3)
plt.annotate('Normal 1', xy = (2, 500), va = 'center', ha = 'left')

plt.subplot(grid[1:rows+1, 0:-1])
plt.hist2d(x, y, cmap = 'Blues', bins = (40, 40))
plt.axis('equal')

plt.subplot(grid[1:rows+1, -1])
plt.hist(y, bins = 40, orientation='horizontal', color = 'royalblue', alpha = .3)
plt.annotate('Normal 2', xy = (500, 2), va = 'bottom', ha = 'center', rotation = -90)

04. Bar chart

如果想用条形图可视化数据，这很适合。像往常一样，在Matplotlib中创建条形图之前，我想创建要显示的模拟数据。我想在数学考试成绩中创建六个人的数据。要创建它，我使用以下代码。

name = ['Adam', 'Barry', 'Corbin', 'Doe', 'Evans', 'Frans']
np.random.seed(100)
N = len(name)
math = np.random.randint(60, 100, N)

我生成的数学考试成绩从60到100。要使其形象化，可以使用此代码。

plt.bar(name, math, alpha = .7)

完整代码：

name = ['Adam', 'Barry', 'Corbin', 'Doe', 'Evans', 'Frans']
np.random.seed(100)
N = len(name)
math = np.random.randint(60, 100, N)
plt.figure(figsize=(9, 6))
plt.bar(name, math, alpha = .7)
plt.ylabel('Math Exam')

之后，我使用此代码为物理，生物学和化学考试成绩创建了更多模拟数据。

np.random.seed(100)
N = len(name)
math = np.random.randint(60, 100, N)
physics = np.random.randint(60, 100, N)
biology = np.random.randint(60, 100, N)
chemistry = np.random.randint(60, 100, N)

完整代码如下：

name = ['Adam', 'Barry', 'Corbin', 'Doe', 'Evans', 'Frans']
course_name = ['Math', 'Physics', 'Biology', 'Chemistry']
N = len(name)
rows = 2
columns = 2
plt.figure(figsize=(12, 8))
grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)

for i in range(len(course_name)):
    np.random.seed(100)
    course = np.random.randint(60, 100, N)
    plt.subplot(grid[i])
    plt.bar(name, course, alpha = .7)
    plt.ylabel(course_name[i] + ' Exam')
    plt.ylim(60, 100)

Horizontal bar chart

效果图：

完整代码：

name = ['Adam', 'Barry', 'Corbin', 'Doe', 'Evans', 'Frans']
course_name = ['Math', 'Physics', 'Biology', 'Chemistry']
colors = ['#00429d', '#7f40a2', '#a653a1', '#c76a9f', 
          '#e4849c', '#d0e848']
N = len(name)
rows = 2
columns = 2
plt.figure(figsize=(12, 8))
grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)

for i in range(len(course_name)):
    np.random.seed(100)
    course = np.random.randint(60, 100, N)
    plt.subplot(grid[i])
    plt.barh(name, course, color = colors)
    plt.xlabel(course_name[i] + ' Exam')
    plt.xlim(60, 100)


    plt.gca().invert_yaxis()

可以使用此参数在水平条形图中插入误差线：

N = len(name)
noise = np.random.randint(1, 3, N)
plt.barh(name, course, xerr = noise)

我使用1到3之间的整数随机数创建了错误，如变量noise中所述。在为水平条形图添加一些元素之后，我将其显示出来，如图42所示。

完整代码如下：

name = ['Adam', 'Barry', 'Corbin', 'Doe', 'Evans', 'Frans']
course_name = ['Math', 'Physics', 'Biology', 'Chemistry']
N = len(name)
rows = 2
columns = 2
plt.figure(figsize=(12, 8))
grid = plt.GridSpec(rows, columns, wspace = .25, hspace = .25)
np.random.seed(100)
for i in range(len(course_name)):
    course = np.random.randint(60, 95, N)
    noise = np.random.randint(1, 3, N)
    plt.subplot(grid[i])
    plt.barh(name, course, color = colors, xerr = noise, 
             ecolor = 'k')
    plt.xlabel(course_name[i] + ' Exam')
    plt.xlim(60, 100)
    plt.gca().invert_yaxis()

这是第1部分，我尝试限制阅读时间（少于30分钟），以便你可以享受阅读的乐趣。本部分仅涵盖11个部分中的4个部分，包括散点图，折线图，直方图和条形图。在下一部分中，我将显示教程以创建箱形图，小提琴图，饼图，极坐标图，地理投影，3D图和轮廓图。

码农公寓

文章目录

01. Scatter plot

Change marker style

Customizing the size for each data

Color-coded scatter plot

Customizing the colormaps

02. Line plot

Customizing line styles

Customizing line width

Creating mark every

Changing the line color

Inserting error in line plot

Filling the error area

Inserting the vertical and horizontal lines

Filling between two vertical lines

03. Histogram

Horizontal histogram

Overlapping histogram

2D histogram

Marginal plot

04. Bar chart

Horizontal bar chart

相关文章