数据可视化之如何用Matplotlib画好看的图

1. 数据可视化之如何用Matplotlib画好看的图

【导语】有时候有些事情，我们无法用言语清晰的表达，我们可以通过图表。文不如表，表不如图。所以，可视化是数据分析中最重要的任务之一。python中有很多可视化的工具包，这篇文章主要围绕Matplotlib，需要的小伙伴可以做个参考。
  
  Matplotlib 官方定义：Matplotlib是一个综合库，用于在Python中创建静态，动画和交互式可视化。
   
                                          
 
  
 导入相关包， 测试数据是阿里的双十二用户行为 ，绘制按天的pv和uv用户浏览量的折线图。
                                          
 图表说明：双十二期间，pv和uv访问量达到峰值，并且可以发现，uv和pv两个访问量数值差距比较大，同时，因为数据集总人数大约是10000人左右，因此，通过uv值可以分析出双十二期间淘宝用户的日活跃大概是45%浮动。
  
 测试数据是饭店的综合评分，综合评分，口味评分，环境评分，服务评分，人均价格，绘制散点图，观察人均价格和分别对口味评分、环境评分、服务评分的关系。
                                          
 图表说明：通过观察散点的离散程度，人均价格和服务、环境的相关性更大一些。
                                          
 图表说明：通过热力图颜色的渐变程度，在影响综合评分的因素中，环境评分和口味评分呈现高度相关，人均价格呈现中度相关，人均价格则呈现极低的相关性。
                                          
 实现方法：plt.pie(x,lables,autopct,shadow,startangle,colors,explode)
                                                                                                                                                                                                          
 本篇文章主要归纳了Matplotlib的绘图方法，具体的使用还是要结合我们的业务数据。那么在企业中，可视化不仅仅能展现数据规律，挖掘有价值的信息；还可以监测数据异常指标；为建模提供一些想法，做一些预测等。
  
 希望本文的内容对大家的学习或者工作能带来一定的帮助，每天进步一点点，加油。

2. python matplotlib数据作图

一、使用numpy生成长度为100的等差序列作为自变量，命名为x，并使用三角函数SiNx和cosx**2生成两个因变量，命名为y和Z。

二、设置画布的大小、颜色、宽度、类型和标签。

三、通过plt.figure(figsize=(10,6))的画布。图（（10,6））。

四、尝试plt.plot(x,y,color='red',linewidth=2,label='$\sinx$')和plt.plot(x,z,'b--',label='$\cosx^2$')。

五、分通过plt.xlabel('T')和plt.ylabel('V')设置X和Y轴的轴标签；并通过plt.title('V changes by T')为图形设置标题。

六、Y[：，0]=Y[：，0]*888表示修改第一个数据并将其展开888次；之后，使用上述设置时保持不变，发现另一行几乎是一条直线。

3. python matplotlib数据作图

一、使用numpy生成长度为100的等差序列作为自变量，命名为x，并使用三角函数SiNx和cosx**2生成两个因变量，命名为y和Z。

二、设置画布的大小、颜色、宽度、类型和标签。

三、通过plt.figure(figsize=(10,6))的画布。图（（10,6））。

四、尝试plt.plot(x,y,color='red',linewidth=2,label='$\sinx$')和plt.plot(x,z,'b--',label='$\cosx^2$')。

五、分通过plt.xlabel('T')和plt.ylabel('V')设置X和Y轴的轴标签；并通过plt.title('V changes by T')为图形设置标题。

六、Y[：，0]=Y[：，0]*888表示修改第一个数据并将其展开888次；之后，使用上述设置时保持不变，发现另一行几乎是一条直线。

4. Python中除了matplotlib外还有哪些数据可视化的库

python数据可视化库有很多，其中这几个最常见：

第一个：Matplotlib
Matplotlib是python中众多数据可视化库的鼻祖，其设计风格与20世纪80年代设计的商业化程序语言MATLAB十分接近，具有很多强大且复杂的可视化功能。Matplotlib包含多种类型的API，可以采用多种方式绘制图表并对图表进行定制。
第二个：Seaborn
Seaborn是基于Matplotlib进行高级封装的可视化库，它支持交互式界面，使绘制图表的功能变得更简单，且图表的色彩更具吸引力，可以画出丰富多样的统计图表。
第三个：Bokeh
Bokeh是一个交互式的可视化库，支持使用Web浏览器展示，可使用快速简单的方式将大型数据集转换成高性能的、可交互的、结构简单的图表。
第四个：Pygal
Pygal是一个可缩放矢量图表库，用于生成可在浏览器中打开的SVG格式的图表，这种图表能够在不同比例的屏幕上自动缩放，方便用户交互。
第五个：Pyecharts
Pyecharts是一个生成ECharts的库，生成的ECharts凭借良好的交互性、精巧的设计得到了众多开发者的认可。

5. Python中除了matplotlib外还有哪些数据可视化的库

常见的Python可视化库有哪些？
Matplotlib
Matplotlib是一个Python 2维绘图库，已经成为Python中公认的数据可视化工具，通过Matplotlib你可以很轻松地画一些或简单或复杂地图形，几行代码即可生成线图、直方图、功率谱、条形图、错误图、散点图等等。
 
Seaborn
Seaborn是基于Mtplotlib产生的一个模块，专攻于统计可视化，可以和pandas进行无缝链接，使初学者更容易上手。相对于Matplotlib，Seaborn语法更简洁，两者关系类似于NumPy、和Pandas之间的关系。
 
HoloViews
HoloViews是一个开源的Python库，可以用非常少的代码行中完成数据分析和可视化，除了默认的Matplotlib后端外，还添加了一个Bokeh后端。Bokeh提供了一个强大的平台，通过结合Bokeh提供的交互式小部件，可以使用HTML5 canvas和WebGL快速生成交互性和高维可视化，非常适合于数据的交互式探索。
 
Altair
Altair是Python的一个公认的统计可视化库，它的API简单、友好、一致，并建立在强大的vega-lite（交互式图形语法）之上。Altair API不包含实际的可视化呈现代码，而是按照vega-lite规范发出JSON数据结构。由此产生的数据可以在用户界面中呈现，这种优雅的简单性产生了漂亮且有效的可视化效果，且只需很少的代码。
 
ggplot
ggplot是基于R的ggplot2和图形语法的Python的绘图系统，实现了更少的代码绘制更专业的图形。
它使用一个高级且富有表现力的API来实现线，点等元素的添加，颜色的更改等不同类型的可视化组件的组合或添加，而不需要重复使用相同的代码，然而这对那些试图进行高度定制的的来说，ggplot并不是最好的选择，尽管它也可以制作一些非常复杂、好看的图形。
 
Bokeh
Bokeh是一个Python交互式可视化库，支持现代化Web浏览器展示。它提供风格优雅、简洁的D3.js的图形化样式，并将此功能扩展到高性能交互的数据集，数据流上。使用Bokeh可以快速便捷地创建交互式绘图、仪表板和数据应用程序等。
Bokeh能与NumPy、Pandas，Blaze等大部分数组或表格式的数据结构完美结合。

6. python matplotlib数据作图

1、使用numpy生成一个长度为100的等差数列作为自变量，命名为x，分别使用三角函数sinx和cosx**2生成2个因变量，命名为y和z。

2、设置画布的尺寸大小和图形颜色、线条宽度、线条类型、图形标签等。

3、通过plt.figure(figsize=(10,6))设计一个10*6的画布。

4、尝试plt.plot(x,y,color='red',linewidth=2,label='$\sinx$')和plt.plot(x,z,'b--',label='$\cosx^2$')。

5、分别通过plt.xlabel('T')和plt.ylabel('V')设置X和Y轴的轴标签；通过plt.title('V changes by T')为图形设置标题。

6、y[:,0]=y[:,0]*888表示修改第一个数据，扩大888倍；后面沿用上面设置不变，发现另一条线几乎成为一条直线。

7. Python实操：手把手教你用Matplotlib把数据画出来

 
   作者：迈克尔·贝耶勒（Michael Beyeler）
   如需转载请联系华章 科技 
   
   如果已安装Anaconda Python版本，就已经安装好了可以使用的 Matplotlib。否则，可能要访问官网并从中获取安装说明：
   http://matplotlib.org
   正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：
   在本书中，plt接口会被频繁使用。
   让我们创建第一个绘图。
   假设想要画出正弦函数sin(x)的线性图。得到函数在x坐标轴上0≤x＜10内所有点的值。我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：
   可以使用 NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：
   你亲自尝试了吗？发生了什么吗？有没有什么东西出现？
   实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。有下面几种可能性：
    1. 从.py脚本中绘图 
   如果从一个脚本中运行 Matplotlib，需要加上下面的这行调用：
   在脚本末尾调用这个函数，你的绘图就会出现！
    2. 从 IPython shell 中绘图 
   这实际上是交互式地执行Matplotlib最方便的方式。为了让绘图出现，需要在启动 IPython 后使用所谓的%matplotlib魔法命令。
   接下来，无须每次调用plt.show()函数，所有的绘图将会自动出现。
    3. 从 Jupyter Notebook 中绘图 
   如果你是从基于浏览器的 Jupyter Notebook 中看这段代码，需要使用同样的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入图形，这会有两种输出选项：
   在本书中，将会使用inline选项：
   现在再次尝试一下：
   上面的命令会得到下面的绘图输出结果：
   
   如果想要把绘图保存下来留作以后使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：
   仅需要确保你使用了支持的文件后缀，比如.jpg、.png、.tif、.svg、.eps或者.pdf。
   作为本章最后一个测试，让我们对外部数据集进行可视化，比如scikit-learn中的数字数据集。
   为此，需要三个可视化工具：
   那么开始引入这些包吧：
   第一步是载入实际数据：
   如果没记错的话，digits应该有两个不同的数据域：data域包含了真正的图像数据，target域包含了图像的标签。相对于相信我们的记忆，我们还是应该对digits稍加 探索 。输入它的名字，添加一个点号，然后按Tab键：digits.，这个操作将向我们展示digits也包含了一些其他的域，比如一个名为images的域。images和data这两个域，似乎简单从形状上就可以区分。
   两种情况中，第一维对应的都是数据集中的图像数量。然而，data中所有像素都在一个大的向量中排列，而images保留了各个图像8×8的空间排列。
   因此，如果想要绘制出一副单独的图像，使用images将更加合适。首先，使用NumPy的数组切片从数据集中获取一幅图像：
   这里是从1797个元素的数组中获取了它的第一行数据，这行数据对应的是8×8=64个像素。下面就可以使用plt中的imshow函数来绘制这幅图像：
   上面的命令得到下面的输出：
   
   此外，这里也使用cmap参数指定了一个颜色映射。默认情况下，Matplotlib 使用MATLAB默认的颜色映射jet。然而，在灰度图像的情况下，gray颜色映射更有效。
   最后，可以使用plt的subplot函数绘制全部数字的样例。subplot函数与MATLAB中的函数一样，需要指定行数、列数以及当前的子绘图索引（从1开始计算）。我们将使用for 循环在数据集中迭代出前十张图像，每张图像都分配到一个单独的子绘图中。
   这会得到下面的输出结果：
   
   关于作者：Michael Beyeler，华盛顿大学神经工程和数据科学专业的博士后，主攻仿生视觉计算模型，用以为盲人植入人工视网膜（仿生眼睛），改善盲人的视觉体验。 他的工作属于神经科学、计算机工程、计算机视觉和机器学习的交叉领域。同时他也是多个开源项目的积极贡献者。 
   本文摘编自《机器学习：使用OpenCV和Python进行智能图像处理》，经出版方授权发布。
   
   

8. Python Matplotlib画图

 主要用于作图、可视化问题
    pip install matplotlib 
   导入模块 pyplot 和 pylab ，可以参考下面链接观察两者区别：    https://www.cnblogs.com/Shoesy/p/6673947.html    （说白了就是pylay=pyplot+numpy）
   输入这三行解决
   主要使用 plot() 来展示，里面前两个参数代表 x ， y 坐标（注意x，y数量要一样），第三个参数可以用来设置散点图( 'o' )或者颜色、线条形式等各种样式，并且第三个参数可以同时传入多个，比如要红色的散点图就： '0r'    (1)颜色样式：
   (2)线条样式：
   (3)点的样式：
   (4)坐标区间：
   或者分别设置x、y的区间：
    注：    设置点的样式时默认就是散点图，以及同类样式只能设置一个（比如不能设置两种颜色），并且还可以把多个图集合在一起展示，那就多 plot 几个，plot就相当于一个画布，每plot一个就相当于在上面画一张图，再弄就继续在上面画
   主要用 hist() 来显示，实现方式很简单，把一组数据放入括号里就行了，例如随机生成一堆正态分布的数，然后直方图显示：
   其中如果要设置直方图格式（宽度、上下限、是否要轮廓）可以这样：
    注：    直方图和折线图这些不太一样，折线图是传入两个等长数据，然后每个x、y坐标一一对应展示出来。而直方图是：第一个参数代表你传入的所有数据，第二个参数代表你传入的x轴范围，然后直方图会将第一个参数里传入的数据一个个计算在某个范围内含有的数据量，因此传入的两个参数数据不一定要等长，例如下面的例子：
   结果如图：
                                           可以看出数据被自动分配到对应的范围内上了
   使用 subplot(row, col, area) ：三个参数分别是行数、列数和区域，比如要将原图分成2行2列（切成4份），然后要左下角那个图就：
   如果想4个图都显示就4个 subplot ，分别1、2、3、4就行了，然后在各图的subplot之后写的都是每个图的内容，现在我们试试弄一个2行，第一行两列的图片（想象下鼠标的样子），而且分别是不同的内容：
    注：     labels 、 sizes 、 colors 和 explode 的长度都要一样
   1.导入3D图相关模块：
   2.将画图板加到3D模块里，然后加入数据即可：
   3D散点图举例：
   通过 imread() 读取，举例：
    https://blog.csdn.net/qq_34859482/article/details/80617391