第5章 Matplotlib的使用 本章学习目标  掌握Matplotlib绘制图表的流程。  掌握Matplotlib的基本绘图技巧。  掌握Matplotlib绘制散点图的方法。  掌握Matplotlib绘制直方图的方法。  掌握Matplotlib绘制饼状图的方法。  掌握Matplotlib绘制折线图的方法。  掌握Matplotlib绘制箱型图的方法。 Matplotlib是一个Python的2D库，可以跨平台绘制各种图形，Matplotlib可以用于Python脚本、Python Shell、Jutyper Notebook等工具。该库是NumPy的可视化操作界面，其设计与MATLAB非常相似。Matplotlib的主要开发者John D． Hunter于2012年去世，到2015年11月，Matplotlib　1．5支持Python 2．7~Python 3．5。 视频讲解 5.1Matplotlib绘图流程 在数据可视化过程中，Matplotlib极大地提高了开发者的生产效率，Matplotlib可以通过几行代码生成开发者想要的图形，如直方图、功率图、条形图、误差图等。Matplotlib可以通过操作图对应的相关属性，绘制出开发者定制的图表。另外，开发者可以编辑图表的标题、轴刻度、图例等相关属性。 Matplotlib库中包含pyplot模块，该模块用于绘制图形的状态机，为图形的绘制创建基本环境。创建画布后需要对图层进行基本绘制，开发者主要对子图层进行绘制，一般对于子图层习惯使用面向对象的基本方法进行绘制，可以将绘制图形分为三类简单的对象分别操作，三类图形分别对应Axes对象、Artist对象和Axis对象。 Axes对象主要用来存储子图，在一块画布中可以有多组Axes对象，该对象限制了每幅图片的基本数据范围。Artist对象是众多对象的集合，包括开发者在Axes对象中绘制的文本、图形、注释。Axis对象主要是开发者限制数据范围，包括2D的横纵坐标的范围或者3D数据的所有轴的范围，每一个Axes对象都有两个或者三个Axis对象。 具体绘图流程如图5．1所示。 图5．1绘图流程图 图5．1为绘图流程图，表5．1为对应阶段常用的基本函数及相应说明。 表5．1常用函数 阶 段函数说明 Step1figure用于创建画布(配置画布大小、分辨率) Step2add_subplot添加子图(可以配置子图的基本属性) Step3 title设置图表标题，可以指定颜色、大小、位置等 xlabel设置x轴名称，可以指定位置、颜色、字体大小等 ylabel设置y轴名称，可以指定位置、颜色、字体大小等 xlim设置x轴范围，只能确定一个数值区间ylim 设置y轴范围，只能确定一个数值区间xticks设置x轴刻度的数据与取值 yticks设置y轴刻度的数据与取值 legend设置图表的图例(可以设置图例的大小、位置、标签) Step4 savafig保存绘制的图片，可以设置图形的分辨率等基本参数 show显示图片 在后续章节中将详细讲述相关函数的使用。 第 5 章 Matplotlib的使用 Python快乐编程——数据分析与实战 5.2Matplotlib基本使用 在5．1节中学习了图形绘制的基本流程，本节将一步步实现图形的基本绘制。 视频讲解 5.2.1创建画布 在Matplotlib库中创建画布一般使用figure()函数，下面是figure()函数的定义。 matplotlib．pyplot．figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=, clear=False, **kwargs) figure()函数的参数很多，但是在实际使用过程中一般只使用figsize，开发者可以根据开发需求设置参数。figure()函数参数具体如表5．2所示。 表5．2figure()函数参数 参数说明 num 参数类型可以为num或者string，当参数为num时，表示图片的id，如果传入的id值对应的图片存在，将会返回图片的索引； 如果不存在，创建并返回相应索引。当传入值为 string类型时，该参数代表title，窗口的标题将会被设置成title 续表 参数说明 figsize该参数用来指定图片的大小，开发者不设定任何参数时，将使用默认参数None。Matplotlib实际上将使用rc参数，rc为参数为大小为6．4×4．8(单位inches)的图片 dpi默认值为None，参数类型应为int，该参数用来指定图形的分辨率，开发者未指定相应参数时，默认使用rc参数，默认参数为100 facecolor默认参数为None，该参数用来指定图片的背景颜色，开发者未指定相应参数时，Matplotlib默认使用rc参数配置，指定参数为“w”，白色使用 edgecolor默认值为None，该参数用来指定边界颜色，默认使用rc参数配置，指定参数为“w”，背景颜色设置为白色 frameon 默认值为True，参数为bool类型，该参数为绘画图形框标志位，决定是否可以在画布上进行图形框绘画 FigureClass该参数为Figure的子集，开发者可以根据自己的需求自定义Figure实例 clear 默认值为False，参数为bool类型，当该参数为True时，将Figure自动清除，反之亦然 figure()函数有相应的返回值，返回值为创建的一个figure实例，具体代码如下。 In［1］: import matplotlib．pyplot as plt# 导入需要使用的库 In［2］: fig = plt．figure(figsize =(8,7))# 创建画布对象
通过上述代码可以看出，figure()函数返回的参数为Axes对象的引用，需要注意的是，引用是系统分配的，每次的结果不一定相同。 视频讲解 5.2.2添加子图 5．2．1节中主要讲述了使用figure()函数进行画布的创建，本节将继5.2.1节内容完善相应的代码，在5．2．1节代码的基础上进行相应的子图添加。在进行相应的绘图操作时，一般使用add_subplot()函数进行相应的子图添加，相应的四种函数具体形式如下。 add_subplot(*args, **kwargs)# 第一种函数 add_subplot(nrows, ncols, index, **kwargs)# 第二种函数 add_subplot(pos, **kwargs)# 第三种函数 add_subplot(ax)# 第四种函数 上述四种函数中，第二种最为常用，通过函数不能直接看出相应的参数，可以通过具体参数列表进行查看，add_subplot()函数参数具体如表5．3所示。 表5．3add_subplot()函数参数 参数说明 pospos是一个三位数整数，其中，第一个数字是行数，第二个数字是列数，第三个数字是子图的索引。即图add_subplot(235)与图add_subplot(2,3,5)相同。注意，Matplotlib规定所有整数必须小于10 续表 参数说明 projection 该参数表示子图的投影类型，默认值为None，代表是一个“直线”投影。取值范围为{None，'aitoff'，'hammer'，'lambert'， 'mollweide'，'polar'，'straight linear'，str} polar 参数为bool类型，如果为True，则等价于projection='polar' sharex, sharey表示对应的子图将具有相同的x轴或者y轴 label str类型，返回对应子图的标题 * * kwargs 该方法还接受返回的axis基类的关键字参数，具体如表5.4所示(本书只列举了一部分进行相应的说明) 除表5．3中的参数外，该函数还可以接受其他参数，add_subplot()函数额外参数具体如表5．4所示。 表5．4add_subplot()函数额外参数 参数说明 adjustable该参数为可选参数，当参数为box时，将具有自适框架的基本能力； 当参数为datalim时，将调节轴数据的限制范围 title str类型，代表对应子图的标题 xlabel str类型，代表x轴标签 xlim 元组类型，代表x轴相应的范围(left： float, right: float) xticks list类型数据，代表x轴的相应刻度函数 ylabel str类型，代表y轴标签 ylim 代表y轴相应的范围 yticks list数据，代表y轴的相应刻度函数 add_subplot()函数的返回值是一个子图对象，开发者可以在子图对象中创建许多Artist对象，具体代码如下。 In［1］: import matplotlib.pyplot as plt import numpy as np from numpy.random import randn In［2］: fig = plt.figure(figsize = (8,7))# 创建画布对象 ax1 = fig.add_subplot(1,1,1)# 画布子图对象1 并用ax1变量指向它 ax1.hist(randn(100))# 使用轴向图的代码方法创建图 Out［2］: (array(［ 1., 5., 5., 14., 22., 20., 15., 10., 6., 2.］), array(［-2.45661705, -1.98386145, -1.51110584, -1.03835024, -0.56559463, -0.09283903, 0.37991657, 0.85267218, 1.32542778, 1.79818339, 2.27093899］), ) 上述代码中hist()函数用来绘制直方图。上述代码中使用add_subplot()函数创建了一个1行1列的子图，并在索引值为1的子图中进行相应的绘制，本例中使用hist()函数绘制了一个柱状图(关于图形的基本绘制，本章的后续小节将详细讲述)。 视频讲解 5.2.3规定刻度与标签 在绘制完基本图形后，开发者需要使用xlabel()与ylabel()函数对坐标轴进行数据的绘制操作，为图表添加轴标签，本节将对5．2．2节中的案例进行轴标签完善。 具体函数接口如下。 matplotlib．pyplot．xlabel(xlabel, fontdict=None, labelpad=None, **kwargs) matplotlib．pyplot．ylabel(ylabel, fontdict=None, labelpad=None, **kwargs) 相关参数请查看参数表，xlabel()与ylabel()函数参数如表5．5所示。 表5．5xlabel()与ylabel()函数参数 参数说明 xlabel/ylabel string类型，表示轴标签 labelpad 标量，可选，默认为None，标签与x轴之间的点间距 **kwargs 文本属性，控制标签的外观 在5．2．2节的基础上进行代码完善，设置相应的刻度和标签，具体代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np from numpy．random import randn In［2］: fig = plt．figure(figsize =(8,7)) # 创建画布对象 ax1 = fig．add_subplot(1,1,1)# 画布子图对象1 并用ax1变量指向它 ax1．hist(randn(100)) # 使用轴向图的代码方法创建图 plt．xlabel("x轴") plt．ylabel("y轴") Out［2］: Text(0, 0．5, 'y轴') 通过上述代码可以看出，xlabel()与ylabel()函数为图表添加标签后的效果。 视频讲解 5.2.4添加图例 5．2．3节中为图形添加了轴标签，本节将为图表添加图例，Matplotlib为开发者提供了legend()函数，使开发者可以自定义图表的图例，对应函数的形式如下。 matplotlib．pyplot．legend(labels) 注意： legend()函数参数应为字符串列表。 pyplot模块的legend()函数有三种表示方式，具体如下。 1． 不带参数的legend 此类方法将自动把数据图例标签绘制到相应图形上，要配合Axes对象的plot()函数使用，具体代码如下。 line, =ax．plot(［1,2,3］,label = "string") ax．legend() 2． 带参数的legend 此方法最为常用，同时需要传递参数label，具体代码如下。 ax．plot(［1, 2, 3］) ax．legend(［'A simple line'］) 3． 带处理方法的legend legend()函数允许开发者自定义处理方式，具体代码如下。 legend(handles, labels) legend()函数的基本参数如表5．6所示。 表5．6legend()函数基本参数 参数说明 handles 绘画对象的列表参数，Matplotlib允许开发中进行完全控制，针对不同的线进行相应的控制，但是需要注意的是handles和labels的长度一致 labels 对应线的说明内容，需要与handles参数一同使用，此使用方法是Matplotlib给开发者的最大使用权限，该方法最为灵活 fontsize int 或者float 或者 {'xxsmall', 'xsmall', 'small', 'medium', 'large', 'xlarge', 'xxlarge'}中的某个值，该参数用于控制图例的字体大小。如果值是数字，则大小将是以点为单位的绝对字体大小，字符串值相对于当前默认字体大小。此参数仅在未指定prop时使用 facecolor 默认值为None，控制图例的背景颜色。当使用的值为None时，Matplotlib将使用rcParams［"legend．facecolor"的值。如果将该值设置为inherit，Matplotlib将使用rcParams［"ax ．facecolor"］的值 edgecolor 默认值为None，该参数用于控制图例的背景的边缘颜色。当值为None时将使用rcParams［"legend．edgecolor"］ 。如果值为inherit，它将使用rcParams［"ax ．edgecolor"］ title 参数为str或None，用来设置图表的标题，默认值为None legend()函数的返回值是一个matplotlib．legend．Legend实例，除上述基本参数外，Matplotlib还为开发者提供了许多其他参数，本书不逐一讲述，开发者可以查阅官方文档。 本节将继续5.2.3节内容为图形添加图例，具体代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np from numpy．random import randn In［2］: fig = plt．figure(figsize =(8,7))# 创建画布对象 ax1 = fig．add_subplot(1,1,1)# 画布子图对象1 并用ax1变量指向它 ax1．hist(randn(100))# 使用轴向图的代码方法创建图 plt．xlabel("x轴") plt．ylabel("y轴") plt．legend(［"testing"］) Out［2］: 通过上述代码可以看出，legend()函数返回值为一个地址(注意： 该地址不是固定的)。 视频讲解 5.2.5显示 在5．2．4节中完成了对图表添加图例，但这并不是最后一步，在添加完图例后应使用show()函数完成相应的显示操作，对应的函数如下。 matplotlib．pyplot．show(*args, **kw) 虽然该函数具有较多参数，但在使用时并不常用，本书不对该函数参数讲解。 该函数的使用代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np from numpy．random import randn In［2］: fig = plt．figure(figsize = (8,7))# 创建画布对象 ax1 = fig．add_subplot(1,1,1)# 画布子图对象1 并用ax1变量指向它 ax1．hist(randn(100)) # 使用轴向图的代码方法创建图 plt．xlabel("x轴") plt．ylabel("y轴") plt．legend("testing") plt．show() Out［2］: 通过上述代码可以看出，show()函数执行完毕后返回一张图片。 5.3Matplotlib常用技巧 在Matplotlib实际的使用过程中，会有一些常用技巧，掌握好这些技巧将大大提升开发者的开发效率，如修改配置文件、在图表中添加文件说明、使用rc参数动态配置等。本节将主要讲述在实际开发中Matplotlib的常用技巧。 视频讲解 5.3.1配置文件 在一些情况下会遇到修改字体、调整背景颜色、变换线型等需求，在之前演示的过程中并没有进行相应的演示，而是直接采用Matplotlib的默认配置，Matplotlib将这些默认的配置保存在Matplotlib的文件中，开发者可以通过修改文件中对应选项的参数进行自定义配置。文件如图5．2所示。 图5．2Matplotlib配置文件 开发者可以通过如下代码查看Matplotlib的系统配置文件路径。 path．abspath(matplotlib．matplotlib_fname())# 配置文件的绝对路径 开发者可以在相应文件夹下创建配置文件。寻找相关目录的操作具体如下。 path．abspath(matplotlib．get_configdir())# 用户的配置文件所在文件夹 找到相应的文件后，开发者可以手动修改文件，但是修改之后，Matplotlib要进行重新载入，Matplotlib提供了update()函数重载配置文件，具体代码如下。 matplotlib．rcParams．update(matplotlib．rc_params()) 实际上当导入Matplotlib时，Matplotlib会调用rc_params()函数加载相应配置，并对配置文件进行搜索，使用第一个找到的配置文件，搜索配置文件顺序如下。 (1) 当前路径： 当前程序所在路径。 (2) 用户配置路径： 使用get_cinfigdir()函数获取。 (3) 系统默认配置路径： 使用matplotlib_fname()函数获取。 Matplotlib在配置文件加载完成后会存到名为rcParmas的字典中，Matplotlib允许开发者更改相应的参数(后面章节将会详细讲述)。如果开发者想要使用默认的参数，可以使用rcdefault()函数重置配置文件，具体代码如下。 matplotlib．rcdefault() 视频讲解 5.3.2rc参数的基本配置 在5．3．1节中讲述了配置文件的基本使用，开发者可以通过修改系统的配置文件指定配置。Matplotlib加载该文件后，会读取rcParams字典参数。Matplotlib允许开发者对动态的rcParams字典数据进行修改，本节将主要讲述相关内容。 下面通过代码进行说明。 In［1］: import matplotlib．pyplot as plt import numpy as np data = np．arange(0,1．1,0．01) In［2］: plt．title("testing")# 图标标题 plt．xlabel("x")# x轴方向的轴名称 plt．ylabel("y")# y轴方向的轴名称 plt．xlim((0,1))# x轴范围 plt．ylim((0,1))# y轴范围 plt．xticks(［0,0．2,0．4,0．6,0．8,1］)# x轴方向刻度 plt．yticks(［0,0．2,0．4,0．6,0．8,1］)# y轴方向刻度 plt．plot(data,data**2)# 绘制 x轴与y轴的关系 plt．plot(data,data**4) # 绘制x 轴与y轴的关系 plt．legend(［'y=x^2','y=x^4'］) # 图例的使用 - plt．savefig("．/testing．png") plt．show()# 显示 上述代码画出了两条基本函数线，一条为y=x^2，另一条线为y=x^4，同时设置了标题、图例等基本内容。 如果开发者想要动态地改变图形中的线型，则需要对rcParams参数进行修改，在绘制线型前进行参数的相关设置，需要添加如下代码。 plt．rcParams［"lines．linestyle"］ = "-．" 上述语句为对线型的更改，让绘制的图形线为“．-”形式，更改后重新运行语句块的结果如图5．3所示。 图5．3更改线型后的运行结果 如果开发者想要将图形中绘制的线型变宽，则需要在绘制图形之前添加如下语句，该语句将线宽设置为3mm。 plt．rcParams［"lines．linewidth"］ = 3 更改线宽后的运行结果如图5．4所示。 图5．4更改线宽后的运行结果 在rcParams字典中还有很多其他的参数特性，本书中只涉及一部分，线条常用的rc参数具体如表5．7所示。 表5．7线条常用的rc参数 参数说明常用值 lines．linestyle 线条样式 默认值为“-”，可取值为“-”“--”“-．”“:”4种 lines．linewidth线条宽度 默认值为1．5，值范围为0~10 lines．marker 线条点的形状 默认值为None，可取值为“o”“D”“h”“．”“s”等20种 lines．markersize 线条点的大小 取值为0~10，默认值为1 line．linestyle参数的取值及意义具体如表5．8所示。 表5．8lines．linestyle参数的取值及意义 值说明值说明 “-”实线“-．”点线 “--”长虚线“:”短虚线 line．marker参数的取值及意义具体如表5．9所示。 表5．9lines．marker参数的取值及意义 值说明值说明 “o”圆圈“．”点 “D”菱形“s”正方形 “h”六边形1“*”星号 “H”六边形2“d”小菱形 “-”水平线“v”一角朝下的三角形 “8”八边形“ < ”一角朝左的三角形 “p”五边形“ > ”一角朝右的三角形 “,”像素^一角朝上的三角形 “+”加号“｜” 竖线“None”无 “x”X 视频讲解 5.3.3中文显示配置 Matplotlib的图形默认不支持显示中文，开发者可以通过如下方法配置Matplotlib。 (1) 在程序的开始部分进行设置。 (2) 在程序的开头配置rcParams。 (3) 修改配置文件。 本节将以Windows系统为例简单介绍中文显示的基本配置。 开发者需要自行下载ttf格式的SimHei字体，并将字体文件复制到相应的文件夹中，一般保存到如下目录。 # 完整路径 【用户目录】/anaconda3/lib/python3．6/site-packages/matplotlib/mpl-data/fonts/ttf 添加完该文件后，需要对配置文件进行简单修改，开发者需要找到mpldata文件夹中的matplotlibrc文件并进行修改，修改内容如下。 (1) 将font．family与font．sansserif前的注释去除，使其生效。 (2) 在font．sansserif后添加“SimHei”，更换Matplotlib默认字符集。 (3) 将axes．unicode_minus项的值改为False并去除注释，以正确显示“”号。 (4) 在用户配置文件的路径(“用户路径/．matplotlib”)下将text．cache和fontList．json文件删除，以清除缓存。 (5) 重启JupyterNotebook重新生成字体缓存并加载配置。 至此配置完成，其他系统配置方式同Windows 大致相同，配置时只是用户目录不同。 5.4Matplotlib基本图形 5.3节讲述了Matplotlib的常用技巧，本节讲述Matplotlib基本图形。 视频讲解 5.4.1Matplotlib绘制散点图 在实际开发过程中，散点图的应用较为广泛，散点图的函数形式如下。 # 散点图函数 matplotlib．pyplot．scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs) scatter()参数具体如表5．10所示。 表5．10scatter()参数 参数说明 x, y类数组参数，支持shape(n，)形式参数 s(scalar的缩写) 参数可以为标量、类数组、shape(n，)形式参数，该参数用于控制点的大小，如果开发者不设置，则Matplotlib将默认使用rcParams［'lines．smarkersize '］**2参数 c(color的缩写)参数可以为颜色或者颜色列表，用来设置散点图中点的颜色。默认值为None marker 默认值为None，点的样式。该参数可以是类的实例，也可以是特定标记的文本简写。在未指定的情况下可以使用rcParams的值［"scatter．marker"］="o" cmap即Colormap，可选，默认值为None。 表示一个Colormap实例或已注册的Colormap名称。只有当c是一个浮点数数组时才使用cmap。如果没有，则默认为rc image．cmap norm即Normalize, 可选，默认值为None。 使用规范化实例将亮度数据缩放到0，1。只有当c是浮点数数组时才使用norm。如果没有，使用默认颜色normalize vmin, vmax 标量，可选，默认： 无。 vmin和vmax结合norm可对亮度数据进行归一化。如果没有，则使用颜色数组的最小值和最大值。如果传递一个norm实例，vmin和vmax将被忽略 alpha 标量，可选，默认： 无。 alpha混合值，介于0(透明)与1(不透明)之间 续表 参数说明 linewidth 标量或array_like，可选，默认值为None。 标记边缘的线宽。注意: 默认的edgecolors是face。你可能也想要改变这一点。如果没有，则默认为rcParams lines．linewidth edgecolors 颜色或颜色序列，可选，默认值为'face'。 标记的边缘颜色。可能的值如下。 “face”： 边缘的颜色总是和脸的颜色一样。 “none”： 不画patch边界。 Matplotib颜色。 对于非填充标记，edgecolors kwarg将被忽略，并强制在内部“面对” 该函数的返回值为一个散点图形，接下来将演示散点图的基本绘制，具体代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np import pandas as pd In［2］: data = pd．read_csv("．/某高三班级学生的身高体重．csv",encoding = "gbk") ax1 = plt．figure(figsize = (8,7)) plt．scatter(data．values［:,0］,data．values［:,1］) plt．xlabel("身高") plt．ylabel("体重") plt．legend(［"节点"］) plt．title("某高中班级学生的身高与体重关系图") plt．show() 上述代码通过对班级学生的身高与体重的汇总可以看出，165cm以下同学的体重最高不超过60kg，最低不少于40kg。165cm以上身高的同学，身高主要集中在165~175cm的范围。通过对散点数据的描述，开发者可以将数据直观地展示出来。 视频讲解 5.４.2Matplotlib绘制直方图 5．4．1节中讲述了散点图的基本绘制，本节将讲述直方图的基本绘制。直方图与散点图不同，散点图更容易看出数据的分布情况，数据在坐标区域的分布情况和密集程度； 而直方图更容易看出数据大小的对比情况，直方图的具体函数如下。 matplotlib．pyplot．bar(x, height, width=0．8, bottom=None, *, align='center', data=None, **kwargs) bar()函数参数具体如表5．11所示。 表5．11bar()函数参数 参数说明 x标量序列，一般为直方图的数据选项 height 标量或标量序列，表示直方图的高度 width 标量或者类数组，表示直方图的宽度，默认值为0．8 bottom 标量或者类数组，表示直方图的y轴基线，默认值为0 align 默认值为center，可选参数为center或者edge，表示横杆与x坐标的对齐位置 **kwargs(其他参数) color; edgecolor; linewidth; tick_label(相关参数不重复讲解) 该函数的基本返回值为条形容器，具体代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np import pandas as pd data = pd．read_csv("．/Zong．csv", encoding = "gbk") data = data．T data．sort_index() In［2］: # 绘制不同人口的基本比例 plt．figure(figsize = (8,7)) plt．bar(range(5), data．values［1,:］,width = 0．5) plt．xlabel("不同类型的表示") plt．ylabel("人数") plt．xticks(range(5),data．values［0,:］) plt．title("2018年不同人口的基本情况") plt．show() 上述代码通过对数据的基本汇总，展示出函数的基本使用情况。通过上述数据的展示可以看出，2018年总人口数据已经达到了14亿，其中男性人口比女性人口多，但是接近于1∶1； 城镇人口比乡村人口多，二者差距较大。 视频讲解 5.4.3Matplotlib绘制饼状图 本节主要讲述饼状图的基本绘制，与散点图和直方图不同，饼状图可以将数据直观地占比显示，绘制饼状图的函数如下。 # 饼状图函数 matplotlib．pyplot．pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0．6, shadow=False, labeldistance=1．1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None) pie()函数参数具体如表5．12所示。 表5．12pie()函数参数 参数说明 x数组类型，表示楔形的大小，默认值为None explode 类数组类型，默认值为None，指定扇形的数据偏移半径的比例 labels 列表数据类型，默认值为None，为每个扇形提供标签的字符串序列 colors 类数组类型，默认值为无，一组Matplotlib颜色参数序列/列 autopct 默认值为None，参数为string或function类型，如果参数为一个字符串或函数，用其数值标记扇形，标签将被放置在扇形上。如果参数是格式字符串，则标签为fmt%pct。如果是一个函数，它将被调用 续表 参数说明 pctdistance float类型，默认值为0．6。用来说明每个扇形切片的中心与autopct生成的文本的开始之间的比值。如果autopct为None，则忽略 shadow bool类型，默认值为False，决定是否在扇形下面画一个阴影 labeldistance float类型，默认值为1．1，表示绘制饼形标签的径向距离 startangle float类型，默认值为None。如果为None，则表示从x轴逆时针旋转饼图的起始角度 radius float类型，默认值为None，表示扇形的半径。如果此参数为空，半径将被设为1 counterclock bool类型，默认值为True，指定占比方向，顺时针或逆时针 wedgeprops dict类型，默认值为None，将参数传递给对应的扇形对象。例如，可以传入wedgeprops={'linewidth': 3}来设置楔块边框线的宽度为3 textprops dict类型，默认值为None，将参数传递给文本对象 center float类型序列，默认值为(0,0)，表示图表的中心位置。取值(0,0)或为两个标量的序列 frame bool类型，默认值为False。如果为True，用图表绘制坐标轴框架 rotatelabels bool类型，默认值为False。如果为True，将每个标签旋转到对应切片的角度 该函数的返回值为三个，分别是扇形实例、文本实例和自动图文集实例。下面是该函数的具体应用，具体代码如下。 In［1］: import matplotlib．pyplot as plt import numpy as np import pandas as pd data = pd．read_csv("．/Zong．csv", encoding = "gbk") data = data．T data = data．sort_index() In［2］: # 绘制饼状图 plt．figure(figsize = (8,7)) plt．pie(data．values［0,1: 3］,explode = ［0．01,0．01］,labels = ［"男","女"］,autopct = "%1．1f%%") plt．title("1999年男女人口比例") plt．show() 上述代码通过对男女数据的饼状图展示，方便开发者读取数据的占比情况。上述代码中显示1999年男性人数所占比例为51．4%，女性人数所占比例为48．6%。 视频讲解 5.4.4Matplotlib绘制折线图 在实际开发中，有时需要绘制折线图查看数据的基本走势，以预测未来的趋势。本节将讲述折线图的基本绘制，具体函数如下。 # 折线图函数 matplotlib．pyplot．plot(*args, scalex=True, scaley=True, data=None, **kwargs) plot()函数参数具体如表5．13所示。 表5．13plot()函数参数 参数说明 x, y参数为类数组或标量类型； 该参数为数据点的水平与垂直坐标。若未给出参数，则默认为［0，1，2,…,n-1］。通常，这些参数是长度为n的数组。但是，也支持标量(相当于一个具有常量的数组) fmt str类型数据，表示格式字符串，例如，“ro”代表红圈。格式字符串只是快速设置基本行属性的缩写 data 索引对象，带有标记数据的对象。如果给定，则提供要在x和y中绘图的标签名称 该函数的返回值对象为一条二维数据的折线图，该函数的基本操作方式如下。 In［1］: import matplotlib．pyplot as plt import pandas as pd import numpy as np data = pd．read_csv("．/Zong．csv",encoding= "gbk") data = data．T．sort_index() In［2］: plt．figure(figsize = (8,7)) plt．plot(data．index［: -1］,data．values［: -1,0］,linestyle = "-．") plt．xlabel("时间") plt．ylabel("值") plt．xticks(rotation = 45) plt．legend(［"人口"］) plt．title("我国人口统计结果") plt．show() 上述代码中展示了我国人口从1999年至2018年的人口数据折线图，通过该图可以看出，人口数据总体呈直线增长趋势。折线图更加直观地将数据的大体走向展示出来，开发者通过分析已有数据的基本趋势，可以推测出未来人口的变化趋势。 视频讲解 5.4.5Matplotlib绘制箱型图 本节将讲述箱型图的基本绘制。在数据分析过程中，有时需要比较不同数据集的最大值、最小值、中位数等。下面是绘制箱型图的函数。 # 箱型图函数 matplotlib．pyplot．boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False, zorder=None, *, data=None) boxplot()函数常用参数如表5．14所示。 表5．14boxplot()函数常用参数 参数说明 x 数组或向量序列，输入数据，统计数据集 notch 参数类型为bool，默认值为None。如果为True，将产生一个缺口箱型图。如果为False，将生成矩形箱型图 sym 参数类型为str，飞行点数的默认符号 vert 参数类型为bool，如果为True(默认)，则使框垂直。如果为False，则所有内容都是水平绘制的 positions 参数类型为类数组，设置方框的位置 widths 参数为标量或类数组，使用标量或序列设置每个框的宽度。默认值是0．5 labels 标签，string类型数据。长度必须与x的尺寸相容 manage_xticks bool类型，如果功能需要则调整xlim和xtick位置 boxplot()函数的不常用参数如表5．15所示。 表5．15boxplot()函数的不常用参数 参数说明 showcaps bool，可选(True)，是否显示箱线图顶端和末端的两条线 showbox bool，可选(True)，显示中央框 showfliers bool，可选(True)，显示超出上限的异常值 showmeans bool，可选(False)，显示算术平均值 capprops dict，可选(无)，指定大写字母的样式 boxprops dict，可选(无)，指定框的样式 whiskerprops dict，可选(无)，指定胡须的样式 flierprops dict，可选(无)，指定传单的样式 medianprops dict，可选(无)，指定中位数的样式 meanprops dict，可选(无)，指定平均值的样式 绘制箱型图的具体代码如下。 In［1］: import matplotlib．pyplot as plt import pandas as pd data = pd．read_csv("．/Zong．csv",encoding = "gbk") data = data．T In［2］: plt．figure(figsize = (8,7)) plt．boxplot(［data．values［1:,0］,data．values［1:,1］,data．values［1:,2］］,notch =True ,labels = data．values［0,:3］,meanline =True) plt．title("人口总和") plt．show() 通过上述代码可以看出，箱型数据的基本展示，同时能够比较年末总人口、男性人口、女性人口的最大值、最小值和中位数。 小结 本章主要讲述了在开发过程中使用Matplotlib进行绘图的基本流程及其基本使用，同时讲述了基本图形的绘制，如散点图、直方图、饼状图、折线图、箱型图。 绘制图形的基本流程包括绘制画布、添加子图并绘制、添加图例等基本绘制对象、保存图片并显示。创建画布主要使用figure()函数，目的是为绘制工作提供基本创造环境，在调用的同时一般需要通过figuresize参数设置画布的大小； 画布创建完成后需要通过add_subplot()函数添加子图，或者直接使用默认画布的大小，如果开发者添加子图将默认使用画布的大小，子图添加完毕后需要开发者进行图形的基本绘制，如规定刻度、轴数据范围，在此之后需要添加图例、标题等基本属性。最后一步是对图表的基本显示或者图片的报错。 在5．3节中主要讲述了Matplotlib的常用技巧，如配置文件的基本使用。配置文件包括三类，分别是程序运行目录中的配置文件、用户配置文件夹中的配置文件、系统默认配置文件。Matplotlib将使用首先找到的配置文件。Matplotlib实际上是将配置文件中的数据读取到rcParams的字典中，开发者可以动态地修改该文件进行相关属性的设置； 在实际使用Matplotlib的过程中，经常遇到中文显示的配置需求，Matplotlib默认不支持中文编辑，本书以Windows系统为例进行简单的中文显示配置。 在本章的后半章主要讲述了常用图形的基本绘制，每个图形都有特定的使用场景，如散点图一般用来绘制无直接因果关系的统计性数据，便于观察相关坐标的规律； 直方图则是用来比较不同项的数值大小，可以直观地反映出不同项之间的数据差距； 折线图则表示某一类数据的基本走势，一般用于数据的预判分析； 饼状图适合展示不同数据的占比，可以宏观上分析各类数据的不同占比； 箱型图是对不同项数据的总体分析。 通过对本章的学习，读者应能够掌握数据分析图表的基本绘制流程，同时能够对不同数据图表进行简单绘制。 习题 一、 选择题 1． 创建画布需要使用()函数。 A． figure()B． add_subplot() C． Figure()D． Add_subplot() 2． 使用()函数可以将配置文件重置。 A． rcdefault()B． matplotlib_fname() C． get_configdir()D． rc_params() 3． 进行数据的占比比较时使用()表示。 A． 散点图B． 直方图 C． 饼状图D． 折线图 4． 在绘制图形时需要使用()对x轴数据范围进行限制。 A． xlim()B． xticke() C． legend()D． show() 二、 简答题 1． 简单描述Matplotlib的绘图流程。 2． 试写出箱型图的应用场景。 三、 编程题 试将最近一周的温度，使用折线图进行绘制。