小白学 Python 数据分析（18）：Matplotlib（三）常用图表（上）
极客挖掘机 人气:2
> 人生苦短，我用 Python
前文传送门：
[小白学 Python 数据分析（1）：数据分析基础](https://www.geekdigging.com/2020/01/19/6719980708/)
[小白学 Python 数据分析（2）：Pandas （一）概述](https://www.geekdigging.com/2020/01/20/6718497214/)
[小白学 Python 数据分析（3）：Pandas （二）数据结构 Series](https://www.geekdigging.com/2020/02/04/3234667780/)
[小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame](https://www.geekdigging.com/2020/02/05/9920298470/)
[小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据](https://www.geekdigging.com/2020/02/16/6852411690/)
[小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择](https://www.geekdigging.com/2020/02/20/6566891797/)
[小白学 Python 数据分析（7）：Pandas （六）数据导入](https://www.geekdigging.com/2020/02/23/7355903936/)
[小白学 Python 数据分析（8）：Pandas （七）数据预处理](https://www.geekdigging.com/2020/02/25/9013297409/)
[小白学 Python 数据分析（9）：Pandas （八）数据预处理（2）](https://www.geekdigging.com/2020/02/27/2857868620/)
[小白学 Python 数据分析（10）：Pandas （九）数据运算](https://www.geekdigging.com/2020/02/29/5808964196/)
[小白学 Python 数据分析（11）：Pandas （十）数据分组](https://www.geekdigging.com/2020/03/03/5975552137/)
[小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table）](https://www.geekdigging.com/2020/03/04/8327177610/)
[小白学 Python 数据分析（13）：Pandas （十二）数据表拼接](https://www.geekdigging.com/2020/03/06/5036602239/)
[小白学 Python 数据分析（14）：Pandas （十三）数据导出](https://www.geekdigging.com/2020/03/07/6918490736/)
[小白学 Python 数据分析（15）：数据可视化概述](https://www.geekdigging.com/2020/03/09/7393240956/)
[小白学 Python 数据分析（16）：Matplotlib（一）坐标系](https://www.geekdigging.com/2020/03/14/2444388683/)
[小白学 Python 数据分析（17）：Matplotlib（二）基础操作](https://www.geekdigging.com/2020/03/16/2401104162/)
## 折线图
各位同学好，我们从本篇开始介绍一些 Matplotlib 的常用图表。
说道常用图表，第一个肯定是折线图，折线图主要用于表现随着时间的推移而产生的某种趋势。
在 Matplotlib 中，化折线图主要是使用到了 plt 库中的 plot 方法，下面我们看下 plot 的语法。
plot 函数的一般的调用形式如下：
```python
#单条线：
plot([x], y, [fmt], *, data=None, **kwargs)
#多条线：
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)
```
可选参数 `[fmt]` 是一个字符串来定义图的基本属性如：颜色（color），点型（marker），线型（linestyle）。
具体形式 fmt = '[color][marker][line]'
这里我们写一个简单的 fmt 的表达式，需要注意的是 fmt 接收的是每个属性的单个字母缩写，如果使用的是全名的话则不能使用 fmt 参数进行组合赋值。
```python
plot(x, y, 'bo-')
```
上面这个示例中的 `bo-` 的含义是蓝色圆点实线，其中 `b` 代表了颜色 blue ， `o` 代表了点型 circle marker （圆点）， `-` 代表了线型 solid line style （实线） 。
如果我们使用全名的话上面这个示例可以改成：
```python
plot(x, y, color='blue', marker='o', linestyle='-')
```
下面小编摘抄一下官方文档上的对应的类型，官方文档地址：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html ，如果不想打开官方文档，也可以在程序中运行下面这段代码，一样可以看到：
```python
import matplotlib.pyplot as plt
help(plt.plot)
```
首先是颜色 color 的可取值：
```python
============= ===============================
character color
============= ===============================
``'b'`` blue
``'g'`` green
``'r'`` red
``'c'`` cyan
``'m'`` magenta
``'y'`` yellow
``'k'`` black
``'w'`` white
============= ===============================
```
这里有一点需要注意，除了可以使用上面的这些值，同样可以使用十六进制的 RGB 字符串，如： `#FFFFFF` 等。
接下来是点型 Maker 的可选值：
```python
============= ===============================
character description
============= ===============================
``'.'`` point marker
``','`` pixel marker
``'o'`` circle marker
``'v'`` triangle_down marker
``'^'`` triangle_up marker
``'<'`` triangle_left marker
``'>'`` triangle_right marker
``'1'`` tri_down marker
``'2'`` tri_up marker
``'3'`` tri_left marker
``'4'`` tri_right marker
``'s'`` square marker
``'p'`` pentagon marker
``'*'`` star marker
``'h'`` hexagon1 marker
``'H'`` hexagon2 marker
``'+'`` plus marker
``'x'`` x marker
``'D'`` diamond marker
``'d'`` thin_diamond marker
``'|'`` vline marker
``'_'`` hline marker
============= ===============================
```
大家看前面的符号应该大致都能知道是啥意思吧，小编这里有点小懒（属实有点多，小编自己的碎碎念：常用的就那么几种，一张图上也不会出现太多种的线型，反正会有默认值），就不翻译了，如果有看不懂的同学可以 CV 后面的英文到某些翻译网站上自行翻译。
接下来是线型 Line Styles 的可选值：
```python
============= ===============================
character description
============= ===============================
``'-'`` solid line style 实线
``'--'`` dashed line style 虚线
``'-.'`` dash-dot line style 点画线
``':'`` dotted line style 点线
============= ===============================
```
这个就不解释了吧，各位同学可以自行尝试一下。
最后再来个示例吧，数据还是使用上一篇文章的：
```python
import matplotlib.pyplot as plt
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]
plt.title(label='xxx 公司 xxx 产品销量')
# 设置标题
plt.plot(x_data, y_data, linestyle = '-.', label = '产品销量')
plt.plot(x_data, y_data_1, label = '用户增长数')
# 开启网格线
plt.grid(True)
# 设置图例
plt.legend()
# 文件保存
plt.savefig("plot_demo.png")
```
结果如下：
这个样例中，我们将产品销量使用点线图来表示。
## 柱状图
### 普通柱状图
柱状图主要用于查看各分组数据的数量分布，以及各个分组数据之间的数量比较。
在 Matplotlib 中使用的是 `bar()` 方法，还是先看下 `bar()` 的语法：
```python
atplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)
```
| 参数 | 接收值 | 说明 | 默认值 |
| --------------------------- | ------ | ------------------------------- | ------ |
| left | array | x 轴； | 无 |
| height | array | 柱形图的高度，也就是y轴的数值； | 无 |
| alpha | 数值 | 柱形图的颜色透明度 ； | 1 |
| width | 数值 | 柱形图的宽度； | 0.8 |
| color（facecolor） | string | 柱形图填充的颜色； | 随机色 |
| edgecolor | string | 图形边缘颜色 | None |
| label | string | 解释每个图像代表的含义 | 无 |
| linewidth（linewidths / lw) | 数值 | 边缘or线的宽度 | 1 |
其他详细的用法可以参考官方文档：https://matplotlib.org/api/pyplot_api.html 。
我们还是先来一个简单的示例，数据依然使用上面的数据：
```python
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.5, alpha=0.6, facecolor = 'deeppink', edgecolor = 'darkblue', lw=2, label='产品销量')
plt.legend()
plt.savefig("bar_demo_1.png")
```
* width : 柱子的宽度
* alpha : 透明度
* facecolor : 柱子填充色
* edgecolor : 柱子轮廓色
* lw : 柱子轮廓宽度
* label ： 图例
结果如下：
### 并排柱状图
我们还有一组数据，接下来是两个柱形图并列显示，这里调用的还是 `bar()` ，只不过需要调整的是柱子的位置：
```python
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data + 0.3, y_data_1, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')
plt.legend()
plt.savefig("bar_demo_2.png")
```
这里比较重要的是 `x_data + 0.3` ，相当于把用户量的柱子向右移动了 0.3 ，否则会造成重合。
结果如下：
### 堆积柱状图
还有一种柱形图是堆积柱形图，就是把柱状图堆叠在一起，我们还是通过示例来看：
```python
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data, y_data_1, bottom=y_data, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')
plt.legend()
plt.savefig("bar_demo_3.png")
```
这种堆积柱状图主要是通过参数 bottom 来实现的，含义是底部开始的位置。
结果如下：
### 横向柱状图
其实横向柱状图应该是叫条形图，而且使用的方法也不再是 `bar()` 了，而是变成了 `barh()` 。
咦，这个看起来和 `bar()` 很像嘛，有可能是兄弟关系。
语法如下：
```python
matplotlib.pyplot.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)
```
也不多说啥了，和上面的 `bar()` 简直如出一辙，还是再来个示例：
```python
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.barh(x_data, y_data, alpha=0.6, facecolor = 'deeppink', edgecolor = 'deeppink', label='产品销量')
plt.legend()
plt.savefig("barh_demo.png")
```
结果如下：
本篇内容就到这里了，各位同学想要代码或者想要图片都可以直接访问代码仓库获得。
## 代码仓库
老规矩，所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上，方便大家取用。
[示例代码-Github](https://github.com/meteor1993/python-learning/tree/master/python-data-analysis/matplotlib "示例代码-Github")
[示例代码-Gitee](https://gitee.com/inwsy/python-learning/tree/master/python-data-analysis/matplotlib "示例代码-Gitee")
## 参考
https://blog.csdn.net/sinat_36219858/articlehttps://img.qb5200.com/download-x/details/79800460
https://blog.csdn.net/weixin_40683253/articlehttps://img.qb5200.com/download-x/details/87641416
加载全部内容