數據分析與挖掘 - 08圖形繪製

時間 2020-09-30

標籤數據分析挖掘圖形繪製欄目大數據简体版

原文原文鏈接

一圖的基本構成

Matplotlib是數據可視化工做中，最經常使用的一個可視化庫。Matplotlib有很是多的圖形，咱們很難在短期內將其掌握，因此咱們首先要掌握的是畫圖的思路和經常使用的一些圖形。建立一個圖的步驟大體能夠分爲9步，固然這9步並非每一次都須要，只要你知道一個完整的圖形能夠有這麼多的步驟就能夠。每個步驟對應着一個操做和操做它的函數。python

導入模塊：import matplotlib.pyplot as plt
定義圖像窗口：plt.figure()
畫圖：plt.plot(x, y)
定義座標軸範圍：x軸:plt.xlim()/y軸:plt.ylim() lim其實就是limit的縮寫
定義座標軸名稱：x軸:plt.xlabel()/plt.ylabel()
定義座標軸刻度及名稱：plt.xticks()/plt.yticks()
設置圖像邊框顏色：ax = plt.gca() ax.spines[].set_color()
調整刻度位置：ax.xaxis.set_ticks_position()/ax.yaxis.set_ticks_position()
調整邊框（座標軸）位置：ax.spines[].set_position()

下面請跟隨個人代碼一塊兒來畫一個圖感覺一下吧！算法

import numpy as np
import matplotlib.pyplot as plt

# np.linspace將會在-5到5的區間內生成100個數，注意這個是均勻分佈的
x = np.linspace(-5, 5, 100)

# 根據x的值，通過計算生成y1和y2的值
y1 = 2 * x + 1
y2 = x ** 2

# 畫圖
plt.plot(x, y1)
plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--')

# 顯示
plt.show()

這樣咱們就畫出來一個簡單的圖形了，接下來咱們繼續在剛剛畫的這個圖形中添加一些元素。咱們要作的事情就是從新定義座標軸的名稱，在定義座標軸的名稱的時候，咱們會遇到一個問題，就是中文顯示的問題，這個問題是繞不過去的問題。

對於Windows系統的同窗只需在代碼中添加以下代碼：app

# 解決中文顯示問題
font = {"family" : "SimHei",
 "size" : "20"}
plt.rc("font", **font)

對於mac系統的同窗來講，稍微有點麻煩，在terminal裏面輸入：fc-list :lang=zh，若是顯示command not found，那麼咱們須要執行一個安裝命令：conda install fontconfig，而後輸入y確認就能夠自動安裝好了，最後再一次輸入fc-list :lang=zh，就能夠查看字體了，而後咱們在代碼中添加下面一行代碼：dom

plt.rcParams["font.family"] = 'Arial Unicode MS'

下面讓咱們一塊兒來把這個繪圖完善起來，代碼以下：函數

import numpy as np
import matplotlib.pyplot as plt

# np.linspace將會在-5到5的區間內生成100個數，注意這個是均勻分佈的
x = np.linspace(-5, 5, 100)

# 根據x的值，通過計算生成y1和y2的值
y1 = 2 * x + 1
y2 = x ** 2

# font = {"family" : "SimHei",
#  "size" : "20"}
# plt.rc("font", **font)
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 設置畫布大小
plt.figure(figsize=(8, 5))

# 畫圖
plt.plot(x, y1)
plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--')

# 設置座標軸範圍
plt.xlim((-3, 5))
plt.ylim((-4, 5))

# 設置座標軸名稱
plt.xlabel('我是x軸')
plt.ylabel('我是y軸')

# 顯示
plt.show()

咱們看到，在座標軸上還會有一些刻度的存在，咱們只須要在上邊的代碼後邊加入一段代碼，就能夠進行刻度的修改了：post

new_ticks = np.linspace(-1, 2, 5)
# 設置座標軸的刻度
plt.xticks(new_ticks)
plt.yticks([-2, -1.8, -1, 1.22, 3], ["北京", "天津", "河北", "東北", "山東"])

除此以外，咱們還能夠作一些圖形邊框上的修改，在本章最開始咱們已經說過關於圖形邊框修改的方法了，咱們只須要把下面的代碼添加至末尾便可：學習

# 添加邊框
ax = plt.gca()
# 修改右側顏色
ax.spines["right"].set_color("green")
# 修改左側顏色
ax.spines["left"].set_color("orange")
# 修改頂部顏色
ax.spines["top"].set_color("yellow")
# 修改底部顏色
ax.spines["bottom"].set_color("purple")

一塊兒來看一下現實的效果怎麼樣

這裏須要注意的是，若是上下左右只操做其中的左側和底部，那麼其餘兩條線將仍然默認是黑色,還有另一個小技巧，咱們上面的圖形老是在一個方框中顯示，咱們能夠把右側和頂部的線條不設置顏色，這樣看起來就與咱們平時的座標軸看起來一個樣子了，也就是把設置邊框的代碼修改成：字體

ax.spines["right"].set_color("none")
ax.spines["top"].set_color("none")
plt.show()

修改以後看起來就好多了

在數學中，咱們的圖形有時是十字的樣式，那下面咱們一塊兒來看一下，如何修改邊框的位置，代碼其實也很簡單，咱們首先來修改一下x軸對應y軸的位置，完整的代碼以下：優化

import numpy as np
import matplotlib.pyplot as plt

# np.linspace將會在-5到5的區間內生成100個數，注意這個是均勻分佈的
x = np.linspace(-5, 5, 100)

# 根據x的值，通過計算生成y1和y2的值
y1 = 2 * x + 1
y2 = x ** 2

# font = {"family" : "SimHei",
#  "size" : "20"}
# plt.rc("font", **font)
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 設置畫布大小
plt.figure(figsize=(8, 5))

# 畫圖
plt.plot(x, y1)
plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--')

# 設置座標軸範圍
plt.xlim((-3, 5))
plt.ylim((-4, 5))

# 設置座標軸名稱
plt.xlabel('我是x軸')
plt.ylabel('我是y軸')

# 設置座標軸的刻度
plt.xticks(np.linspace(-1, 2, 5))
plt.yticks([-2, -1.8, -1, 1.22, 3], ["北京", "天津", "河北", "東北", "山東"])

# 添加邊框
ax = plt.gca()
# 修改右側顏色
ax.spines["right"].set_color("none")
# 修改左側顏色
ax.spines["left"].set_color("orange")
# 修改頂部顏色
ax.spines["top"].set_color("none")
# 修改底部顏色
ax.spines["bottom"].set_color("purple")

# 設置x軸的位置
ax.xaxis.set_ticks_position("bottom")
ax.spines["bottom"].set_position(("data", 0))
# 設置y軸的位置
ax.yaxis.set_ticks_position("left")
ax.spines["left"].set_position(("data", 0))

# 顯示
plt.show()

這樣就大功告成了，最後再來看一下現實的圖形

最後在畫圖時咱們可使用label參數給圖片添加一個圖例說明，最後使用legend顯示出來，最終代碼以下：ui

import numpy as np
import matplotlib.pyplot as plt

# np.linspace將會在-5到5的區間內生成100個數，注意這個是均勻分佈的
x = np.linspace(-5, 5, 100)

# 根據x的值，通過計算生成y1和y2的值
y1 = 2 * x + 1
y2 = x ** 2

# font = {"family" : "SimHei",
#  "size" : "20"}
# plt.rc("font", **font)
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 設置畫布大小
plt.figure(figsize=(8, 5))

# 畫圖
plt.plot(x, y1, label='y1圖例說明')
plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='y2圖例說明')

# 設置座標軸範圍
plt.xlim((-3, 5))
plt.ylim((-4, 5))

# 設置座標軸名稱
plt.xlabel('我是x軸')
plt.ylabel('我是y軸')

# 設置座標軸的刻度
plt.xticks(np.linspace(-1, 2, 5))
plt.yticks([-2, -1.8, -1, 1.22, 3], ["北京", "天津", "河北", "東北", "山東"])

# 添加邊框
ax = plt.gca()
# 修改右側顏色
ax.spines["right"].set_color("none")
# 修改左側顏色
ax.spines["left"].set_color("orange")
# 修改頂部顏色
ax.spines["top"].set_color("none")
# 修改底部顏色
ax.spines["bottom"].set_color("purple")

# 設置x軸的位置
ax.xaxis.set_ticks_position("bottom")
ax.spines["bottom"].set_position(("data", 0))
# 設置y軸的位置
ax.yaxis.set_ticks_position("left")
ax.spines["left"].set_position(("data", 0))

# fontdict 是對字體大小和顏色進行設置，若是這裏會對原圖有遮擋，咱們能夠從新設置畫布大小
plt.text(1, -1, "這是我對圖片添加的一段說明", fontdict={"size": 12, "color": "r"})

# 顯示
plt.legend(loc='lower right')  # 圖例說明沒有參數則默認在右上角
plt.show()

二繪製統計圖形

1 柱狀圖

在實際的企業應用中，咱們要掌握多種圖形的繪製，而且深度結合本身的應用場景，用合適的圖形來展現適合它的數據場景，使得數據更具備說明力。

首先咱們來學習一下bar()函數，它的功能是在x軸上繪製定性數據的分佈特徵，也就是柱狀圖。使用方法是plt.bar(x,y)，其中x表示在x軸上的定性數據的類別，而y表示每種定性數據的類別的數量。若是你以爲有點抽象，那咱們就直接上代碼吧。

import matplotlib.pyplot as plt

# x是刻度，y是高度
x = [1, 2, 3, 4, 5, 6, 7, 8]
y = [3, 1, 4, 5, 7, 8, 6, 4]

plt.bar(x, y)

plt.show()

代碼很是簡單，分別定義好了x和y而且帶入函數裏面就能夠了，它的現實結果其實就是一個條形圖。

2 頻率分佈直方圖

與條形圖相對比的是頻率直方圖（frequency histogram），也叫作頻率分佈直方圖，是統計學中表示頻率分佈的圖形。在直角座標系中，用橫軸表示隨機變量的取值，橫軸上的每一個小區間對應一個組的組距，做爲小矩形的底邊；縱軸表示頻率(頻數/組距=頻率)，並用它做小矩形的高，以這種小矩形構成的一組圖稱爲頻率直方圖。

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randint(0, 10, 20)
print(x)

plt.hist(x)
plt.show()

隨機x輸出結果：[9 7 4 1 0 9 8 3 7 8 1 1 7 4 6 8 0 6 9 9]

3 餅圖

下面要學習的就是餅圖，餅圖是一種用來表示數據所佔比例最經常使用的圖形，它的函數是pie()，使用方法也很是的簡單，咱們進行最簡單的圖形調用的時候也能夠只傳一個參數，就像這樣plt.pie(x)。

import matplotlib.pyplot as plt

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 聲明類別
kinds = ['蘋果', '香蕉', '西紅柿', '西瓜']

# 這個是16進制顏色碼，你能夠在網上搜索16進制顏色碼就能夠獲取到全部的編碼
colors = ['#e41a1c', '#DDA0DD', '#4B0082', '#7FFFAA']

sold_nums = [4, 3, 2, 5]

# 繪製餅圖,根據圖形效果，看一下這些參數的含義吧
plt.pie(sold_nums,
        labels=kinds,
        colors=colors)

plt.show()

餅圖顯示結果

4 極線圖

接下來咱們看一下極線圖的繪製方法，咱們可使用plt.polar(theta,x)這樣的方式來進行圖形的繪製，若是你以前沒接觸過這種圖形，解釋起來有一點複雜，咱們直接來看一下效果吧。

import matplotlib.pyplot as plt
import numpy as np

bar_slices = 10  # 星星數量
theta = np.linspace(0.0, 2*np.pi, bar_slices, endpoint=False)
r = 30*np.random.rand(bar_slices)
print(r)

# linewidth爲線條粗細，mfc爲星星顏色，ms爲星星大小
plt.polar(theta, r, color='chartreuse', linewidth=2, marker='*', mfc='y', ms=10)
plt.show()

r輸出結果爲：[19.19557439 9.80163298 14.72266501 25.96471826 17.43950265 27.16974937
24.16166493 8.32586511 1.07374567 21.5498875 ]

5 散點圖

接下來要學習的圖形叫作散點圖，也有叫作氣泡圖的。咱們可使用plt.scatter(x,y)這樣的方式來進行圖形的繪製。關於scatter的參數：

x就表示x軸上的值
y就表示y軸上的值
s表示散點標記的大小，這個是可選項
c表示散點標記的顏色，可選項
cmap表示將浮點數映射成顏色的顏色映射表

讓咱們經過一段代碼的演示，來看看實踐一下這些參數。本身能夠根據個人說明嘗試着修改一下這些參數。

import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl

a = np.random.randn(100)
b = np.random.randn(100)

"""
cmap的參數很是多，cm後面的gist_rainbow能夠有不少替代
具體的能夠在官網或者源代碼中查詢使用，不過都把差異不大，就是顏色上的區別
"""
plt.scatter(a, b, s=np.power(10*a+20*b, 2),
            c=np.random.rand(100),
            cmap=mpl.cm.gist_rainbow,
            marker='o')  # marker表示散點的樣式，能夠試試用o,*或者^

plt.show()

展現結果如圖所示：

6 棉棒圖

下面咱們來說解一下棉棒圖的繪製方法，棉棒圖主要用來繪製離散有序的數據，使用方法是plt.stem(x,y)。關於它的參數有：

x:用來指定棉棒的x軸基線上的位置。
y:棉棒的長度。
linefmt:棉棒的樣式。
markerfmt:棉棒末端的樣式。
basefmt:指定基線的樣式。

咱們直接上代碼來看一下

import matplotlib.pyplot as plt
import numpy as np

# linspace：在0.5和2*np.pi之間返回20個均勻間隔的數據
x = np.linspace(0.5, 2 * np.pi, 20)
# randn：返回20個服從標準正態分佈的樣本數據
y = np.random.randn(20)

# --是虛線，-是實線
plt.stem(x, y, linefmt='--', markerfmt='o', basefmt='-')
plt.show()

顯示結果以下圖所示：

7 箱線圖

接下來咱們來繪製一下箱線圖，箱線圖的繪製方法也比較簡單，咱們使用plt.boxplot(x)來實現，x就是咱們要輸入的數據了。

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randn(1000)
plt.boxplot(x)
plt.show()

顯示結果以下圖所示：

三圖形參數說明

1 柱狀圖參數詳解

咱們再次來看一下柱狀圖，柱狀圖在數據的可視化展現用應用的場景很是的多了，好比按照月份的商品銷量展現，銷售人員的業績統計等等場景咱們都會用到。如今我在原有代碼基礎之上加入一些新的參數，代碼以下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [6, 10, 4, 5, 1]

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

plt.bar(
    # 1 柱體的標籤值
    x,
    # 2 柱體的高度
    y,
    # 3 柱體的對齊方式，兩個參數：edge或者center
    align='edge',
    # 4 顏色
    color='b',
    # 5 刻度的標籤值，用字母把x中的數字替換
    tick_label=['A', 'B', 'C', 'D', 'E'],
    # 6 透明度
    alpha=0.5
)

plt.xlabel('產品代號')
plt.ylabel('產品銷量')

# 網格設置
plt.grid(
    True,
    # 1 axis指的是對軸的設置，參數能夠爲x，y或者both
    axis='x',
    # 2 ls指的是網格的樣式，也能夠寫成--或者:
    ls=':',
    color='r',
    alpha=0.9
)

plt.show()

顯示結果以下圖所示：

2 條形圖參數詳解

條形圖其實就是把柱狀圖橫過來放，它們的使用方法同樣，只是調用的函數不一樣，參數所有相同，具體代碼以下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [6, 10, 4, 5, 1]

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 函數改成了barh，只是添加了一個h，表明horizontal水平橫放
plt.barh(
    # 1 柱體的標籤值
    x,
    # 2 柱體的高度
    y,
    # 3 柱體的對齊方式，兩個參數：edge或者center
    align='edge',
    # 4 顏色
    color='b',
    # 5 刻度的標籤值，用字母把x中的數字替換
    tick_label=['A', 'B', 'C', 'D', 'E'],
    # 6 透明度
    alpha=0.5
)

plt.xlabel('產品代號')
plt.ylabel('產品銷量')

# 網格設置
plt.grid(
    True,
    # 1 axis指的是對軸的設置，參數能夠爲x，y或者both
    axis='x',
    # 2 ls指的是網格的樣式，也能夠寫成--或者:
    ls=':',
    color='r',
    alpha=0.9
)

plt.show()

顯示結果以下圖所示：

3 堆積圖參數詳解

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [6, 10, 4, 5, 1]
y1 = [2, 6, 3, 4, 5]

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

plt.figure(figsize=(8, 5))
plt.bar(
    x,
    y,
    align='center',
    color='#66c2a5',
    tick_label=['A', 'B', 'C', 'D', 'E'],
    label='男人'
)
plt.bar(
    x,
    y1,
    align='center',
    bottom=y,  # 指定哪一值在下面
    color='#8da0cb',
    label='女人'
)
plt.xlabel('城市代號')
plt.ylabel('男女比例')

plt.legend()
plt.show()

顯示結果以下圖所示：

4 堆積條形圖參數詳解

同理，堆積條形圖就是把堆積圖橫放，原來須要考慮底部的是哪個值，如今須要思考的是左邊的是哪個值，具體代碼以下：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [6, 10, 4, 5, 1]
y1 = [2, 6, 3, 4, 5]

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

plt.figure(figsize=(8, 5))
plt.barh(x, y, align='center', color='#66c2a5', tick_label=['A', 'B', 'C', 'D', 'E'], label='男人')

# 這裏修改了left 指定哪一個值在這個圖的下邊
plt.barh(x, y1, align='center', left=y, color='#8da0cb', label='女人')

plt.xlabel('城市代號')
plt.ylabel('男女比例')

plt.legend()
plt.show()

顯示結果以下圖所示：

5 分塊圖參數詳解

堆積圖能夠展現多數據形式上的差別，但有時不是特別明顯，這是用分塊圖就能夠很直觀的比較出來。分塊圖能夠分爲多數據並列柱狀圖和多數據並列條形圖，咱們先來一塊兒看一下多數據並列柱狀圖，具體代碼以下：

import matplotlib.pyplot as plt
import numpy as np

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

x = np.arange(5)
y = [6, 10, 4, 5, 1]
y1 = [2, 6, 3, 8, 5]

bar_width = 0.35
tick_label = ['A', 'B', 'C', 'D', 'E']
plt.figure(figsize=(8, 5))

plt.bar(
    x,
    y,
    bar_width,
    color='c',
    align='center',
    label='男人',
    alpha=0.5
)

plt.bar(
    x+bar_width,
    y1,
    bar_width,
    color='b',
    align='center',
    label='女人',
    alpha=0.3
)

plt.xlabel('城市代號')
plt.ylabel('男女比例')

plt.xticks(x+bar_width/2, tick_label)

plt.legend()
plt.show()

圖形顯示結果以下圖所示：

6 多數據並列條形圖詳解

根據咱們的前面的講解，你應該已經知道了，咱們只須要把函數bar改成barh就能夠，代碼以下所示：

import matplotlib.pyplot as plt
import numpy as np

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

x = np.arange(5)
y = [6, 10, 4, 5, 1]
y1 = [2, 6, 3, 8, 5]

bar_width = 0.35
tick_label = ['A', 'B', 'C', 'D', 'E']
plt.figure(figsize=(8, 5))

plt.barh(
    x,
    y,
    bar_width,
    color='c',
    align='center',
    label='男人',
    alpha=0.5,
    hatch='\/'  # 若是咱們須要添加一些裝飾線可使用hatch參數
)

plt.barh(
    x+bar_width,
    y1,
    bar_width,
    color='b',
    align='center',
    label='女人',
    alpha=0.3,
    hatch='\\'  
)

plt.xlabel('城市代號')
plt.ylabel('男女比例')

plt.xticks(x+bar_width/2, tick_label)

plt.legend()
plt.show()

圖形顯示結果以下圖所示：

7 堆積折線圖參數詳解

堆積折線圖是經過繪製不一樣數據集的折線圖而生成的，按照垂直方向上彼此堆疊且又不互相覆蓋的排列順序，繪製若干條折線圖而造成的組合圖形。

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1, 6, 1)
y = [0, 4, 3, 5, 6]
y1 = [1, 3, 4, 2, 7]
y2 = [3, 4, 1, 6, 5]

labels = ['2018', '2019', '2020']
colors = ['r', 'b', 'y']

plt.stackplot(x, y, y1, y2, labels=labels, colors=colors)

plt.legend()
plt.show()

圖形顯示結果以下圖所示：

8 間斷條形圖參數詳解

間斷條形圖是在條形圖的基礎之上繪製而成的，主要用來可視化定性數據的相同指標在時間維度上的指標值的變化狀況，直觀比較並展示出定性數據的相同指標的變化狀況。

import matplotlib.pyplot as plt
import numpy as np

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

plt.broken_barh(
    # 元組中第一個元素表明距離y軸的距離，第二個元素表明自身的寬度
    [(10, 20), (190, 60), (270, 80), (370, 80)],
    # 元組中第一個元素表明距離x軸的距離，第二個元素表明自身的長度
    (30, 9),
    facecolors='r'
)

plt.broken_barh(
    [(30, 80), (190, 60), (270, 80), (360, 30)],
    (10, 5),
    facecolors=('b', 'y', 'g', 'purple')
)

# 定義座標軸的範圍
plt.xlim(0, 500)
plt.ylim(5, 50)

# 定義x軸的名稱
plt.xlabel('上課時間')

# 定義x軸的刻度
plt.xticks(np.arange(0, 361, 60))

# 定義y軸的刻度和名稱
plt.yticks([15, 25], ['一班', '二班'])

# 定義刻度的樣式
plt.grid(ls='--', lw=1, color='gray')

# 定義主題名稱
plt.title('兩個班級的上課時間')

plt.show()

圖形顯示結果以下圖所示：

9 階梯圖參數詳解

階梯圖就如其名字那樣，像一臺階同樣，時而上升，時而降低，咱們常常用它來展現數據的趨勢變化或週期顧慮。階梯圖常用在時間序列的數據的可視化任務中，好比商品的日銷量、月銷量，企業中每個月的員工數量的變化等，這樣咱們可以很容易發現時序數據的波動週期和規律。

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(1, 10, 10)
print(x)
y = np.sin(x)
print(y)

# 代碼1
plt.step(x, y, color='b', where='pre', lw=2)
plt.xlim(0, 12)
plt.ylim(-1.2, 1.2)
plt.xticks(np.arange(1, 13, 1))
plt.grid(ls='--', lw=1, color='gray')
plt.show()

# 代碼2 
plt.step(x, y, color='b', where='mid', lw=2)
plt.xlim(0, 12)
plt.ylim(-1.2, 1.2)
plt.xticks(np.arange(1, 13, 1))
plt.grid(ls='--', lw=1, color='gray')
plt.show()

# 代碼3
plt.step(x, y, color='b', where='post', lw=2)
plt.xlim(0, 12)
plt.ylim(-1.2, 1.2)
plt.xticks(np.arange(1, 13, 1))
plt.grid(ls='--', lw=1, color='gray')
plt.show()

這裏有一個新的參數where，你能夠分別運行這三段代碼，能夠看到圖形好像是在往右邊移動，顯示結果以下圖所示：
代碼1：

代碼2：

代碼3：

where參數主要用來定義step應該放在哪裏，咱們把圖形中的每條橫線能夠看做一個step，where字段一共有三個取值，分別是：pre，mid和post，若是咱們在x爲1和2的兩個位置上畫一條橫線（如上圖紅線所示），你會發現，當where='pre'時，y取值的第一個點應該是在x第一個點左側一些，當where='mid'時，y取值的第一個點應該是在x第一個點中間，y取值的第一個點應該是在x第一個點右側。

四實例項目自由繪圖

1 直方圖

直方圖擅長展現區間分佈，好比某一科目的考試成績，按照地區統計的人均壽命，發達國家與發展中國家人都可支配收入等等，如今咱們須要繪製某個班級中Python語言考試成績的分佈區間圖。

import matplotlib.pyplot as plt
import numpy as np

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

scores = np.random.randint(0, 100, 100)
bins = range(0, 101, 10)

"""
histtype在這裏有三個參數，分別是bar，step和stepfilled
1 bar就是填滿相應顏色
2 step是階梯圖
3 histtype是生成一個默認的lineplot進行圖形填充填充，剛好這個參數的默認值就是bar
"""
plt.hist(x=scores, bins=bins, color='#3366FF', histtype='bar')
plt.xlabel('Python考試成績')
plt.ylabel('學生成績')

plt.show()

圖形顯示結果以下圖所示：

在這裏咱們有必要從新再來講一下關於直方圖與柱狀圖，由於他們的樣子實在是太像了，只是柱體與柱體之間是否存在空隙，但偏偏是因爲這一點，才讓它們有所區別，也讓它們分爲擅長表示不一樣類型的數據。咱們知道數據能夠分爲連續型數據和離散型數據，這裏咱們能夠對它們進行總結。直方圖擅長總結和描述連續型數據的分佈，而柱狀圖更加的擅長描述和總結離散型數據的分佈，因此你在將來的應用場景中，首先判斷數據的特色，而後再決定使用什麼圖形去描述這些數據。

2 堆疊直方圖

如今咱們要繪製一個基於剛剛的場景之上的另一個場景，就是咱們要比較兩個班級的Python語言考試的成績，對它們的分佈狀況進行分別的比對，這時就須要用到堆疊直方圖。

import matplotlib.pyplot as plt
import numpy as np

# 中文顯示
plt.rcParams["font.family"] = 'Arial Unicode MS'

# 1 分別生成兩個班級的分數
scores1 = np.random.randint(0, 100, 100)
scores2 = np.random.randint(0, 100, 100)

# 2 把兩個班級的分數放在一個列表中
x = [scores1, scores2]

# 3 選擇兩個對比較鮮明的顏色
colors = ['r', 'b']

# 4 聲明兩個標籤
labels = ['一班', '二班']

# 5 設定x軸的範圍
bins = range(0, 101, 10)

"""
新加入的參數的意義：
1 rwidth:柱體的寬度，0.0-1.0
2 stack:上下排仍是左右排
"""
plt.hist(x, color=colors, histtype='bar', rwidth=1.0, stacked=False, label=labels)
plt.xlabel('Python成績分佈')
plt.ylabel('人數')
plt.title('不一樣班級的Python成績直方圖')

plt.legend(loc=1)  # 原來用upper right這些，如今1表示右上，234分別對應逆時針旋轉位置
plt.show()

圖形顯示結果以下圖所示：

3 分裂式餅圖

餅圖是用來展現定性數據分佈比例特徵的統計圖形，在數據可視化時應用的很是普遍，咱們能夠經過繪製餅圖，直觀的觀察出數據的佔比狀況。餅圖一樣適用於離散型數據的佔比狀況，好比班級內男女性別比例，公司銷售業績每個月在整年中的佔比狀況等等。對於比例分佈的場景，餅圖都是很是適合的。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.family"] = 'Arial Unicode MS'

labels = ['第一季度', '第二季度', '第三季度', '第四季度']
sale = [20, 40, 30, 70]
colors = ['r', 'b', 'y', 'green']

explode = (0.1, 0.1, 0.1, 0.1)

plt.pie(
    sale,
    explode=explode,  # 裂開的那條縫的寬度
    labels=labels,
    autopct='%.2f%%',  # %的精度
    startangle=10,  # 從x軸爲起始位置，逆時針旋轉的角度
    shadow=True,  # 陰影
    colors=colors
)

plt.title('每一季度銷售額', loc='right')
plt.show()

圖形顯示結果以下圖所示：

4 內嵌環形餅圖

內嵌環形餅圖式使得餅圖不只能夠展現單一數據集的比例狀況，還能夠對比展現多數據集的分佈狀況。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.family"] = 'Arial Unicode MS'

development_language = ['Java', 'Python', 'C++', 'PHP', 'Scala']

weight1 = [40, 20, 30, 15, 15]
weight2 = [25, 35, 30, 12, 13]

colors = ['#FF6600', '#9966FF', '#663333', '#3399CC', '#666600']

wedges1, texts1, autotexts1 = plt.pie(
    weight1,
    autopct='%.1f%%',
    radius=1,
    pctdistance=0.85,
    colors=colors,
    textprops=dict(color='w'),
    wedgeprops=dict(width=0.3, edgecolor='w')
)

"""
餅圖的建立實際上是有三個返回值的：
1 一個序列，matplotlib.patches.Wedge的實例
2 一個列表，matplotlib.text.Text的實例，是label的列表
3 一個列表，matplotlib.text.Text的實例，是數值的文本實例標籤，只有在參數autopct不爲空的時候纔有效
"""
print(wedges1)
print(texts1)
print(autotexts1)

wedges2, texts2, autotexts2 = plt.pie(
    weight2,
    autopct='%.1f%%',
    radius=0.75,
    pctdistance=0.75,
    colors=colors,
    textprops=dict(color='w'),
    wedgeprops=dict(width=0.5, edgecolor='b')  # 邊框
)

plt.legend(
    weight1,
    development_language,
    fontsize=5,
    title='開發語言佔比',
    loc='center left',
    bbox_to_anchor=(0.91, 0, 0.3, 1)
)

# 調整餅圖外圈中的字體
plt.setp(autotexts1, size=10, weight='bold')

# 調整餅圖內圈中的字體
plt.setp(autotexts2, size=15, weight='bold')

plt.title('開發語言使用人數比例表')
plt.show()

圖形顯示結果以下圖所示：

綜上代碼，其實，餅圖的嵌套，就是畫兩個餅圖，不要讓他們重疊。

5 箱型圖

箱型圖主要應用在一系列測量或者比較數據的觀測中，好比學校與學校之間或者班級與班級之間的成績比較，各個運動員之間的體能比較，產品優化前和產品優化後的各項數據指標展示的結果比較等等，箱型圖是數據分析場景應用的比較多的一種數據可視化圖形。

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams["font.family"] = 'Arial Unicode MS'

# 生成正態分佈數據
test1 = np.random.randn(5000)
test2 = np.random.randn(5000)

test_list = [test1, test2]

labels = ['隨機數生成1', '隨機數生成2']

colors = ['#3399FF', '#CCCCFF']

box_plot = plt.boxplot(
    test_list,
    whis=1.5,  # 上下四分位距離
    widths=0.6,
    sym='o',
    labels=labels,
    patch_artist=True,  # 是否給箱體添加顏色
    notch=True  # 是否中間v型凹陷
)

for patch, color in zip(box_plot['boxes'], colors):
    patch.set_facecolor(color)


plt.ylabel('隨機數值')
plt.title('生成器抗干擾能力的穩定性比較')

plt.grid(axis='y', ls=':', lw=1, color='gray', alpha=0.2)

plt.show()

圖形顯示結果以下圖所示：

以上是咱們繪製的一些經常使用的圖形和一些經常使用的參數，固然Matplotlib繪製圖形的能力遠不止於此，但若是每個圖形都一一講一遍的話，那麼內容會所有都由畫圖來組成了。畫圖的重點是要學習畫圖的思想，遇到問題先不要急於去畫，首先必定要選定一個合適的圖形，而後再動手。最核心的圖形無非就是那幾個經常使用的，咱們都已經進行過了屢次的練習。畫圖是數據分析、數據挖掘、AI方向的算法工程師必備的技能，因此必定要多多的練習它們的繪製。咱們還會在後續的章節中不斷的去使用這些圖形的練習。

最後會有一個小練習，請點擊下方連接下載題目和數據：
chapter8-1.zip