数据挖掘与机器学习中Matplotlib绘图模块详细讲解（超详细附源码）

- 日理万妓 2023-09-30 18:28 5阅读 0赞

> **需要完整文件和PPT请点赞关注收藏后评论区留言私信~~~**

Matplotlib是Python的一套基于NumPy的绘图工具包。Matplotlib提供了一整套在Python下实现的类 Matlab的纯 Python的第三方库，其风格跟 Matlab相似，同时也继承了Python简单明了的优点。

在Jupyter Notebook中导入语句如下% matplotlib notebook

import matplotlib.pyplot as plt

## 1.创建画布与子图 ##

Matplotlib所绘制的图位于图片（Figure）对象中，绘图常用方法见表.

![29ff2137edf44d4797069b31d9e105d5.png][]

![ffa76efbda1a4e128406e5eecfe92869.png][]

代码如下

import matplotlib.pyplot as plt
    fig = plt.figure()
    #不能使用空白的figure绘图，需要创建子图
    ax1 = fig.add_subplot(1,2,1)
    ax2 = fig.add_subplot(1,2,2)
    ax1.plot([1.5,2,3.5,-1,1.6])

创建子图调整子图周围的间距。

![e7493bbc8ed7496493632fc0120d4a54.png][]

fig,axes = plt.subplots(2,2,sharex = True,sharey = True)
    for i in range(2):
         for j in range(2):
          axes[i,j].hist(np.random.randn(500),bins =50,color='k',alpha= 0.5)
    plt.subplots_adjust(wspace=0,hspace=0)

## 2.添加画布内容 ##

在画布上绘制图形，需要设置绘图的一些属性，如标题、轴标签等。

![270829f73d6b4863b3a3195002dcc140.png][]

![f16be320418f49f8af0fc20e6f2c9365.png][]

data = np.arange(0,np.pi*2,0.01)
    fig1 = plt.figure(figsize = (9,7),dpi = 90)  #确定画布大小
    ax1 = fig1.add_subplot(1,2,1) #绘制第1幅子图
    plt.title('lines example')
    plt.xlabel('X')
    plt.ylabel('Y')
    plt.xlim(0,1)
    plt.ylim(0,1)
    plt.xticks([0,0.2,0.4,0.6,0.8,1])
    plt.yticks([0,0.2,0.4,0.6,0.8,1])
    plt.plot(data,data**2)
    plt.plot(data,data**3)
    plt.legend(['y = x^2','y = x^3'])
    ax1 = fig1.add_subplot(1,2,2) #绘制第2幅子图
    plt.title('sin/cos')
    plt.xlabel('X')
    plt.ylabel('Y')
    plt.xlim(0,np.pi*2)
    plt.ylim(-1,1)
    plt.xticks([0,np.pi/2,np.pi,np.pi*3/2,np.pi*2])
    plt.yticks([-1,-0.5,0,0.5,1])
    plt.plot(data,np.sin(data))
    plt.plot(data,np.cos(data))
    plt.legend(['sin','cos'])
    plt.show()

## 3. 绘图的保存与显示 ##

![0afe7235fd274ccbadbd329067461dd7.png][]

## 4.设置pyplot的动态rc参数 ##

Matplotlib配置了配色方案和默认设置，主要用来准备用于发布的图片。有两种方式可以设置参数，即全局参数定制和rc设置方法。

查看matplotlib的rc参数： import matplotlib as plt print(plt.rc\_params())

1. 全局参数定制 Matplotlib的全局参数可以通过编辑其配置文件设置。

2. rc参数设置 使用Python编程进行配置修改rc参数

![b6435a83ef004a0b821007d964e79372.png][]

rc参数设置示例

![3038b5d79b4a4add9a3adc317fa570c2.png][]

import matplotlib.pyplot as plt
    fig = plt.figure()
    ax = fig.add_subplot(1,1,1)
    np.random.seed(719)
    ax.plot(np.random.randn(30).cumsum(),color = 'k',linestyle = 'dashed',marker = 'o',label = 'one')
    ax.plot(np.random.randn(30).cumsum(),color = 'k',linestyle = 'dashed',marker = '+',label = 'two')
    ax.legend(loc = 'best')

可以用set\_xticks设置刻度，用set\_xticklabels改变刻度，设置刻度的旋转角度及字体等，如ax.set\_xticklabels(\['x1','x2','x3','x4','x5'\],rotation = 30,fontsize = 'large')。

文本注解 绘图时有时需要在图表中加文本注解，Python通过text函数在指定的位置（x,y）加入文本注解，也可以利用annotate()完成指向型注释。

文本注解

绘图时有时需要在图表中加文本注解，Python通过text函数在指定的位置（x,y）加入文本注解，也可以利用annotate()完成指向型注释

绘制曲线图并标注

![da9b0d98ce214c3ba17b22c5fe46f82e.png][]

import matplotlib.pyplot as plt
    import numpy as np
    fig=plt.figure()
    ax1=fig.add_subplot(121)
    t=np.arange(0.0,5,0.01)
    s=np.cos(2*np.pi*t)
    line,=ax1.plot(t,s,lw=2)
    bbox=dict(boxstyle='round',fc='white')
    ax1.annotate('local max',xy=(2,1),xytext=(3,1.5),arrowprops=dict
    (facecolor='black',edgecolor='red',headwidth=7,width=2),bbox=bbox)
    bbox_prop=dict(fc='white')
    ax1.set_xlabel('asix-X',bbox=bbox_prop)
    ax1.set_ylim(-2,2)
    ax1.text(1,1,'max')
    ax2=fig.add_subplot(122)
    ax2.set_ylim(-4,4)
    ax2.set_xlim(-4,4)
    bbox=dict(boxstyle='round',ec='red',fc='white')
    ax2.text(-2,0,'$y=sin(x)$',bbox=bbox)
    ax2.text(0,-2,'$y=cos(x)$',bbox=dict(boxstyle='square',facecolor='white',ec='black'),rotation=45)
    ax2.grid(ls=":",color='gray',alpha=0.5)
    #设置水印(带方框的水印)
    ax2.text(-2,2,'NWNU',fontsize=20,alpha=0.8,color='gray',bbox=dict(fc="white",boxstyle='round',edgecolor='gray',alpha=0.3))
    plt.show()

## 5.pyplot中的常用绘图 ##

### 1. 折线图 ###

折线图（Line Chart）是一种将数据点按照顺序连接起来的图形。matplotlib.pyplot.plot(\*args, \*\*kwargs)

![9c9204e242694b9f899b6b10781c6729.png][]

![e9d038eda9d246de9ee197bf267732fd.png][]

折线图绘制代码如下

x1 = np.arange(0, 30)
    plt.plot(x1,x1*2,marker='o',color='g')
    plt.plot(x1,x1*3.5,marker='+',color='b')
    plt.tick_params(axis='x',labelsize=14,rotation=30)
    plt.tick_params(axis='y',labelsize=13)
    plt.show()

### 2. 散点图 ###

散点图（Scatter Diagram）又称为散点分布图，是以一个特征为横坐标，另一个特征为纵坐标，利用坐标点（散点）的分布形态反映特征间的统计关系的一种图形。

scatter方法格式： matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, alpha=None, \*\*kwargs)

fig,ax = plt.subplots()
    plt.rcParams['font.family'] = ['SimHei'] 
    plt.rcParams['axes.unicode_minus'] = False 
    x1 = np.arange(1,30)
    y1 = np.sin(x1)
    ax1 = plt.subplot(1,1,1)
    plt.title('散点图')
    plt.xlabel('X')
    plt.ylabel('Y')
    lvalue = x1
    ax1.scatter(x1,y1,c = 'r',s = 100,linewidths = lvalue,marker = 'o')
    plt.legend('x1')
    plt.show()

![058db6a641f3431d8d8a884cefb6c9cc.png][]

### 3.直方图 ###

直方图（Histogram）又称质量分布图，是统计报告图的一种，由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据所属类别，纵轴表示数量或者占比。

绘制直方图函数bar格式： matplotlib.pyplot.bar（left，height，width = 0.8，bottom = None，hold = None，data = None，\*\* kwargs ）

fig,ax = plt.subplots()
    plt.rcParams['font.family'] = ['SimHei'] 
    plt.rcParams['axes.unicode_minus'] = False  
    x = np.arange(1,6)
    Y1 = np.random.uniform(1.5,1.0,5)
    Y2 = np.random.uniform(1.5,1.0,5)
    plt.bar(x,Y1,width = 0.35,facecolor = 'lightskyblue',edgecolor = 'white')
    plt.bar(x+0.35,Y2,width = 0.35,facecolor = 'yellowgreen',edgecolor = 'white')
    plt.show()

![1df16d9a0f5c469d9075b31d5056c849.png][]

### 4. 饼图 ###

饼图（Pie Graph）是将各项的大小与各项总和的比例显示在一张“饼”中，以“饼”的大小来确定每一项的占比。

绘制饼图pie方法格式： matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6,shadow=False,labeldistance=1.1, startangle=None, radius=None, …

plt.figure(figsize = (6,6))
    ax = plt.axes([0.1,0.1,0.8,0.8])
    labels = 'Springs','Summer','Autumn','Winter'
    x = [15,30,45,10]
    explode = (0.05,0.05,0.05,0.05)
    #控制分离的距离，默认饼图不分离
    plt.pie(x,labels = labels,explode = explode,startangle = 60,autopct = '%1.1f%%')
    #qutopct在图中显示比例值，注意值的格式
    plt.title('Rany days by season')
    plt.tick_params(labelsize = 12)
    plt.show()

![9ed5195aae2a4779b60beb9c8e73801f.png][]

### 5. 箱线图 ###

箱线图（Boxplot）也称箱须图，其绘制需使用常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其在比较不同特征时，更可表现其分散程度差异。

matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch\_artist=None,meanline=None, labels=None, … )

![dcf938c406f84bc28676030fb046645e.png][]

np.random.seed(2)  #设置随机种子
    df = pd.DataFrame(np.random.rand(5,4),
    columns = ['A', 'B', 'C', 'D'])
    #生成0-1之间的5*4维度数据并存入4列DataFrame中
    plt.boxplot(df)
    plt.show()

### 6. 概率图 ###

概率图模型是图灵奖获得者Pearl提出的用来表示变量间概率依赖关系的理论。正态分布又名高斯分布。正态概率密度函数normpdf（x，mu，sigma），其中，x为向量，mu为均值，sigma为标准差。

![0754b149333c4f1ca72d22308a1b368d.png][]

from scipy.stats import norm
    fig,ax = plt.subplots()
    plt.rcParams['font.family'] = ['SimHei'] 
    np.random.seed(1587554)
    mu = 100
    sigma = 15
    x = mu+sigma*np.random.randn(437)
    num_bins = 50
    n,bins,patches = ax.hist(x,num_bins,density = 1)
    y=norm.pdf(bins,mu,sigma)
    ax.plot(bins,y,'--')
    fig.tight_layout()
    plt.show()

**创作不易 觉得有帮助请点赞关注收藏~~~**

[29ff2137edf44d4797069b31d9e105d5.png]: https://img-blog.csdnimg.cn/29ff2137edf44d4797069b31d9e105d5.png
[ffa76efbda1a4e128406e5eecfe92869.png]: https://img-blog.csdnimg.cn/ffa76efbda1a4e128406e5eecfe92869.png
[e7493bbc8ed7496493632fc0120d4a54.png]: https://img-blog.csdnimg.cn/e7493bbc8ed7496493632fc0120d4a54.png
[270829f73d6b4863b3a3195002dcc140.png]: https://img-blog.csdnimg.cn/270829f73d6b4863b3a3195002dcc140.png
[f16be320418f49f8af0fc20e6f2c9365.png]: https://img-blog.csdnimg.cn/f16be320418f49f8af0fc20e6f2c9365.png
[0afe7235fd274ccbadbd329067461dd7.png]: https://img-blog.csdnimg.cn/0afe7235fd274ccbadbd329067461dd7.png
[b6435a83ef004a0b821007d964e79372.png]: https://img-blog.csdnimg.cn/b6435a83ef004a0b821007d964e79372.png
[3038b5d79b4a4add9a3adc317fa570c2.png]: https://img-blog.csdnimg.cn/3038b5d79b4a4add9a3adc317fa570c2.png
[da9b0d98ce214c3ba17b22c5fe46f82e.png]: https://img-blog.csdnimg.cn/da9b0d98ce214c3ba17b22c5fe46f82e.png
[9c9204e242694b9f899b6b10781c6729.png]: https://img-blog.csdnimg.cn/9c9204e242694b9f899b6b10781c6729.png
[e9d038eda9d246de9ee197bf267732fd.png]: https://img-blog.csdnimg.cn/e9d038eda9d246de9ee197bf267732fd.png
[058db6a641f3431d8d8a884cefb6c9cc.png]: https://img-blog.csdnimg.cn/058db6a641f3431d8d8a884cefb6c9cc.png
[1df16d9a0f5c469d9075b31d5056c849.png]: https://img-blog.csdnimg.cn/1df16d9a0f5c469d9075b31d5056c849.png
[9ed5195aae2a4779b60beb9c8e73801f.png]: https://img-blog.csdnimg.cn/9ed5195aae2a4779b60beb9c8e73801f.png
[dcf938c406f84bc28676030fb046645e.png]: https://img-blog.csdnimg.cn/dcf938c406f84bc28676030fb046645e.png
[0754b149333c4f1ca72d22308a1b368d.png]: https://img-blog.csdnimg.cn/0754b149333c4f1ca72d22308a1b368d.png