6. Matplotlib, Pyecharts 绘图

1. 安装

1. 本篇主要是 Python 绘图方法的笔记，以 matplotlib 为主，还包含 seaborn,pyecharts 等模块

2. 安装 Matplotlib🔗 (opens new window)

   pip install matplotlib
   

3. 安装 seaborn🔗 (opens new window)

   pip install seabron
   

4. 安装 Pyecharts, Pyecharts 绘图会保存成 HTML 文件，需要用浏览器打开

   pip install pyecharts
   

2. 绘图种类

2.1. plot 折线绘图

1. 代码

   import matplotlib.pyplot as plt
   
   plt.figure()
   # 两条曲线 (x1,x2) 和 (x2, y2)
   plt.plot(x1, y1, x2, y2)
   plt.show()
   

2. plot 设置，更多设置参考 官方文档🔗 (opens new window)

   plt.plot([1, 2, 3], [1, 1, 1], 'b-', label='line 1', linewidth=2)  # 蓝色直线
   plt.plot([1, 2, 3], [2, 2, 2], 'g--', label='line 2', linewidth=2)  # 绿色虚线
   plt.plot([1, 2, 3], [3, 3, 3], 'ro-.', label='line 3', linewidth=2)  # 红色带圈点划线
   plt.plot([1, 2, 3], [4, 4, 4], 'cv:', label='line 4', linewidth=2)  # 蓝绿色倒三角点线
   plt.plot([1, 2, 3], [5, 5, 5], 'm^', label='line 5', linewidth=2)  # 紫红色正三角
   plt.plot([1, 2, 3], [6, 6, 6], 'y<', label='line 5', linewidth=2)  # 黄色左三角
   plt.plot([1, 2, 3], [7, 7, 7], 'k>', label='line 5', linewidth=2)  # 黑色右三角
   

   

2.2. scatter 散点图

1. 带颜色区分的散点图

2. 三维散点图

   fig = plt.figure()
   
   ax = fig.add_subplot(projection='3d')
   ax.scatter(x, y, z)
   ax.set_xlabel('x')
   ax.set_ylabel('y')
   ax.set_zlabel('z')
   
   plt.show()
   

2.3. bar 柱状图

1. 基础柱状图

   import matplotlib.pyplot as plt
   
   x = list('abcd')
   y = [1, 2, 3, 4]
   
   plt.figure()
   plt.bar(x, y)
   plt.show()
   

   

2. 分组柱状图

   import matplotlib.pyplot as plt
   import numpy as np
   
   fig, ax = plt.subplots()
   width = 0.1
   x = np.arange(0, 3)
   y1 = [1, 2, 3]
   y2 = [3, 2, 1]
   
   # 用偏移量设置多组柱状图
   b1 = ax.bar(np.add(x, -width / 2), y1, width, label='1')
   b2 = ax.bar(np.add(x, width / 2), y2, width, label='2')
   
   ax.legend() # 显示图例
   
   ax.bar_label(b1, padding=3) # 柱状图显示数值
   ax.bar_label(b2, padding=3) # 柱状图显示数值
   fig.tight_layout()  # 减小图片边框
   
   # x 轴间隔设置为 1
   x_locator = plt.MultipleLocator(1)
   ax.xaxis.set_major_locator(x_locator)
   
   plt.show()
   

   

3. 堆叠柱状图

   import numpy as np
   from matplotlib import pyplot as plt
   
   x = [1, 2, 3]
   y1 = [1, 2, 3]
   y2 = [3, 2, 1]
   
   fig, ax = plt.subplots()
   ax.bar(x, y1, label='a')
   ax.bar(x, y2, bottom=y1, label='b')
   ax.legend()
   plt.show()
   

   

4. 参数

   bar(x, height, width=0.8, bottom=None, ***, align='center', data=None, **kwargs)
   

   参数	功能
   x	x 坐标
   height	高度，即 y 值
   width	柱宽，取值在 0-1 之间，默认 0.8
   bottom	柱状图的起始位置
   align	柱状图的中心位置，'edge'左边缘，'center'中心

5. 动态柱宽

   有时需要根据数据设置柱状图列宽和偏移量，下面给出推荐设置

   def plot(x, y):
       # 要求是等间距 x 坐标
       delta = x[1] - x[0]
   
       # 图像向右偏移半个坐标（柱状图位于两个坐标正中）
       # 动态柱宽 0.9 * delta 比较好看，可以根据需求适当调整
       plt.bar(np.array(x) + 0.5 * delta, y, width=0.9 * delta)
   

2.4. pie 饼图

1. 代码

   import matplotlib.pyplot as plt
   
   labels = 'a', 'b', 'c', 'd'
   sizes = [15, 30, 45, 10]
   explode = (0, 0.1, 0, 0)
   
   plt.subplots()
   # explode: 每个楔子偏离的距离
   # autopct: 自动显示饼图百分比
   plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%', shadow=True, startangle=90)
   plt.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.
   
   plt.show()
   

   

2.5. stackplot 堆叠面积图

1. 堆叠面积曲线

   x = [1, 2, 3]
   stacks = {
       'A': [1, 2, 3],
       'B': [2, 2, 1],
       'C': [2, 1, 2]
   }
   
   fig, ax = plt.subplots()
   ax.stackplot(x, stacks.values(), labels=stacks.keys())
   ax.legend()
   plt.show()
   

   

2.6. 盒须图/箱形图

1. violinplot 提琴图

   import matplotlib.pyplot as plt
   import numpy as np
   
   # Random test data
   np.random.seed(19680801)
   all_data = [np.random.normal(0, std, size=100) for std in range(1, 4)]  # [100]*3 数组
   labels = ['x1', 'x2', 'x3']
   
   # 均值和中位数只能二选一，False 可以不设置
   plt.violinplot(all_data,
                  showmeans=True,  # 显示均值
                  showmedians=False)  # 不显示中位数
   plt.xticks([x + 1 for x in range(len(all_data))], labels=labels)
   plt.show()
   

   

2. 盒须图

   import matplotlib.pyplot as plt
   import numpy as np
   
   # Random test data
   np.random.seed(19680801)
   all_data = [np.random.normal(0, std, size=100) for std in range(1, 4)]
   labels = ['x1', 'x2', 'x3']
   
   plt.boxplot(all_data)
   plt.xticks([x + 1 for x in range(len(all_data))], labels=labels)
   plt.show()
   

   

2.7. heatmap 热力图

1. 代码

   # 热力图
   fig, ax = plt.subplots()
   im = ax.imshow(df)
   ax.set_xticks(np.arange(len(df.columns)), labels=df.columns)  # 坐标显示成文字
   ax.set_yticks(np.arange(len(df.index)), labels=df.index)  # 坐标显示成文字
   
   # 热力图中显示数值
   for i in range(len(df.index)):
       for j in range(len(df.columns)):
           ax.text(j, i, df.iloc[i, j], ha="center", va="center", color="w")
   
   # color bar
   cbar = ax.figure.colorbar(im, ax=ax)
   cbar.ax.set_ylabel('Pearson 相关性', rotation=-90, va="bottom")  # color bar 标题
   
   fig.tight_layout()
   plt.show()
   

2. 推荐 seaborn 的用法，更加简洁

   import seaborn as sns
   
   fig, ax = plt.subplots()
   sns.heatmap(data=df, annot=True)
   plt.setp(ax.get_xticklabels(), rotation=30, ha="right", rotation_mode="anchor")
   plt.show()
   

3. 图片设置

3.1. 坐标轴

1. 坐标轴反向

   ax.invert_xaxis()  # x 坐标轴反向
   

2. 设置坐标值

   # 按照需求设置坐标，坐标一定要有对应的数据
   x_axis = ['2018-09-01', '2018-10-01', '2018-11-01', '2018-12-01', '2018-12-31']
   plt.xticks(x_axis, rotation=15)  # 刻度倾斜
   
   # 还可以对坐标重命名
   x_axis = ['2022-07-25 00:00:00', '2022-07-25 04:00:00', '2022-07-25 08:00:00', '2022-07-25 12:00:00',
             '2022-07-25 16:00:00', '2022-07-25 20:00:00', '2022-07-26 00:00:00']
   plt.plot(df['tm'], final)
   plt.xticks(x_axis, (0, 4, 8, 12, 16, 20, 24))   # 将横坐标值重命名为小时时间
   plt.show() 
   # 如果是多图的话需要用 set_sticks, 参考本章 2.3 多图设置
   
   # 按照等间隔数值设置坐标
   plt.xticks(np.arange(0, 25, 4))  # 范围 0-25，分度值 4
   
   # 不显示坐标
   plt.xticks([])  # 不显示 x 轴坐标
   plt.yticks([])  # 不显示 y 轴坐标
   

3. 调整坐标轴间隔

   # x 轴间隔设置为 1
   x_locator = plt.MultipleLocator(1)
   ax.xaxis.set_major_locator(x_locator)
   

4. 设置坐标限位

   # 数值型
   plt.xlim(0, 24)
   plt.ylim(0, 10)
   
   # 日期型
   plt.xlim(datetime.strptime('2019-05-12', '%Y-%m-%d'), datetime.strptime('2019-05-15', '%Y-%m-%d'))
   

5. 设置轴标签

   plt.figure()
   plt.xlabel("x")
   plt.ylabel("y")
   
   # 或
   fig, ax = plt.subplots()
   ax.set_xlabel('x')
   ax.set_ylabel('y')
   

6. 坐标轴字体大小

   plt.figure()
   plt.tick_params(labelsize=14)
   
   # 或
   fig, ax = plt.subplots()
   ax.tick_params(labelsize=14)
   

7. 坐标轴坐标倾斜

   plt.xticks(x_axis, rotation=15)  # 刻度倾斜
   # 或
   ax.set_xticklabels(labels=x, rotation=-45)
   

8. 坐标轴偏移

   import numpy as np
   
   # 以柱状图为例，+图像右移，-图像左移
   plt.bar(np.array(x_list) +- 偏移量，y)
   

3.2. 图例 & 标题

1. plt.legend

   # 设置图例
   plt.plot(x1, y1, label='a')
   plt.plot(x2, y2, label='b')
   plt.legend()
   

2. 位置 loc=string or code

   位置 string	位置 code	位置
   'best'	0	自适应
   'upper right'	1	右上↗
   'upper left'	2	左上↖
   'lower left'	3	左下↙
   'lower right'	4	右下↘
   'right'	5	右→
   'center left'	6	左←
   'center right'	7	右→（同 rigth）
   'lower center'	8	下↓
   'upper center'	9	上↑
   'center'	10	中心

   

3. 设置图例的显示方式

   # 图例显示位置 1, 6 列
   plt.legend(loc=1, ncol=6)
   
   # 图例显示到图外：loc 此时表示定位点，bbox_to_anchor 表示定位点的位置
   # 定位点为图例左上角，偏移位置 x=1.05,y=1.0
   plt.legend(loc=2, bbox_to_anchor=(1.05, 1.0), borderaxespad=0.)
   

4. 标题

   plt.title('图名', size=16)
   

5. legend 参数，更多配置参考 官方文档🔗 (opens new window)

3.3. 多图设置

1. subplot(nrows, ncols, index, **kwargs)

   plt.subplot(2, 2, 1)  # 或 plt.subplot(221)
   plt.plot(x1, y1)
   plt.subplot(2, 2, 2)  # 或 plt.subplot(222)
   plt.plot(x2, y2)
   plt.subplot(2, 2, 3)  # 或 plt.subplot(223)
   plt.plot(x3, y3)
   plt.subplot(2, 2, 4)  # 或 plt.subplot(224)
   plt.plot(x4, y4)
   
   # 如果还需要设置副坐标轴
   ax1 = plt.subplot(221)
   ax1.plot(x1, y1)    # 图 1 主坐标
   ax1b = ax1.twinx()
   ax1b.plot(x2, y2)   # 图 1 副坐标
   
   ax2 = plt.subplot(222)
   ax2.plot(x3, y3)    # 图 2 主坐标
   ax2b = ax2.twinx()
   ax2b.plot(x4, y4)   # 图 2 副坐标
   ...
   

2. subplots

   # 1. 类似 subplot 的分图功能
   # 1xn 类型
   fig, ax = plt.subplots(1, 2)
   ax[0].plot(x1, y1)
   ax[0].set_xticks(x_axis, ('0', '12', '24'))  # 修改坐标轴显示
   ax[0].set_xlabel('x')  # 设置 x 轴标签
   ax[0].set_ylabel('y')  # 设置 y 轴标签
   
   ax[1].plot(x2, y2)  # 其他设置同上
   
   # 2x2 以上
   fig, ax = plt.subplots(2, 2)
   ax[0, 0].plot(x1, y1)
   ax[1, 0].plot(x2, y2)
   

3.4. 多坐标轴（副坐标轴）

1. 副坐标轴功能

   import matplotlib.pyplot as plt
   
   x1 = list('abcd')
   x2 = x1
   y1 = [1, 2, 3, 4]
   y2 = [4, 3, 2, 1]
   
   fig, ax1 = plt.subplots()
   
   ax1.plot(x1, y1, label='a')
   # 设置 ax2 与 ax1 公用横坐标
   ax2 = ax1.twinx()
   # 第二条线必须指定其他颜色，不然都会和第一条曲线显示相同颜色
   ax2.plot(x2, y2, c='r', label='b')
   
   plt.title('abc')
   plt.show()
   

2. 图例融合

   使用多坐标轴画图时有个问题是不同坐标轴间的图例会覆盖，因此需要图例融合，将不同图例合并到一起

   import matplotlib.pyplot as plt
   
   x1 = list('abcd')
   x2 = x1
   y1 = [1, 2, 3, 4]
   y2 = [4, 3, 2, 1]
   
   fig, ax1 = plt.subplots()
   
   # 设置 ax2 与 ax1 公用横坐标
   l1 = ax1.plot(x1, y1, label='a')
   ax2 = ax1.twinx()
   l2 = ax2.plot(x2, y2, c='r', label='b')
   
   # 图例融合
   lns = l1 + l2
   labs = [ln.get_label() for ln in lns]
   ax1.legend(lns, labs, loc=9)
   
   plt.title('abc')
   plt.show()
   

   

3. 还有一种方法是不同位置分别显示

3.5. 辅助线

1. 水平线

   # 水平虚线，高度为 y，从 (xmin,y) 到 (xmax,y)
   plt.hlines(y, xmin, xmax, linestyle=':')
   

2. 竖直线

   # 垂直虚线，从 (x,ymin) 到 (x,ymax)
   plt.vlines(x, ymin, ymax, linestyle=':')
   

3. 图片方格

   plt.grid(True)  # 开启方格
   

3.6. 注释

1. plt.text() 使用

   # 
   plt.text()
   

2. plt.annotate()

3.7. 图片显示/输出设置

1. 中文编码问题

   plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决 plt 中文乱码
   plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示坐标轴负号
   

2. 图片大小设置

   plt.rcParams['figure.figsize'] = (12, 8)
   

3. 图片保存

   # 要放在 plt.show() 前面，不然会变成空白
   plt.savefig("Picture.png")
   # 批量保存图片为防止大量图片占用内存，需要关闭图片
   plt.close()
   

4. 图片边框修改

   plt.tight_layout()  # 缩小边框空白
   

4. 动态图

1. Animation

   import matplotlib.animation as ani
   
   

5. Pyecharts

5.1. Bar 柱状图

from pyecharts.charts import Bar
from pyecharts import options as opts

bar = (
    Bar()
    .add_xaxis(["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"])
    .add_yaxis("商家 A", [114, 55, 27, 101, 125, 27, 105])
    .add_yaxis("商家 B", [57, 134, 137, 129, 145, 60, 49])
    .set_global_opts(title_opts=opts.TitleOpts(title="某商场销售情况"))
    .render('render.html')
)

5.2. Pie 饼图

from pyecharts.charts import Pie
from pyecharts import options as opts

x = ["衬衫", "毛衣", "领带", "裤子", "风衣", "高跟鞋", "袜子"]
y = [114, 55, 27, 101, 125, 27, 105]
pie = (
    Pie()
    .add("", [list(x) for x in zip(x, y)])
    .set_colors(["blue", "green", "yellow", "red", "pink", "orange", "purple"])
    .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)"))
    .render('render.html')
)

6. Pygal

6.1. 简介

1. pygal 是一款动态图表绘制库

2. 安装

   pip install pygal
   

6.2. line

1. demo

   # 官方示例
   import pygal
   
   line_chart = pygal.Line()
   line_chart.title = 'Browser usage evolution (in %)'
   line_chart.x_labels = map(str, range(2002, 2013))
   line_chart.add('Firefox', [None, None, 0, 16.6, 25, 31, 36.4, 45.5, 46.3, 42.8, 37.1])
   line_chart.add('Chrome', [None, None, None, None, None, None, 0, 3.9, 10.8, 23.8, 35.3])
   line_chart.add('IE', [85.8, 84.6, 84.7, 74.5, 66, 58.6, 54.7, 44.8, 36.2, 26.6, 20.1])
   line_chart.add('Others', [14.2, 15.4, 15.3, 8.9, 9, 10.4, 8.9, 5.8, 6.7, 6.8, 7.5])
   line_chart.render_to_file('line.svg')
   

2. 结果：输出的图片用浏览器打开

   

6.3. 备注

-官方文档🔗 (opens new window)