Python 数据可视化超详细讲解折线图的实现_Python

绘制简单的折线图

在使用matplotlib绘制简单的折线图之前首先需要安装matplotlib，直接在pycharm终端pip install matplotlib即可

Python 数据可视化超详细讲解折线图的实现

使用matplotlib绘制简单的折线图，再对其进行定制，实现数据的可视化操作

import matplotlib.pyplot as plt  # 导入pyplot模块并设置别名为plt

squares = [1, 4, 9, 16, 25]
plt.plot(squares)
plt.show()  # 打开matplotib查看器，并显示绘制的图形

运行结果如下：

Python 数据可视化超详细讲解折线图的实现

修改标签文字和线条粗细

上图所示的图形表示的数字越来越大，但标签文字太小，线条太细，不方便观察，这时就需要调整一下增加图形的可读性

import matplotlib.pyplot as plt  # 导入pyplot模块并设置别名为plt

squares = [1, 4, 9, 16, 25]
plt.plot(squares, linewidth=5)  # 函数linewidth设置绘制线条的粗细
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', labelsize=14)
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

校正图形

图形更容易阅读了，但我们发现没有正确的绘制数据，折线图的终点指出4的平方为25！

Python 数据可视化超详细讲解折线图的实现

向plot()提供一系列数字时，它假设第一个数据点对应的x坐标值为0，但我们的第一个点对应的x值为1。为改变这种默认行为，我们可以给plot同时提供输入值和输出值。

import matplotlib.pyplot as plt  # 导入pyplot模块并设置别名为plt

input_value = [1, 2, 3, 4, 5]
squares = [1, 4, 9, 16, 25]   
plt.plot(input_value, squares, linewidth=5)  # 函数linewidth设置绘制线条的粗细
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', labelsize=14)
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

现在plot()成功绘制数据，因为我们同时提供了输入值和输出值。使用plot()时可指定各种实参，还可使用众多函数对图像进行定制

使用scatter()绘制散点图并设置其格式

有时候需要绘制散点图并设置各个数据的格式。例如：你可能想以一种颜色显示较小的值，用一种颜色显示较大的值。绘制大型数据集时，你还可以对每个点都设置同样的格式，再使用不同的样式选项重新绘制某个点，以突出它们要绘制单个点，可使用函数scatter()，并向它传递一对x,y坐标，它将在指定绘制绘制一个点

import matplotlib.pyplot as plt

plt.scatter(2, 4)  # 向scatter函数传递一对x,y坐标
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

下面来设置输出的样式，使其更有趣：添加标题，给坐标轴加上标签，并设置文本格式

import matplotlib.pyplot as plt

plt.scatter(2, 4, s=200)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

使用scatter()绘制一系列点

import matplotlib.pyplot as plt

x_values = [1, 2, 3, 4, 5]
y_values = [1, 4, 9, 16, 25]
plt.scatter(x_values, y_values, s=100)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

自动计算数据

手动计算列表包含的值很麻烦，可以利用python中的循环来解决，下面是绘制1000个点的范例：

import matplotlib.pyplot as plt

x_values = list(range(1, 1001))
y_values = [x ** 2 for x in x_values]
plt.scatter(x_values, y_values, s=10)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
# 设置每个坐标轴的取值范围
plt.axis([0, 1100, 0, 1100000])
plt.show()  # 打开matplotib查看器，并显示绘制的图形

这里需要注意函数axis需要传入四个值，x,y坐标的最小值，最大值效果如下：

Python 数据可视化超详细讲解折线图的实现

删除数据点的轮廓

要删除数据点的轮廓，可在调用scatter()时传递实参edgecolor=‘none’

plt.scatter(x_values, y_values, edgecolors='none', s=10)

import matplotlib.pyplot as plt

x_values = list(range(1, 1001))
y_values = [x ** 2 for x in x_values]
plt.scatter(x_values, y_values, edgecolors='none', s=10)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
# 设置每个坐标轴的取值范围
plt.axis([0, 1100, 0, 1100000])
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

自定义颜色

要修改数据点的颜色，可向scatter()传递参数c,并将其设置要使用的颜色的名称

plt.scatter(x_values, y_values, c='red',edgecolors='none', s=10)

import matplotlib.pyplot as plt

x_values = list(range(1, 1001))
y_values = [x ** 2 for x in x_values]
plt.scatter(x_values, y_values, c='red',edgecolors='none', s=10)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
# 设置每个坐标轴的取值范围
plt.axis([0, 1100, 0, 1100000])
plt.show()  # 打开matplotib查看器，并显示绘制的图形

效果如下：

Python 数据可视化超详细讲解折线图的实现

使用颜色映射

颜色映射(colormap)是一系列颜色，它们从颜色渐变到结束颜色。在可视化中，颜色映射用于突出数据的规律，例如，你可能用较浅的颜色显示较小的值，并使用较深的颜色显示较大的值

import matplotlib.pyplot as plt

x_values = list(range(1, 1001))
y_values = [x ** 2 for x in x_values]
# 将c设置为y值列表，使用参数cmap告诉pyplot使用哪个颜色映射
plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues, edgecolors='none', s=10)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
# 设置每个坐标轴的取值范围
plt.axis([0, 1100, 0, 1100000])
plt.show()  # 打开matplotib查看器，并显示绘制的图形

Python 数据可视化超详细讲解折线图的实现

自动保存图表

要让程序自动将图表保存到文件中，可将对plt.show()的调用替换为对plt.sacefig()的调用

plt.savefig('squares.png',bbox_inches='tight')

第一个实参指定要以什么样的文件名保存图表，第二个实参指定将图表多余的空白区域裁剪（如果要保留，可省略这个实参）

import matplotlib.pyplot as plt

x_values = list(range(1, 1001))
y_values = [x ** 2 for x in x_values]
# 将c设置为y值列表，使用参数cmap告诉pyplot使用哪个颜色映射
plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues, edgecolors='none', s=10)  # 向scatter函数传递一对x,y坐标
# 设置图表标题，并给坐标轴加上标签
plt.title('Square number', fontsize=24)
plt.xlabel('Value', fontsize=14)
plt.ylabel('Square of Value', fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
# 设置每个坐标轴的取值范围
plt.axis([0, 1100, 0, 1100000])
plt.savefig('squares.png',bbox_inches='tight')
plt.show()  # 打开matplotib查看器，并显示绘制的图形

保存效果如下：

Python 数据可视化超详细讲解折线图的实现