莫烦PYTHON——Matplotlib画图教程 学习心得（2）3 画图种类3.1 Scatter 散点图3.2 Bar 柱状图3.3 Contours 等高线图3.4 Image 图片3.5 3D 数据4 多图合并显示4.1 Subplot 多合一显示4.2 Subplot 分格显示4.3 图中图4.4 次坐标轴5 动画5.1 Animation 动画
3 画图种类
3.1 Scatter 散点图
新建Python文件，输入
import matplotlib.pyplot as plt
import numpy as np
n = 1024
在Python的可视化领域，Matplotlib库是不可或缺的一部分，它提供了丰富的图形绘制功能，适用于各种数据展示和分析。本文主要探讨了Matplotlib中的几种基本图表类型，以及如何将多个图表组合在一起，甚至创建动画效果。
我们来看Scatter图，也就是散点图。散点图是一种用于表示两个变量之间关系的图形，每个点代表一个样本，X和Y轴分别对应不同的变量。在Matplotlib中，使用`scatter`函数创建散点图。例如，以下代码生成了一个包含1024个随机分布点的散点图：
```python
import matplotlib.pyplot as plt
import numpy as np
n = 1024 # 数据大小
X = np.random.normal(0, 1, n) # 每个点的X值
Y = np.random.normal(0, 1, n) # 每个点的Y值
T = np.arctan2(Y, X) # 用于颜色值
plt.scatter(X, Y, s=75, c=T, alpha=0.5) # 创建散点图，s是点的大小，c是颜色，alpha是透明度
plt.xlim(-1.5, 1.5) # 设置X轴范围
plt.xticks(()) # 隐藏X轴刻度
plt.ylim(-1.5, 1.5) # 设置Y轴范围
plt.yticks(()) # 隐藏Y轴刻度
plt.show()
```
接下来是Bar图，用于显示分类数据的统计信息。在Matplotlib中，`bar`函数可以用来创建柱状图。例如，你可以通过如下代码创建一个简单的柱状图：
```python
labels = ['A', 'B', 'C', 'D', 'E']
values = [5, 12, 8, 16, 9]
plt.bar(labels, values)
plt.xlabel('类别')
plt.ylabel('数量')
plt.title('各类别数量统计')
plt.show()
```
再来说说等高线图（Contours），它用于描绘二维数据的连续变化。使用`contour`或`contourf`函数可以创建等高线图，后者会填充颜色以表示数据的连续性。例如：
```python
x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.sqrt(X**2 + Y**2)
plt.contourf(X, Y, Z)
plt.colorbar() # 添加颜色条
plt.title('二维数据等高线图')
plt.show()
```
Image图则是用于显示像素数据，比如图片。`imshow`函数可以将二维数组数据转换为图像。例如，加载并显示一张图片：
```python
from matplotlib import image
img = image.imread('example.jpg')
plt.imshow(img)
plt.axis('off') # 关闭坐标轴
plt.title('示例图片')
plt.show()
```
3D数据的可视化可以通过`Axes3D`模块实现，它可以创建3D散点图、柱状图等。例如，3D散点图：
```python
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.standard_normal(100)
y = np.random.standard_normal(100)
z = np.random.standard_normal(100)
ax.scatter(x, y, z)
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
plt.show()
```
多图合并显示是数据分析中常用的方法。Matplotlib通过`subplot`函数实现这一功能，可以创建多合一的显示或分格显示。例如，创建2x2的子图网格：
```python
fig, axs = plt.subplots(2, 2)
axs[0, 0].scatter(X, Y)
axs[0, 1].bar(labels, values)
axs[1, 0].contourf(X, Y, Z)
axs[1, 1].imshow(img)
plt.tight_layout()
plt.show()
```
Matplotlib还支持创建动画。`FuncAnimation`函数允许我们制作基于时间序列的数据动画。例如，创建一个随时间变化的简单动画：
```python
import matplotlib.animation as animation
fig, ax = plt.subplots()
def animate(i):
ax.clear()
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x + i / 10.0)
ax.plot(x, y)
ax.set_title(f'帧 {i}')
ani = animation.FuncAnimation(fig, animate, frames=200, interval=20)
plt.show()
```
Matplotlib是一个强大且灵活的绘图工具，通过掌握以上基础知识，你可以轻松地创建各种复杂的图表，进行数据可视化，无论是科学研究还是数据报告，都能得心应手。而结合其他Python库如Pandas和NumPy，数据处理和可视化的能力将进一步提升。
