经典python 绘图

<think>好的，用户想查找关于Python经典绘图的教程或示例，特别是matplotlib和seaborn的示例。首先，我需要回忆这两个库的基本用法和常见图表类型。用户之前提到了快速排序，但这次的问题完全不同，是关于数据可视化的。所以需要切换到绘图相关的知识库。 接下来，根据用户提供的引用内容，引用[1]和[2]提到了Matplotlib和Seaborn的安装和基础绘图，引用[3]可能涉及更高级的图形，比如3D绘图。但用户需要的是经典示例，所以可能需要涵盖折线图、柱状图、散点图、直方图、热力图等常见图表。 需要确保回答结构清晰，分步骤介绍每个库的示例。先处理Matplotlib，再Seaborn，最后展示组合使用的情况。每个示例需要代码块和结果说明，同时注意使用正确的LaTeX格式，比如行内公式用$...$，独立公式用$$...$$。例如，在解释正态分布时可能需要用到公式，如概率密度函数：$f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2} }$，这时候要用正确的格式。 另外，用户提到要生成相关问题，可能需要包括如何调整图表样式、如何保存图像、如何处理大数据集的可视化等。确保问题相关且有助于用户深入学习。 需要检查代码的正确性，比如导入库的语句是否正确，绘图函数的使用是否标准。例如，Matplotlib中plt.subplots()的使用，Seaborn中设置主题的sns.set_theme()。同时，注意代码注释的中文支持，但用户没有特别要求，可能保持英文注释或直接省略，以代码清晰为主。 最后，引用标识要正确添加到参考内容对应的位置。例如，在提到安装步骤时，引用[1]和[2]都涉及安装，可能需要根据内容选择正确的引用号。但根据示例，用户提供的引用中，引用[1]和[2]都提到了安装步骤，所以需要确认哪个更合适。例如，安装命令出现在引用[2]中，因此在代码示例后的说明里添加[^2]。 还要注意用户可能需要的进一步信息，比如如何自定义颜色、添加图例、调整字体大小等，这些可以作为相关问题提出。同时，确保回答中的链接或例程是有效的，比如引用[3]中的链接可能需要检查是否存在，但用户示例中的链接可能只是示例，实际回答中应避免无效链接，所以可能不包含具体URL，而是建议官方文档或可靠资源。 总结步骤： 1. 分Matplotlib和Seaborn两部分，每部分提供2-3个经典示例。 2. 每个示例包含代码和解释，代码格式正确，注释清晰。 3. 使用正确的LaTeX格式处理数学表达式。 4. 生成相关问题，涵盖进一步学习的方向。 5. 正确添加引用标识，引用用户提供的参考内容中的相关部分。</think>### Python经典绘图教程示例（Matplotlib & Seaborn） #### 一、Matplotlib基础示例 1. **折线图**（数据趋势展示） ```python import matplotlib.pyplot as plt import numpy as np x = np.linspace(0, 2*np.pi, 100) y = np.sin(x) plt.figure(figsize=(8,4)) plt.plot(x, y, label='$y = \sin(x)$', color='blue', linestyle='--') # 使用LaTeX公式 plt.title("正弦函数曲线") plt.xlabel("$x$轴") plt.ylabel("$y$轴") plt.legend() plt.grid(True) plt.show() ``` 结果：生成一条蓝色虚线正弦曲线，含坐标标签和网格[^2]。 2. **散点图**（数据分布分析） ```python np.random.seed(42) x = np.random.randn(100) y = x * 0.5 + np.random.randn(100) * 0.3 plt.scatter(x, y, alpha=0.7, c='green', marker='o') plt.title("随机数据散点图") plt.xlabel("$X$~$N(0,1)$") # 表示X服从标准正态分布 plt.ylabel("$Y = 0.5X + \epsilon$") plt.show() ``` 数学表达式：若变量服从正态分布可表示为$X \sim \mathcal{N}(\mu, \sigma^2)$[^1]。 --- #### 二、Seaborn高级可视化 1. **直方图与密度曲线**（分布可视化） ```python import seaborn as sns sns.set_theme(style="whitegrid") # 设置主题 data = np.random.randn(500) sns.histplot(data, kde=True, bins=20, color='purple') plt.title("数据分布直方图（含KDE）") plt.xlabel("数值范围") plt.ylabel("频数") plt.show() ``` 说明：`kde=True`添加核密度估计曲线，适合展示概率密度[^2]。 2. **热力图**（矩阵数据可视化） ```python corr_matrix = np.random.rand(5,5) # 模拟5x5相关系数矩阵 sns.heatmap(corr_matrix, annot=True, cmap='coolwarm') plt.title("相关系数热力图") plt.show() ``` --- #### 三、组合使用示例 ```python # 绘制多子图（Matplotlib布局 + Seaborn样式） fig, axes = plt.subplots(1, 2, figsize=(12,4)) # 子图1：箱线图（Seaborn） sns.boxplot(data=np.random.rand(10,3), ax=axes[0]) axes[0].set_title("箱线图对比") # 子图2：三维曲面（Matplotlib） from mpl_toolkits.mplot3d import Axes3D X = np.linspace(-5,5,100) Y = np.linspace(-5,5,100) X, Y = np.meshgrid(X,Y) Z = np.sin(np.sqrt(X**2 + Y**2)) ax = fig.add_subplot(122, projection='3d') ax.plot_surface(X, Y, Z, cmap='viridis') ax.set_title("三维曲面图 $z = \sin(\sqrt{x^2 + y^2})$") plt.show() ``` 三维曲面方程使用独立公式格式： $$ z = \sin\left( \sqrt{x^2 + y^2} \right) $$ ---