第6章 数据可视化

6.1 Matplotlib 基础知识

Matplotlib 简介

Python 的可视化库众多，这里之所以选择 Matplotlib，是因为它是 Python 中最基础、应用最广泛的可视化库，而且自由度非常高，可以轻松绘制各种图，从简单的折线图到复杂的热力图都不在话下，还能够灵活地设置图的任何元素，包括颜色、样式、标签、网格线等。

可视化的关键步骤

Matplotlib 自由度极高，这无疑是它的一大优点。然而，高自由度也意味着参数非常复杂，以至于一种结果有多种实现方式，导致很多初学者一个个知识点啃得很痛苦，还总是学完就忘。

所以，我带大家用一种新的方式来学习 Matplotlib，知其然并探其所以然。在正式画图之前，我们先来思考一个问题：手工画一幅折线图有哪些关键步骤？

1）创建画布。既然要画图，首先要确定在哪里作图，例如一张白纸，也就是画布。

2）设置坐标轴。常见图表以二维为主，其坐标轴为 x 轴和 y 轴，根据数据确定好对应坐标轴的刻度，并标注清楚 x 和 y 轴的名称，同时可以给图起个标题。

3）画图。在确定好的坐标轴基础上，把源数据画成折线的形式。同时可以设置折线的样式、颜色、图例，也可以在图上标注每个点具体的数值。

4）润色。例如背景加上网格线，突出峰值的颜色，或者用平均数作为辅助线。

如此一来，一幅手工折线图就画好了。当然，Matplotlib 的学习也是一样的道理。下面，我们就把这几个关键步骤逐一攻克。

6.2 Matplotlib 基础操作

画图前的准备

我们提前导入 Matplotlib 库并进行相关的设置，以避免在作图时报错。

导入画图必备的库 import matplotlib. pyplot as plt

解决中文显示错误的问题 plt. rcParams['font. sans- serif'] = 'SimHei'

让 Matplotlib 在 Jupyter Notebook 中输出高清矢量图%config InlineBackend. figure_format = 'svg'

使画图可以直接在 Jupyter Notebook 中显示%matplotlib inline

创建画布

创建画布，我们直接用 plt. figure（）：

fig = plt.figure (figsize = (5,3))

只需一行代码就创建好了画布。画布的大小由 figsize 参数控制，大家可以根据实际需求进行设置，这里画布长 5 宽 3（单位：英寸）。

画布并不会直接显示，为了让大家更有感知，这里我们画一个简单的样例数据来展示：

基于两组数据，用 plot（）方法在画布上生成了折线图，如图 6- 1 所示。

图 6-1 在整张画布上生成折线图

创建画布就相当于找到了一张白纸，直接用 plot（）默认是在整张白纸上画图。不过，我们偶尔也会在一张白纸上画多幅子图，如图 6- 2 所示。

图 6-2 画布和子图的关系

可以在一张画布上创建多幅子图，在每幅子图上绘制对应的图：

fig = plt.figure (figsize = (5,3))

在上面的画布中生成一个 1 行 2 列的子图矩阵（即横向两幅子图），这里选中的是子图 1 ax 1 = plt.subplot (1,2,1)

跟在子图 1 的后面绘制，即在子图 1 上画图 plt.plot ([4,5,6], [2,3,5])

生成一个 1 行 2 列的子图矩阵，并选中子图 2 ax 2 = plt.subplot (1,2,2) 在子图 2 上画图 plt.plot ([1,2,3], [4,5,0])

通过 plt. subplot（）创建子图矩阵，并选择在对应的子图上绘图，结果如图 6- 3 所示。

图 6-3 在子图上绘图

子图的创建有很多种方法，这里主要介绍的是 subplot（）方法。该方法有 3 个参数，前两个用来指定在画布上创建几行、几列的子图，第 3 个指定在第几个子图上进行绘制。

画图

1. 简单图的绘制

画图之所以放在了绘制坐标轴前面，是因为 Matplotlib 会结合输入的数据，直接按照默认适配的坐标轴画图，并不像我们在中学数学课上画函数曲线一样必须先画好坐标轴。

画图最基本的是要传入数据，一般用列表存储，前面是 x 轴的值，后面是 y 轴的值。以折线图为例，直接向 plt. plot（）传入列表值即可：

得到了如图 6- 4 所示的结果。

图 6-4 折线图示例

2. 设置图的参数

默认生成的图有点粗糙，我们可以设置线条的颜色、点和线条的样式：

pythonfig = plt.figure(figsize = (5,3))#color 代表线条颜色，r是红色的缩写#marker 是每个点的样式，o表示用圆圈标记#linestyle 则是线条的样式，这里dashed 代表虚线plt.plot([1,2,3,4],[4,5,1,7],color = 'r',marker = 'o',linestyle = 'dashed')

通过设置线条的颜色、点和线条的样式，折线图的美观度得到大幅提升，如图 6- 5 所示。

图 6-5 调整后的折线图

不同的图，如饼图、散点图、柱状图各自的参数有细微差异，后面会单独绘图进行有针对性的介绍。

设置坐标轴

1. 添加标题

刚才画的图还是太单调，既没有整体的标题，也没有坐标轴的说明，让人根本看不出横纵坐标轴分别代表什么。我们可以进行以下设置：

fig = plt.figure (figsize = (5,3))

添加图的整体标题，size 表示字号大小，color 表示颜色 plt.title ('折线图案例', size = 13, color = 'g')

添加 x 轴标题，labelpad 的数值是标题和 x 轴（或 y 轴）之间的距离 plt.xlabel ('销售额（百万元）', size = 9, labelpad = 15)

添加 y 轴标题 plt.ylabel ('销量（万）', size = 9, labelpad = 10)

plt.plot ([1, 2, 3, 4], [4, 5, 1, 7], color = 'r', marker = 'o', linestyle = 'dashed')

添加整体、x 轴、y 轴标题之后，折线图看上去更加美观了，如图 6- 6 所示。

折线图案例图 6-6 添加标题后的折线图

如果坐标轴刻度内容较多，挤在一起，导致可读性很差，可以通过设置 plt. xtickss（rotation=30）来将坐标轴的刻度旋转一定的角度，这里 rotation 参数等于 30 表示旋转 ${30}^{\circ }$ 。

2. 调整坐标范围

目前 $\mathbf{x}$ 轴的范围是 $1\sim 4$ ，如果希望把 $\mathbf{x}$ 轴范围设置成 $0\sim 6$ ，把 $\mathbf{y}$ 轴设置为 $0\sim 10$ ，可以在使用 plt. plot（）绘图之前先用 xlim（）与 ylim（）方法进行设置：

plt.xlim (0,6) plt.ylim (0,10)

最终刻度则随之改变，如图 6- 7 所示。

图 6-7 调整后的 $\mathbf{x}$ 轴和 $\mathbf{y}$ 轴

润色

1. 设置图例

我们可以再加一条折线，得到了两条折线的组合图，并添加图例：

为了让坐标轴自适应，这里我们注释掉了范围设置 #plt . xlim (0,7) #plt . ylim (0,10) #原来的折线 ，添加了 label 参数 plt.plot ([1,2,3,4],[4,5,1,7], color = 'r', marker = 'o', linestyle = 'dashed', label = 'xl') #新增的同量纲的折线plt . plot ([1,2,3,4],[6,4,2,4], color = 'g', label = 'x 2') #设置图例plt . legend (loc = 'best') 结果如图6- 8所示。

结果如图 6- 8 所示。

折线图案例图 6-8 生成双折线图并添加图例

先在画图的时候为两条折线设置了 label 参数，参数的值即为图例显示的内容，然后通过 plt. legend（）显示图例，loc 参数对应图例显示的位置，值'best'则是让它自己选择最佳位置展示。更多 loc 参数如表 6- 1 所示。

表 6- 1 loc 参数的值及位置描述

2. 设置双坐标轴

我们在原折线的基础上增加一条量纲不同的折线，它的 y 值体量更大：

原来的新线 plt. plot（[1,2,3,4],[4,5,1,7], color $=$ 'r', marker $=$ 'o', linestyle $=$ 'dashed label $=$ 'xl') #新增量纲不同的折线 plt. plot（[1,2,3,4],[400,500,200,300], color $=$ 'g', label $=$ 'x 2')

结果是原来的折线被急剧压缩，如图 6- 9 所示

图 6-9 两条量纲不同的折线

这种情况就需要用到双坐标轴了，画完第一条折线后添加 plt. twinx（），这样第一条折线对应的是左侧的坐标轴，后面的折线对应的是右侧坐标轴：

plt.plot ([1,2,3,4],[4,5,1,7], color = 'r', marker = 'o', linestyle = 'dashed') plt.twinx () # 变成双坐标轴 plt.plot ([1,2,3,4],[400,500,200,300], color = 'g')

运行结果如图 6- 10 所示。

图 6-10 双坐标轴的效果

3. 设置网格线

设置网格线用的是 plt. grid（）方法，该方法的主要参数如下。

b：布尔值，用于控制是否显示网格线。True 表示显示网格线，False 表示不显示。

axis：字符串，表示要设置网格线的坐标轴。可选值有'x'（仅设置 x 轴网格线）、'y'（仅设置 y 轴网格线）和'both'（设置 x 轴和 y 轴的网格线）。

linestyle：字符串，表示网格线的样式。常见选项有'（实线）、'（虚线）和'（点线）。

linewidth：数值，表示网格线的宽度。

color：字符串，表示网格线的颜色。

在拥有两条同量纲的折线的图中，根据需求设置 grid 即可：

plt.grid (b = True, axis = 'both', linestyle = '- - '

我们得到显示了 x 轴和 y 轴、样式为虚线的网格线，如图 6- 11 所示。

图 6-11 网格线效果

6.3 绘制常用图形

刚才从画图流程的角度介绍了常用函数及参数的使用，接下来绘制常用图形，强化对 Matplotlib 的理解。

绘制折线图

折线图的绘制上面已经演示过，用的是 plt. plot（），这里我们对它的常用参数做一个汇总：

plt.plot (x, y, color, linestyle, linewidth, marker, markersize, label, alpha)

#x和y对应的是数据列表 #color ，线条颜色，一般填入颜色的缩写，比如 g 是 green 的缩写，r 是 red 的缩写 #linestyle ，线条样式，值'- '代表实线，'- - '代表虚线，'- - '代表点划线，'：'代表点状虚线 #linewidth ，线条的粗细，用数值表示 #marker ，每个点的样式，值'0'代表圆圈，'v'代表下三角形，'s'代表正方形，'*'代表星号，'*'代 #表叉号 #markersize ，每个点的大小 #label ，用于生成图例的标签 #alpha ，透明度，值在 0- 1之间，越接近0，越透明

对应 color 参数可以参考表 6- 2 根据需求灵活设置。

表 6-2 常用 color 参数值

我们画一幅绿色、用点划线构成、每个点是正方形、透明度为 0.8 的折线图：

fig $=$ plt.figure (figsize $=$ (6,4)) months $=$ ['Jan','Feb','Mar','Apr','May','Jun'] product_A $=$ [125,150,170,200,240,200]

根据上面的需求绘制折线图 plt.plot (months, product_A, color $=$ 'g', linestyle $=$ - .', marker $:=$ 's, alpha $=$ 0.8)

具体的标题、坐标轴等设置上一节已经介绍过，在这里我们只关注各种图表本身。上面代码的运行结果如图 6- 12 所示。

图 6-12 根据需求绘制的折线图

绘制柱状图

使用 plt. bar（）可以绘制柱状图，示例如下：

柱状图示例数据 fig $=$ plt.figure (figsize $=$ (6,4)) x=[产品 A，产品 B，产品 C，产品 D，产品 E] $\mathtt{\text{y}}=[12,18,28,20,45]$ #绘制柱状图plt . bar（x, y, color $\equiv$ r'，width $=0,5$ ，align $\equiv$ center'，edgecolor $\equiv$ k'，linewidth $=1,2$ alpha $=0,6$

上面的代码绘制了一幅红色、柱子宽度为 0.5（width $=0.5$ ）、居中对齐、柱子边框为黑色、柱子边框宽度为 1.2（linewidth $=1.2$ ）、透明度为 0.6 的柱状图，如图 6- 13 所示。

图 6-13 柱状图示例

柱状图的主要参数及其描述见表 6- 3。

表 6- 3 柱状图的主要参数及其描述

绘制散点图

绘制散点图可以用 plt. scatter（），我们直接生成一个散点图示例：

导入 NumPy 是为了用它的随机函数 import numpy as np

fig = plt.figure (figsize = (6,4))

随机生成 25 个点

x = np.random.rand (25) y = np.random.rand (25)

绘制散点图

plt.scatter (x, y, color $\equiv$ 'r', s=50, marker $=$ 'o', edgecolor $=$ 'k')

运行上面的代码，得到了 25 个点，这些点内部是红色，边缘线是黑色，点的大小固定（size $=50$ ），点的形状是圆形，如图 6- 14 所示。

图 6-14 散点图示例

除了 color 和 alpha 等各类图通用的参数外，散点图的常用参数及其描述可参考表 6- 4。

表 6-4 散点图的常用参数及其描述

绘制其他常用图形

Matplotlib 能够绘制各种图形，这些图形的绘制方法虽不相同，但绘制的逻辑是相似的，大家只需要知道绘制的逻辑，在使用时稍加查询就好。其他常用图形的绘制这里不展开，绘制时使用的具体方法见表 6- 5。

表 6-5 绘制其他常用图形时使用的具体方法

（续）

6.4 本章小结

在这一章中，我们先从画图的关键步骤出发，学习了 Matplotlib 创建画布、画图、调整坐标轴和润色这些通用的画图技巧。然后通过折线图、柱状图和散点图的实例讲解，对 Matplotlib 图形绘制逻辑和参数有了进一步认知。需要说明的是，面对纷繁复杂的参数，大家千万不要慌，也不用硬记，只需要在用到的时候查找文档就好。