matplotlib（六种统计图）

2022-12-10 07:24| 来源: 网络整理| 查看: 265

目录散点图基本用法相关性不相关性正相关性负相关性外观调整折线图基本用法表示随时间变化时 plot_date()外观调整条形图基本用法（竖向条形图）外观调整横向条形图plt.bar(orientation='horizontal')plt.barh() 复杂条形图叠加条形图并列条形图直方图基本用法二维直方图 plt.hist2d() 饼状图基本用法其他属性箱形图基本用法多组数据对比

散点图散点图用来显示两组数据的值，每个点的坐标由变量的值决定由一组不连接的点组成，用于观察两种变量的相关性基本用法

基本语法：

plt.scatter(x,y) import numpy as np import matplotlib.pyplot as plt height=[161,170,182,175,173,165] weight=[50,58,80,70,69,55] plt.scatter(height,weight) # 显示数据图 plt.show()

在这里插入图片描述

相关性不相关性 N=1000 x=np.random.randn(N) y1=np.random.randn(len(x)) plt.scatter(x,y1) plt.show()

在这里插入图片描述

正相关性 y2=x+np.random.randn(len(x))*0.1 plt.scatter(x,y2) plt.show()

在这里插入图片描述

负相关性 y3=-1*x+np.random.randn(len(x))*0.1 plt.scatter(x,y3) plt.show()

在这里插入图片描述

外观调整颜色：c点大小：s透明度：alpha点形状：marker marker styles 折线图折线图用直线段将各数据连接起来常用来观察数据随时间变化趋势基本用法

语法：

plt.plot(x,y) import numpy as np import matplotlib.pyplot as plt # 生成一组等区间数值 x=np.linspace(-10,10,100) y=x**2 plt.plot(x,y) plt.show()

PS：线段太密，所以看起来平滑在这里插入图片描述

表示随时间变化时 plot_date()

当x轴为日期时，应用plot_date()函数，注意：默认为散点图，要手动添加线型的参数 plot_date()用法

利用np.loadtxt()来导入数据 np.loadtxt()用法详解

外观调整线型：linestyle=’-’颜色：color=‘red’点的形状：marker=‘o’ # 例： plt.plot_date(date, close, color='green', linestyle='dashed', marker='o') 条形图以长方形的长度为变量的统计图表用来比较多个项目分类的数据大小通常利用与较小的数据集分析基本用法（竖向条形图）

基本语法：

plt.bar(x= , height= )

x：x轴数据 height：y轴方向柱的长度

import numpy as np import matplotlib.pyplot as plt N=5 y=[20,10,30,25,15] index = np.arange(N) p1 = plt.bar(x=index, height=y,width=0.5,bottom=100,color='red') plt.show()

在这里插入图片描述

外观调整

宽度：width，默认0.8 （width即为沿x轴方向的长度）颜色：color，默认blue 柱的底部数据：bottom

横向条形图 plt.bar(orientation=‘horizontal’) p2 = plt.bar(x=0, bottom=index, width=y,height=0.5,orientation='horizontal') plt.show()

其中，x参数为x轴坐标的起始值； bottom为条距x轴的距离。在这里插入图片描述

plt.barh()

使用barh()时，bottom改为left, 然后宽变高，高变宽。

p3=plt.barh(y=index,left=0,width=y,height=0.5) plt.show()

y：y轴数据在这里插入图片描述

复杂条形图叠加条形图

本质就是改变上层柱的bottom

index=np.arange(4) sales_BJ=[52,55,63,53] sales_SH=[44,66,55,41] bar_width=0.3 plt.bar(index,sales_BJ,bar_width,color='b') plt.bar(index,sales_SH,bar_width,color='r',bottom=sales_BJ) plt.show()

在这里插入图片描述

并列条形图

本质就是改变x的位置

index=np.arange(4) sales_BJ=[52,55,63,53] sales_SH=[44,66,55,41] bar_width=0.3 plt.bar(index,sales_BJ,bar_width,color='b') plt.bar(index+bar_width,sales_SH,bar_width,color='r') plt.show()

在这里插入图片描述

直方图由一系列高度不等的条形组成，表示数据的分布情况基本用法

语法：

plt.hist(数据集, bins= ,normed= )

bins：箱子的个数 normed：是否标准化，若为是，则y轴数据为频率，而非个数

import numpy as np import matplotlib.pyplot as plt mu = 100 # mean of distribution sigma = 20 # standard deviation of distribution x = mu + sigma * np.random.randn(2000) plt.hist(x, bins=10,color='red',normed=True) plt.show()

在这里插入图片描述

plt.hist(x, bins=50,color='green',normed=False) plt.show()

在这里插入图片描述

二维直方图 plt.hist2d() x = np.random.randn(1000)+2 y = np.random.randn(1000)+3 plt.hist2d(x, y, bins=40) plt.show()

在这里插入图片描述

饼状图饼状图显示一个数据系列中各项的大小与各项总和的比例饼状图中的数据点显示为整个饼状图的百分比基本用法

基本语法：

plt.pie(数据集, labels=) import matplotlib.pyplot as plt from matplotlib.gridspec import GridSpec labels = 'A', 'B', 'C', 'D' fracs = [15, 30, 45, 10] # 表示某一块的分离程度 explode = (0, 0.05, 0, 0) # 使饼状图为正圆形 plt.axes(aspect=1) plt.pie(fracs, explode=explode, labels=labels, autopct='%.0f%%', shadow=True) plt.show()

在这里插入图片描述

其他属性

突出的部分：explode 标签数据：autopct 例：%0.1%% 保留一位小数阴影：shadow

箱形图箱形图用来显示一组数据分散情况资料的统计图组成：上边缘、上四分位数、中位数、下边缘、异常值基本用法

基本语法：

plt.boxplot(数据集) import numpy as np import matplotlib.pyplot as plt data = np.random.normal(size=1000, loc=0.0, scale=1.0) plt.boxplot(data,sym='o',whis=1.5) plt.show()

在这里插入图片描述具体参数含义：箱形图统计学知识箱形图详解关于正态分布随机数生成： np.random.normal()用法

多组数据对比 data = np.random.normal(size=(100, 4), loc=0.0, scale=1.0) labels = ['A','B','C','D'] plt.boxplot(data, labels=labels) plt.show()

在这里插入图片描述

【本文地址】

公司简介

联系我们