四图

直方图

【直方图的参数只有一个x！！！不像条形图需要传入x,y】

hist()的参数

bins

可以是一个bin数量的整数值，也可以是表示bin的一个序列。默认值为10

normed

如果值为True，直方图的值将进行归一化处理，形成概率密度，默认值为False

color

指定直方图的颜色。可以是单一颜色值或颜色的序列。如果指定了多个数据集合，颜色序列将会设置为相同的顺序。如果未指定，将会使用一个默认的线条颜色

orientation

通过设置orientation为horizontal创建水平直方图。默认值为vertical

x = np.random.randint(5,size = 5)

display(x)

plt.hist(x,histtype = 'bar'); # 默认绘制10个bin

plt.show()

普通直方图/累计直方图

n = np.random.randn(10000)

fig,axes = plt.subplots(1,2,figsize = (12,4))

axes[0].hist(n,bins = 50)#普通直方图

axes[0].set_title('Default histogram')

axes[0].set_xlim(min(n),max(n))

axes[1].hist(n,bins = 50,cumulative = True)# 累计直方图

axes[1].set_title('Cumulative detailed histogram')

axes[1].set_xlim(min(n),max(n))

正太分布

u = 100 #数学期望

s = 15 #方差

x = np.random.normal(u,s,1000) # 生成正太分布数据

ax = plt.gca() #获取当前图表

ax.set_xlabel('Value')

ax.set_ylabel('Frequency') #设置x，y轴标题

ax.set_title("Histogram normal u = 100 s = 15") #设置图表标题

ax.hist(x,bins = 100,color = 'r',orientation='horizontal')

plt.show()

条形图

bar 

# 第一个参数为条形左下角的x轴坐标，第二个参数为条形的高度；

# matplotlib会自动设置条形的宽度，本例中条形宽0.8

plt.bar([1, 2, 3], [3, 2, 5]);

plt.show()

# width参数设置条形宽度；color参数设置条形颜色；bottom参数设置条形底部的垂直坐标

plt.bar([1, 2, 3], [3, 2, 5], width=0.5, color='r', bottom=1);

plt.ylim([0, 7])

plt.show()

# 例子：绘制并列条形图

data1 = 10*np.random.rand(5)

data2 = 10*np.random.rand(5)

data3 = 10*np.random.rand(5)

locs = np.arange(1, len(data1)+1)

width = 0.27

plt.bar(locs, data1, width=width);

plt.bar(locs+width, data2, width=width, color='red');

plt.bar(locs+2*width, data3, width=width, color='green') ;

plt.xticks(locs + width*1, locs);

plt.show()

barh

plt.barh([1, 2, 3], [3, 2, 5],height = 0.27,color = 'yellow');

plt.show()

饼图

【饼图也只有一个参数x！】

pie()

饼图适合展示各部分占总体的比例，条形图适合比较各部分的大小

plt.figure(figsize = (4,4)) # 饼图绘制正方形

x = [45,35,20] #百分比

labels = ['Cats','Dogs','Fishes'] #每个区域名称

plt.pie(x,labels = labels)

plt.show()

plt.figure(figsize=(4, 4));

x = [0.1, 0.2, 0.3] # 当各部分之和小于1时，则不计算各部分占总体的比例，饼的大小是数值和1之比

labels = ['Cats', 'Dogs', 'Fishes']

plt.pie(x, labels=labels); # labels参数可以设置各区域标签

plt.show()

# labels参数设置每一块的标签；labeldistance参数设置标签距离圆心的距离（比例值）

# autopct参数设置比例值的显示格式（%1.1f%%）；pctdistance参数设置比例值文字距离圆心的距离

# explode参数设置每一块顶点距圆形的长度（比例值）；colors参数设置每一块的颜色；

# shadow参数为布尔值，设置是否绘制阴影

plt.figure(figsize=(4, 4));

x = [4, 9, 21, 55, 30, 18]

labels = ['Swiss', 'Austria', 'Spain', 'Italy', 'France', 'Benelux']

explode = [0.2, 0.1, 0, 0, 0.1, 0]

colors = ['r', 'k', 'b', 'm', 'c', 'g']

plt.pie(x,

        labels=labels,

        labeldistance=1.2,

        explode=explode,

        colors=colors,

        autopct='%1.1f%%',

        pctdistance=0.5,

        shadow=True);

plt.show()

散点图

【散点图需要两个参数x,y，但此时x不是表示x轴的刻度，而是每个点的横坐标！】

scatter()

# s参数设置散点的大小；c参数设置散点的颜色；marker参数设置散点的形状

x = np.random.randn(1000)

y = np.random.randn(1000)

size = 50*abs(np.random.randn(1000))

colors = np.random.randint(16777215,size = 1000)

li = []

for color in colors:

    a = hex(color)

    str1 = a[2:]

    l = len(str1)

    for i in range(1,7-l):

        str1 = ''+str1

    str1 = "#" + str1

    li.append(str1)

plt.scatter(x, y,s = size, c=li, marker='d');

plt.show()

import numpy as np

import pandas as pd

from pandas import Series,DataFrame

import matplotlib.pyplot as plt

x = np.random.randn(1000)

y1 = np.random.randn(1000)

y2 = 1.2 + np.exp(x) #exp(x) 返回的是e的x次方

ax1 = plt.subplot(121)

plt.scatter(x,y1,color = 'purple',alpha = 0.3,edgecolors = 'white',label = 'no correl')

plt.xlabel('no correlation')

plt.grid(True)

plt.legend()

ax2 = plt.subplot(122)

plt.scatter(x,y2,color = 'green',alpha = 0.3,edgecolors = 'gray',label = 'correl')

plt.xlabel('correlation')

plt.grid(True)

plt.legend()

plt.show()

图形内的文字、注释、箭头

文字

x = np.arange(0, 7, .01)

y = np.sin(x)

plt.plot(x, y);

plt.text(0.1, -0.04, 'sin(0)=0'); # 位置参数是坐标

plt.show()

注释

# xy参数设置箭头指示的位置，xytext参数设置注释文字的位置

# arrowprops参数以字典的形式设置箭头的样式

# width参数设置箭头长方形部分的宽度，headlength参数设置箭头尖端的长度，

# headwidth参数设置箭头尖端底部的宽度，shrink参数设置箭头顶点、尾部与指示点、注释文字的距离（比例值）

y = [13, 11, 13, 12, 13, 10, 30, 12, 11, 13, 12, 12, 12, 11, 12]

plt.plot(y);

plt.ylim(ymax=35); # 为了让注释不会超出图的范围，需要调整y坐标轴的界限

plt.annotate('this spot must really\nmean something', xy=(6, 30), xytext=(8, 31.5),

             arrowprops=dict(width=15, headlength=20, headwidth=20, facecolor='black', shrink=0.1));

plt.show()

# 生成3个正态分布数据数据集

x1 = np.random.normal(30, 3, 100)

x2 = np.random.normal(20, 2, 100)

x3 = np.random.normal(10, 3, 100)

# 绘制3个数据集，并为每个plot指定一个字符串标签

plt.plot(x1, label='plot') # 如果不想在图例中显示标签，可以将标签设置为_nolegend_

plt.plot(x2, label='2nd plot')

plt.plot(x3, label='last plot')

# 绘制图例

plt.legend(bbox_to_anchor=(0, 1.02, 1, 0.102), # 指定边界框起始位置为(0, 1.02)，并设置宽度为1，高度为0.102

           ncol=3, # 设置列数为3，默认值为1

           mode="expand", # mode为None或者expand，当为expand时，图例框会扩展至整个坐标轴区域

           borderaxespad=0.) # 指定坐标轴和图例边界之间的间距

# 绘制注解

plt.annotate("Important value", # 注解文本的内容

             xy=(55,20), # 箭头终点所在位置

             xytext=(5, 38), # 注解文本的起始位置，箭头由xytext指向xy坐标位置

             arrowprops=dict(arrowstyle='->')); # arrowprops字典定义箭头属性，此处用arrowstyle定义箭头风格

箭头