import numpy as np

 import matplotlib.pyplot as plt  #导入绘图模块

 height = [161, 170, 182, 175, 173, 165]

 weight = [50, 58, 80, 70, 69, 55]

 plt.scatter(height, weight)

 N = 1000

  x = np.random.randn(N)

 # y1 = np.random.randn(N)

 y1 = -x + np.random.randn(N)*0.5

 # 绘制散点图的命令行

 plt.scatter(x, y1, s=100, c='r', marker='o', alpha=0.5)

 # s表示点的面积，c表示点的颜色，marker表示点的形状，alpha表示点的透明度

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 import matplotlib.dates as mdates

 x = np.linspace(-10, 10, 100)

 # y = x**2

 y = np.sin(x)

 plt.plot(x, y, linestyle='-.', color='g', marker='^')

 # 折线图的基本绘制命令行，linestyle为要画的线型，color为线的颜色，marker为点的形状

 # 在matplotlib官网中，有关于线型，颜色，点的形状的全面介绍

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 # 单列模式

 N = 5

 y = [20, 10, 30, 25, 15]

 index = np.arange(N)

 # plt.bar(x=index, height=y, width=0.5, color='r')

 # x表示的是x轴上对应的第几个条形，height表示的y轴上对应条形的高度，

 # width表示条形的 宽度

 plt.bar(index, y, 0.5, color='r')  # x=,height=，width=,可以省略

 # 条形图也可以横着放

 # x需要赋0值，bottom表示条形块的底部即对应纵轴上的坐标，

 # width表示条形块横着放的高度，相当于横轴上（横向）的宽度，

 # height表示条形块纵向的宽度，orientation='horizontal'表示要画横向的条形图

 pl = plt.bar(x=0, bottom=index, color='red', width=y, height=0.5,

                  orientation='horizontal')

 # 横向条形图有第二种方式，这里的y轴应赋值第几个条形快即index

 # pl = plt.barh(y=index, color='red', width=y,)

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 # 并列式绘条形图，将两个条形图共用一个坐标轴，并列的画在一起

 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')

 # 这个并列的条形图的横轴上的坐标可以用index+bar_width来表示

 # 目的是不与第一个重叠

 plt.bar(index+bar_width,sales_SH,bar_width,color='r')

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 # 层叠绘图

 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')

 # 第二个要层叠的对象需要加bottom=sales_BJ，表示层叠底部的对象是上一个

 plt.bar(index,sales_SH,bar_width,color='r',bottom=sales_BJ)

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 mu = 100

 sigma = 20

 x = mu + sigma * np.random.randn(20000)

 # 单变量频率分布直方图，用条形的高度表示频率分布的大小

 # bins=100是将x轴取到的数分100个等份的条形块

 # normed=False表示这里的每个条形即每个区间所占的个数

 # normed=True时表示每个条形区间占总数的比例

 plt.hist(x,bins=100,color='green',normed=False)

 # 双变量变量频率分布直方图，用颜色的深浅表示频率的分布大小

 # x = np.random.randn(1000)+2

 # y = np.random.randn(1000)+3

 # plt.hist2d(x,y,bins=40)

 plt.show()

 import matplotlib.pyplot as plt

 labels = ('A','B','C','D')

 fracs = [15,30,45,10]

 explode = [0,0.05,0.08,0]

 plt.axes(aspect=1)  # 如果横纵方向不是1:1，这个可以将要画的图默认为1:1

 plt.pie(x=fracs,labels=labels,autopct='%.1f%%',explode=explode,shadow=True)

 # autopct='%.1f%%'表示每一块所占总块的比例，

 # explode=explode表示每块分离出的距离

 # shadow=True将分离出的饼块添加阴影

 plt.show()

 import numpy as np

 import matplotlib.pyplot as plt

 np.random.seed(100)

 # 单个箱形图

 data = np.random.normal(size=1000,loc=0,scale=1)

 # 此代码行表示正态分布，size表示随机选取的数值数量，

 # loc为概率分布的平均值，是概率分布中心，

 # scale是概率分布标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高

 plt.boxplot(data, sym='o',whis=1.5)

 # sym表示异常值点的形状，whis表示异常值与需线的比例值，在官网有具体说明

 #多个箱形图在同一个坐标轴中

 # data = np.random.normal(size=(1000,4),loc=0,scale=1)

 # labels = ['A','B','C','D']

 # plt.boxplot(data,labels=labels)

 plt.show()