1. Pyplot基础
创建简单图表
现在我们有了Matplotlib，让我们来弄清楚它的主要部分。Pyplot是Matplotlib中的一个小而非常有用的模块。它可以快速简单地创建图表，就像你在画布上绘图一样。
Python
import matplotlib.pyplot as plt
# 创建一个最简单的图表
plt.plot([0, 1, 2, 3], [0, 1, 4, 9])
plt.show()
恭喜！你已经创建了你的第一个图表！虽然它可能不够美观，但是，相信我，这只是一个开始。
改进图表
在pyplot中创建图表包括以下主要步骤：
- 为图表准备数据。
- 选择图表类型（例如，
plot()用于线形图）。 - 自定义图表（标签、标题和图例）。
- 使用
show()函数显示图表。
让我们试着改进我们的第一个图表...
线形图
Python
import matplotlib.pyplot as plt
# 图表数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# 绘制线形图
plt.plot(x, y)
# 设置轴标签和标题
plt.xlabel("X")
plt.ylabel("Y")
plt.title("线形图示例")
# 显示图表
plt.show()
这个代码创建了一个线形图，显示了Y轴上的y值与X轴上的x值的关系。函数xlabel()、ylabel()和title()为图表添加了标签和标题。
2. Pyplot中的主要图表类型
1. 线形图 plot()
线形图经常用于显示随时间变化的数据或分析趋势。
Python
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, marker="o", color="b", linestyle="--")
plt.xlabel("时间")
plt.ylabel("值")
plt.title("线形图")
plt.show()
这里我们使用了marker、color和linestyle参数来设置图表的外观。
2. 直方图 hist()
直方图对于显示数据分布和分析值出现的频率非常有用。
Python
data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5]
plt.hist(data, bins=5, color="skyblue", edgecolor="black")
plt.xlabel("值")
plt.ylabel("频率")
plt.title("直方图")
plt.show()
这里bins参数定义了直方图的柱数，而edgecolor为每个柱添加边框。
3. 饼图 pie()
饼图用于显示数据总量中各类别的占比。
Python
labels = ["猫", "狗", "鸟"]
sizes = [40, 35, 25]
plt.pie(sizes, labels=labels, autopct="%1.1f%%", startangle=90)
plt.title("饼图")
plt.show()
这里autopct显示了每个类别的百分比，startangle旋转了图表角度。
4. 散点图 scatter()
散点图适用于分析两个变量之间的关系。
Python
x = [1, 2, 3, 4, 5]
y = [5, 7, 8, 5, 6]
plt.scatter(x, y, color="red")
plt.xlabel("X")
plt.ylabel("Y")
plt.title("散点图")
plt.show()
散点图非常适合寻找X轴和Y轴值之间的相关性。
5. 条形图 bar()
条形图适用于比较不同类别之间的值。
Python
categories = ["A", "B", "C", "D"]
values = [10, 15, 7, 20]
plt.bar(categories, values, color="lightblue")
plt.xlabel("类别")
plt.ylabel("值")
plt.title("条形图")
plt.show()
这里categories和values表示类别标签和对应的值，用于构建条形图。
现在你已经了解了Matplotlib的基础安装和设置，并且完全可以开始创建你的第一个图表了。但这只是我们探索旅程的开始。在接下来的讲座中，我们将深入研究不同类型图表的创建和配置。最终，你将能够创建既美观又信息丰富的艺术作品。
别忘了，数据可视化不仅仅是关于图表的，它还关乎讲故事，而Matplotlib将成为你的讲述者。下次讲座见，我们将完善你的技能并在图表世界中打开新篇章！
GO TO FULL VERSION