Matplotlib 初识

Matplotlib 是 Python 中常用的 2D 绘图库，它能轻松地将数据进行可视化，作出精美的图表。

本地环境需要使用 pip install matplotlib 进行安装。

Matplotlib 这个模块很庞大，最常用的是其中一个子模块——pyplot，通常这样导入它：

import matplotlib.pyplot as plt

pyplot 中最基础的作图方式是以点作图，即给出每个点的坐标，pyplot 会将这些点在坐标系中画出，并用线将这些点连起来。
例如：我们用pyplot画一个正弦函数图

import numpy as np
import matplotlib.pyplot as plt  # 导入模块x = np.arange(0, 2 * np.pi, 0.1)
y = np.sin(x)
plt.plot(x, y)
plt.show()

结果：

我们以上面的代码为例进行基本的说明：
第一行代码(x = np.arange(0, 2 * np.pi, 0.1)):代表生成一个范围是0到2Π步长为0.1的数组。

步长越小，每个点间隔小一点，点的数量多一点。这样画出的图像更加接近真实情况，也更加的平滑。

第二行代码(y = np.sin(x)):np.sin() 方法是 numpy 中计算正弦函数的方法，我们将 x 的值传进去就得到对应的正弦值。

除了 np.sin() 方法之外，numpy 中也有 np.cos()、np.tan() 等计算三角函数的方法。

第三行代码(plt.plot(x, y))【核心代码】:有了 x 和 y 的值之后，将其分别传入 plt.plot() 方法，pyplot 会将其转换成对应的坐标。将这些坐标连成线就得到了函数的图像.

第四行代码(plt.show())：要想图像能显示就必须在最后调用plt.show()。

注意：plt.plot() 方法接收任意对数的 x 和 y，它会将这些图像在一张图上都画出来。
例如：我现在可以继续在那张图上画一个余弦函数的图像
代码实现：

x = np.arange(0, 2 * np.pi, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, x, y2)
plt.show()  # 这行代码不能丢，否则不显示图像

结果：

当然你也可以每对 x 和 y 都调用一次 plt.plot() 方法，这也没毛病：

x = np.arange(0, 2 * np.pi, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1)  # 正弦函数图像
plt.plot(x, y2)  # 余弦函数图像
plt.show()

结果同上。

注意：不要看到调用了两次plt.plot()就认为画在了两张图上面，仍是在一张图上！

格式化参数

plt.plot()中，对于每一对x,y都可以传入一个可选的格式化参数，用来指定线条的颜色、点标记和线条的类型。
例如：

x = np.arange(0, 2 * np.pi, 0.1)
y1 = np.sin(x)
y2 = np.cos(x)
plt.plot(x, y1, 'ro--')  # 正弦函数图像
plt.plot(x, y2, 'b*-.')  # 余弦函数图像
# 等价于 plt.plot(x, y1, 'ro--', x, y2, 'b*-.')
plt.show()

结果：

以 ‘ro–’ 为例，它分为 3 部分：r 代表红色（red），o 代表的是圆点标记，-- 代表着虚线。ro-- 的意思就是线条为红色虚线、坐标点标记为圆点。
格式化参数的这 3 部分都是可选的，也没有顺序要求。你可以只传入一个 ‘r’ 来指定颜色，也可以写成 --or。格式化参数的每部分都有很多选项，因此能形成很多组合，下图列出了格式化参数常用的选项及其含义：

小贴士：代表颜色的字母都是对应英文单词的首字母，黑色除外，因为黑色和蓝色首字母都是 b，因此黑色用尾字母 k 表示。

数据展示是一种分析方法

既然我们通过数据分析来进行决策，那么使用合适的图表来准确地展示数据是至关重要的。要做到这一点，首先你要理解每种图表的表达方式及其适用场景。然后，根据要分析的目标选择合适的图表类型。除了折线图、柱状图、饼图等我们习以为常的图表类型，还有很多实用的图表类型。所以在绘制图表之前，我们要先了解各种图表类型的适用场景。
实际使用中，我们会用到各种各样的几十种图表。按照数据展示的目标可以把它们分为五种，分别是：趋势、比较、构成、分布和联系。

这五种类型的区别：
趋势：这是最常见的一种时间序列关系，关心数据如何随着时间变化，趋势类里的图表能直观反映出每年、每月、每天的变化趋势，增长、减少、上下波动还是基本不变。最常见的是折线图，它能很好地表现指标随时间呈现的趋势。

构成：主要关注每个部分占整体的比例，如果你想分析的目标诸如“份额”、“百分比”等。展示构成关系的图表类型里，最常见的就是饼图。

比较：可以展示某个维度上的排列顺序，分析某维度之间的对比是差不多，还是 “大于”、“小于”，比如分析男生和女生的身高差别。

分布：当你关心数据集中、频率、分布时，比如根据地理位置数据，通过地图来展示不同分布特征。比较常用的图表有地图、直方图、散点图。

联系：主要查看两个变量之间是否表达出我们预期所要证明的相关关系。比如预期销售额可能随着优惠折扣的增长而增长，常用于表达“与……有关”、“随……而增长”、“随……而不同”等维度间的关系。

在进行数据可视化时，要先明确分析的目标，再来选择五种分类的适合分类，最后选择某个分类里面合适的图表类型。我们要努力让图表更容易被解读，清晰地看到数据背后隐藏的奥秘！

绘制折线图

首先我们要明确要想绘制折线图我们的做法还是描点，那么我们就可以使用到前面提到的方法plt.plot()，不过要发生一些小的改变，在画曲线图的时候我们传入的是x,y坐标点，此次画折线图传入的x 和 y 分别是时间点和对应的数据。
例如：

import matplotlib.pyplot as plt# 时间
x = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
# 销量
y = [61, 42, 52, 72, 86, 91, 73]
# 设置字体，解决中文乱码问题
plt.rcParams['font.family'] = ['Noto Sans CJK JP']
plt.plot(x, y)
plt.show()

结果：

上面是某商品一周的销量走势。x 轴传入时间，y 轴传入对应的销量

因为图中有中文，所以需要通过 plt.rcParams[‘font.family’] = [‘Noto Sans CJK JP’] 来设置中文字体，否则中文将会乱码。
Noto Sans CJK JP在你的本地环境不一定适用，你可以通过如下代码打印出已经安装的字体，找到其中的中文字体名称替换掉 Noto Sans CJK JP 即可，例如 SimHei（黑体）等。

import matplotlib.font_manager as fmfor font in fm.fontManager.ttflist:print(font.name)

我也可以将多个商品的销量走势画在一张图上进行对比，只需调用两次 plt.plot() 方法即可。

# 时间
x = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
# 商品 A 销量
y1 = [61, 42, 52, 72, 86, 91, 73]
# 商品 B 销量
y2 = [23, 26, 67, 38, 46, 55, 33]
plt.plot(x, y1)
plt.plot(x, y2)
#plt.plot(x, y1,x,y2)也可以
plt.show()

结果：

添加图例

同时我们可以添加图例，帮助我们区分两条曲线。
做法：在调用 plt.plot() 方法时传入 label 参数，接着调用 plt.legend() 方法显示图例即可。
例如：

x = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
y1 = [61, 42, 52, 72, 86, 91, 73]
y2 = [23, 26, 67, 38, 46, 55, 33]
# 传入 label 参数
plt.plot(x, y1, label='商品 A')
plt.plot(x, y2, label='商品 B')
# 显示图例
plt.legend()
plt.show()

注意：这个有的人可能也想把两个合并写到一起，就像
plt.plot(x, y1, label=‘商品 A’，x, y2, label=‘商品 B’)这肯定是错的，因为关键字参数一定是在位置参数的后面的！就算你再把前面的label放到后面去，也会出现参数重复的错误。

我们还可以看到，图例被放在了图表的左上方，图例位置其实是可以设置的，不设置的情况下 matplotlib 会帮你自动找一个合适的位置放置。如果想自行选择图例位置的话可以通过 plt.legend() 方法的 loc 参数实现，loc 参数共有如下 11 种方式可供选择：

添加轴的标签以及图标标题

我们还可以通过 plt.xlabel() 和 plt.ylabel() 方法来设置 x 轴和 y 轴的标签，还能通过 plt.title() 给图表设置标题
例如：

x = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
y1 = [61, 42, 52, 72, 86, 91, 73]
y2 = [23, 26, 67, 38, 46, 55, 33]
plt.plot(x, y1, label='商品 A')
plt.plot(x, y2, label='商品 B')
# 设置 x 轴标签
plt.xlabel('时间')
# 设置 y 轴标签
plt.ylabel('销量')
# 设置图表标题
plt.title('商品销量对比图')
plt.legend()
plt.show()

结果：

柱状图，饼图，以及子图的绘制请看下篇