python matplotlib绘制多条动态曲线 matplotlib 多条线图

目录

• 一、matplotlib
• 二、条形图

• 2.1简单绘制：

• 1、样式介绍
• 2、简单图表绘制

• 2.2按照条件将图表划分
• 2.3将图表填充
• 2.4、书上展示的代码：

• 三、散点图

• 3.1、简单绘制：

• 1、写一个简单的身高体重的散点图
• 2、正相关的散点图
• 3、负相关

• 3.2、书上展示的代码：

---

一、matplotlib

matplotlib是一个绘图库，创建的图形美化方面比较完善，可以自定义线条的颜色和样式，可以在一张绘图纸上绘制多张小图，也可以在一张图上绘制多条线，可以很方便地将数据可视化并对比分析。

import matplotlib.pyplot as plt
# 第一步创建画布
plt.figure(figsize=(20,8), dpi=400)
# 第二步绘制图像
x = [1,2,3,4,5,6]
y = [a,b,c,d,e,f]
plt.plot(x, y)
# 3.显示图像
plt.show()

---

二、条形图

常用的条形图包括垂直图，水平图，堆积图和分组图

2.1简单绘制：

1、样式介绍

import matplotlib.pyplot as plt
plt.plot([1,2,3,4,5],[1,4,9,16,25])
plt.xlabel('xlabel',fontsize = 16)
plt.ylabel('ylabel')
plt.show()

注释：
第三行中引号部分的xlabel是对于x轴的名称命名，fontsize是对于字体大小的改变

import matplotlib.pyplot as plt
plt.style.use('ggplot')
plt.plot([1,2,3,4,5],[1,4,9,16,25],'--'，color = 'r')
plt.xlabel('xlabel',fontsize = 16)
plt.ylabel('ylabel')
plt.show()

与上一个图不同的是在第三行中加入了对于线条的改变，这样打印出来的图像将会是由虚线构成。
color是对于线条颜色的选择
同时将第三行组合：
plt.plot([1,2,3,4,5],[1,4,9,16,25],‘r-’)
在第二行中加入图表风格，按需选择就阔以了。

线条样式：

符号	线条呈现的样式
无符号	实线
‘- -’	虚线
’ : ’	点线
’ -. ’	虚点线
’ , ’	像素点
’ s ’	正方点
’ * ’	星形点

线条颜色：

符号	对应颜色
’ r ’	红色
’ b ’	蓝色
’ g ’	绿色
’ c ’	青色
’ y ’	黄色
’ k ’	黑色
'w ’	白色

2、简单图表绘制

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
np.random.seed(0)#取相同的seed，使得生成的随机数相同
x = np.arange(5)
y = np.random.randint(-5,5,5)#在-5到5之间选取5个数
print(y)
fig,axes = plt.subplots(ncols = 2)
v_bars = axes[0].bar(x,y,color='r')#纵轴
h_bars = axes[1].barh(x,y,color='g')#横轴
#给图表加上横线
axes[0].axhline(0,color='grey',linewidth=2)
axes[1].axvline(0,color='grey',linewidth=2)
plt.show()

图像：

2.2按照条件将图表划分

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
np.random.seed(0)
x = np.arange(5)
y = np.random.randint(-5,5,5)
fig,ax = plt.subplots()
v_bars = ax.bar(x,y,color='lightblue')#默认线条都为浅蓝色
for bar,height in zip(v_bars,y):#将条形图和y值进行遍历，将小于0图形改为黄色
    if height<0:
        bar.set(edgecolor = 'b',color ='y',linewidth=3)
plt.show()

图像：

2.3将图表填充

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
x = np.random.randn(100).cumsum()#cumsum是对其进行求和
y = np.linspace(0,20,100)#在0到20之间找100个数
fig,ax = plt.subplots()
ax.fill_between(x,y,color = 'lightblue')#将画出的图像进行填充
plt.show()

图像：

2.4、书上展示的代码：

import matplotlib.pyplot as plt
plt.style.use('ggplot')#这里我使用的是ggplot风格
customers = ['ABC','DEF','GHI','JKL','MNO']#横轴
customers_index = range(len(customers))
sale_amounts = [127,90,201,111,232]
fig = plt.figure()
#添加一个子图1，1，1表示创建一个一行一列的子图
ax1 = fig.add_subplot(1,1,1)
#customers_index设置条形左侧在x轴上的坐标，sale_amounts设置条形的高度，align='center'设置条形与标签中间对齐，color即为设置颜色。
ax1.bar(customers_index,sale_amounts,align='center',color='darkblue')
#设置刻度线位置在x轴底部和y轴左侧，使图形的上部和右侧不显示刻度线
ax1.xaxis.set_ticks_position('bottom')
ax1.yaxis.set_ticks_position('left')
#rotation=0表示刻度标签是水平的，fontsize = 'small'将刻度标签的字体设为小字体
plt.xticks(customers_index,customers,rotation=0,fontsize = 'small')
plt.xlabel('Custmoer Name')
plt.ylabel('Sale Amount')
plt.title('Sale Amount per Customer')
#dpi=400设置图形分辨率，bbox_inches = 'tight'表示保存图片时，将四周的空白去掉
plt.savefig('bar_plot.png',dpi=400,bbox_inches = 'tight')
plt.show()

三、散点图

主要特点是：研究两个变量的相关性，大体分为三种，正相关，负相关，不相关

3.1、简单绘制：

1、写一个简单的身高体重的散点图

import numpy as np
import matplotlib.pyplot as plt
height = [161,170,198,188,156,185,165]
weight = [50,65,67,85,55,66,69]
plt.scatter(height,weight)
plt.show()

2、正相关的散点图

import numpy as np
import matplotlib.pyplot as plt
N=100
X = np.random.randn(N)
Y = X+np.random.randn(N)*0.5
plt.scatter(X,Y)
plt.show()

scatter函数使用方法：

scatter_(input, dim, index, src)：将src中数据根据index中的索引按照dim的方向填进input。可以理解成放置元素或者修改元素 。

有图像可知：整体向上排列，说明x，y呈现正相关

3、负相关

如上所述只需要改变第五行的代码

import numpy as np
import matplotlib.pyplot as plt
N=100
X = np.random.randn(N)
Y = -X+np.random.randn(N)*0.5#只需要改变这里！！！
plt.scatter(X,Y)
plt.show()

图像：

3.2、书上展示的代码：

import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot')
x = np.arange(start = 1,stop = 15,step = 1)
y_linear = x+5 * np.random.randn(14)
y_quadratic = x**2 + 10*np.random.randn(14)
fn_linear = np.poly1d(np.polyfit(x,y_linear,deg=1))
fn_quadratic = np.poly1d(np.polyfit(x,y_quadratic,deg=2))
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.plot(x,y_linear,'bo',x,y_quadratic,'go',x,fn_quadratic(x),'g-',linewidth=2)
ax1.xaxis.set_ticks_position('bottom')
ax1.yaxis.set_ticks_position('left')
ax1.set_title('Scatter Plots Regression Lines')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.xlim((min(x)-1,max(x)+1))
plt.ylim((min(y_quadratic)-10,max(y_quadratic)+10))
plt.savefig('scatter_plot.png',dpi=400,bbox_inches='tight')
plt.show()

图像：