python数据可视化如何显示多张图

Python数据可视化可以通过多种方法显示多张图，主要方法包括：使用Matplotlib的subplot函数、使用多个figure对象、以及使用其他高级绘图库如Seaborn和Plotly。在这篇文章中，我们将深入讨论这几种方法，并提供详细的示例代码和解释，帮助你在实际项目中灵活运用这些技术。特别是，subplot函数是一种非常高效且常用的方法，它允许你在一个窗口中显示多个子图，从而使你的数据可视化更加直观和全面。

一、使用Matplotlib的subplot函数

Matplotlib是Python中最常用的数据可视化库之一。它提供了丰富的函数和方法来创建各种类型的图表。subplot函数是Matplotlib中的一个强大工具，允许你在一个窗口中创建多个子图。

1. 创建基本的子图

我们首先来看一个简单的例子，使用subplot函数在一个窗口中创建两个子图。

import matplotlib.pyplot as plt
创建一个窗口，包含2行1列的子图
fig, (ax1, ax2) = plt.subplots(2, 1)
在第一个子图上绘制数据
ax1.plot([1, 2, 3, 4], [10, 20, 25, 30])
ax1.set_title('First Subplot')
在第二个子图上绘制数据
ax2.plot([1, 2, 3, 4], [30, 25, 20, 10])
ax2.set_title('Second Subplot')
显示图表
plt.tight_layout()
plt.show()

2. 自定义子图布局

subplot函数还允许你自定义子图的布局。你可以指定子图的行数、列数和每个子图的位置。

import matplotlib.pyplot as plt
创建一个窗口，包含2行2列的子图
fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2)
在第一个子图上绘制数据
ax1.plot([1, 2, 3, 4], [10, 20, 25, 30])
ax1.set_title('First Subplot')
在第二个子图上绘制数据
ax2.plot([1, 2, 3, 4], [30, 25, 20, 10])
ax2.set_title('Second Subplot')
在第三个子图上绘制数据
ax3.plot([1, 2, 3, 4], [10, 15, 20, 25])
ax3.set_title('Third Subplot')
在第四个子图上绘制数据
ax4.plot([1, 2, 3, 4], [25, 20, 15, 10])
ax4.set_title('Fourth Subplot')
显示图表
plt.tight_layout()
plt.show()

3. 共享轴

有时你可能希望多个子图共享一个轴，以便更容易比较数据。Matplotlib的subplot函数允许你指定共享轴。

import matplotlib.pyplot as plt
创建一个窗口，包含2行1列的子图，并共享x轴
fig, (ax1, ax2) = plt.subplots(2, 1, sharex=True)
在第一个子图上绘制数据
ax1.plot([1, 2, 3, 4], [10, 20, 25, 30])
ax1.set_title('First Subplot')
在第二个子图上绘制数据
ax2.plot([1, 2, 3, 4], [30, 25, 20, 10])
ax2.set_title('Second Subplot')
显示图表
plt.tight_layout()
plt.show()

二、使用多个figure对象

除了在一个窗口中创建多个子图，你还可以使用多个figure对象在不同窗口中显示多个图表。这在需要同时查看多个复杂图表时非常有用。

1. 创建多个figure对象

import matplotlib.pyplot as plt
创建第一个图表
fig1 = plt.figure()
plt.plot([1, 2, 3, 4], [10, 20, 25, 30])
plt.title('First Figure')
fig1.show()
创建第二个图表
fig2 = plt.figure()
plt.plot([1, 2, 3, 4], [30, 25, 20, 10])
plt.title('Second Figure')
fig2.show()

2. 在不同窗口中显示多个图表

有时你可能希望在不同的窗口中显示多个图表，以便更好地进行比较和分析。你可以使用Matplotlib的figure函数来创建多个窗口。

import matplotlib.pyplot as plt
创建第一个窗口
fig1 = plt.figure()
ax1 = fig1.add_subplot(111)
ax1.plot([1, 2, 3, 4], [10, 20, 25, 30])
ax1.set_title('First Figure')
创建第二个窗口
fig2 = plt.figure()
ax2 = fig2.add_subplot(111)
ax2.plot([1, 2, 3, 4], [30, 25, 20, 10])
ax2.set_title('Second Figure')
显示图表
plt.show()

三、使用Seaborn和Plotly

除了Matplotlib，Python中还有其他高级数据可视化库，如Seaborn和Plotly。它们提供了更多的功能和更美观的图表。

1. 使用Seaborn创建多张图

Seaborn是基于Matplotlib构建的高级数据可视化库。它提供了许多高级图表类型和更美观的默认样式。

import seaborn as sns
import matplotlib.pyplot as plt
加载示例数据集
tips = sns.load_dataset("tips")
创建一个窗口，包含2行1列的子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(8, 6))
在第一个子图上绘制数据
sns.boxplot(x="day", y="total_bill", data=tips, ax=ax1)
ax1.set_title('Box Plot of Total Bill by Day')
在第二个子图上绘制数据
sns.violinplot(x="day", y="total_bill", data=tips, ax=ax2)
ax2.set_title('Violin Plot of Total Bill by Day')
显示图表
plt.tight_layout()
plt.show()

2. 使用Plotly创建多张图

Plotly是一个用于创建交互式图表的库。它特别适合用于Web应用，因为它的图表可以嵌入到HTML中并且具有交互功能。

import plotly.graph_objects as go
from plotly.subplots import make_subplots
创建子图布局
fig = make_subplots(rows=2, cols=1)
在第一个子图上绘制数据
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[10, 20, 25, 30], name='First Subplot'), row=1, col=1)
在第二个子图上绘制数据
fig.add_trace(go.Scatter(x=[1, 2, 3, 4], y=[30, 25, 20, 10], name='Second Subplot'), row=2, col=1)
更新布局
fig.update_layout(title_text='Multiple Subplots with Plotly')
显示图表
fig.show()

四、实际应用中的多张图显示

在实际应用中，显示多张图通常用于比较不同数据集或不同时间段的数据。以下是一些具体的应用场景和示例。

1. 时间序列数据的比较

假设你有两个时间序列数据集，分别表示两个不同时间段的销售额。你可以使用subplot函数在一个窗口中显示这两个数据集，以便进行比较。

import matplotlib.pyplot as plt
import pandas as pd
创建示例时间序列数据
date_range1 = pd.date_range(start='2021-01-01', periods=100, freq='D')
sales1 = pd.Series([i + (i * 0.1) for i in range(100)], index=date_range1)
date_range2 = pd.date_range(start='2022-01-01', periods=100, freq='D')
sales2 = pd.Series([i + (i * 0.15) for i in range(100)], index=date_range2)
创建一个窗口，包含2行1列的子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8))
在第一个子图上绘制第一个时间段的销售额
ax1.plot(sales1.index, sales1.values)
ax1.set_title('Sales in 2021')
在第二个子图上绘制第二个时间段的销售额
ax2.plot(sales2.index, sales2.values)
ax2.set_title('Sales in 2022')
显示图表
plt.tight_layout()
plt.show()

2. 数据分布的比较

假设你有一个数据集，包含多个类别的数据。你可以使用Seaborn的boxplot和violinplot函数在一个窗口中显示不同类别的数据分布。

import seaborn as sns
import matplotlib.pyplot as plt
加载示例数据集
iris = sns.load_dataset("iris")
创建一个窗口，包含1行2列的子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 6))
在第一个子图上绘制箱线图
sns.boxplot(x="species", y="sepal_length", data=iris, ax=ax1)
ax1.set_title('Box Plot of Sepal Length by Species')
在第二个子图上绘制小提琴图
sns.violinplot(x="species", y="sepal_length", data=iris, ax=ax2)
ax2.set_title('Violin Plot of Sepal Length by Species')
显示图表
plt.tight_layout()
plt.show()

3. 地理数据的比较

假设你有两个不同地区的地理数据。你可以使用Plotly的scatter_mapbox函数在一个窗口中显示这两个地区的地理数据。

import plotly.express as px
创建示例地理数据
data1 = {
    'lat': [37.7749, 34.0522, 40.7128],
    'lon': [-122.4194, -118.2437, -74.0060],
    'city': ['San Francisco', 'Los Angeles', 'New York']
}
data2 = {
    'lat': [51.5074, 48.8566, 52.5200],
    'lon': [-0.1278, 2.3522, 13.4050],
    'city': ['London', 'Paris', 'Berlin']
}
创建子图布局
fig = make_subplots(rows=1, cols=2, subplot_titles=['USA Cities', 'Europe Cities'])
在第一个子图上绘制美国城市的地理数据
fig.add_trace(
    go.Scattermapbox(
        lat=data1['lat'],
        lon=data1['lon'],
        mode='markers',
        marker=go.scattermapbox.Marker(size=9),
        text=data1['city']
    ),
    row=1, col=1
)
在第二个子图上绘制欧洲城市的地理数据
fig.add_trace(
    go.Scattermapbox(
        lat=data2['lat'],
        lon=data2['lon'],
        mode='markers',
        marker=go.scattermapbox.Marker(size=9),
        text=data2['city']
    ),
    row=1, col=2
)
更新地图布局
fig.update_layout(
    mapbox_style="open-street-map",
    mapbox=dict(center=dict(lat=40, lon=-95), zoom=3),
    height=600,
    title_text="Geographical Data Comparison"
)
显示图表
fig.show()