python中编程完成如何绘图

在Python中进行编程绘图，可以使用多个强大的库来完成，如Matplotlib、Seaborn、Plotly、Bokeh等。这些库各有特色，能满足从简单到复杂的各种绘图需求。Matplotlib适合基础绘图、Seaborn擅长统计图表、Plotly和Bokeh则用于交互式图表。以下将详细介绍Matplotlib并展示其使用方法。

一、MATPLOTLIB库的介绍与安装

Matplotlib是Python中最常用的绘图库，它提供了丰富的绘图功能，可以用来创建各种静态、动态和交互式图表。安装Matplotlib非常简单，可以通过pip来安装：

pip install matplotlib

在安装完成后，可以通过导入库来开始使用：

import matplotlib.pyplot as plt

二、简单绘图

Matplotlib的基础功能包括绘制线图、散点图、柱状图等。下面以绘制简单线图为例，展示Matplotlib的基本用法。

import matplotlib.pyplot as plt
数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
创建图形
plt.figure()
绘制线图
plt.plot(x, y)
添加标题和标签
plt.title('Simple Line Plot')
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
显示图形
plt.show()

三、定制化图表

Matplotlib允许用户对图表进行高度定制化，比如修改颜色、线型、标记、图例等。下面展示如何对线图进行定制化。

import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
plt.figure()
绘制定制化线图
plt.plot(x, y, color='red', linestyle='--', marker='o', label='Data 1')
添加网格
plt.grid(True)
添加图例
plt.legend()
plt.title('Customized Line Plot')
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.show()

四、子图与多图

有时我们需要在同一个图形窗口中绘制多个图表，这可以通过subplot函数来实现。

import matplotlib.pyplot as plt
创建图形和子图
fig, (ax1, ax2) = plt.subplots(1, 2)
绘制第一个子图
ax1.plot([1, 2, 3], [1, 4, 9])
ax1.set_title('Subplot 1')
绘制第二个子图
ax2.plot([1, 2, 3], [1, 2, 3])
ax2.set_title('Subplot 2')
plt.show()

五、绘制不同类型的图表

Matplotlib支持多种类型的图表，如柱状图、散点图、饼图等。以下展示如何绘制这些不同类型的图表。

1、柱状图

import matplotlib.pyplot as plt
数据
categories = ['A', 'B', 'C']
values = [10, 20, 15]
创建图形
plt.figure()
绘制柱状图
plt.bar(categories, values)
plt.title('Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()

2、散点图

import matplotlib.pyplot as plt
数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
创建图形
plt.figure()
绘制散点图
plt.scatter(x, y)
plt.title('Scatter Plot')
plt.xlabel('X-Axis')
plt.ylabel('Y-Axis')
plt.show()

3、饼图

import matplotlib.pyplot as plt
数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']
explode = (0.1, 0, 0, 0)  # 突出显示第一个扇区
创建图形
plt.figure()
绘制饼图
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)
plt.title('Pie Chart')
plt.show()

六、使用SEABORN进行高级绘图

Seaborn是基于Matplotlib构建的高级绘图库，专为统计图表设计。它提供了更简洁的API和更美观的默认样式，适合快速绘制复杂的统计图表。

安装Seaborn：

pip install seaborn

导入Seaborn：

import seaborn as sns
import matplotlib.pyplot as plt

1、绘制柱状图

import seaborn as sns
import matplotlib.pyplot as plt
数据
data = sns.load_dataset('tips')
绘制柱状图
sns.barplot(x='day', y='total_bill', data=data)
plt.title('Bar Plot')
plt.show()

2、绘制散点图

import seaborn as sns
import matplotlib.pyplot as plt
数据
data = sns.load_dataset('iris')
绘制散点图
sns.scatterplot(x='sepal_length', y='sepal_width', hue='species', data=data)
plt.title('Scatter Plot')
plt.show()

3、绘制热力图

import seaborn as sns
import matplotlib.pyplot as plt
数据
data = sns.load_dataset('flights')
data_pivot = data.pivot('month', 'year', 'passengers')
绘制热力图
sns.heatmap(data_pivot, annot=True, fmt='d', cmap='YlGnBu')
plt.title('Heatmap')
plt.show()

七、使用PLOTLY和BOKEH进行交互式绘图

Plotly和Bokeh是两个强大的交互式绘图库，它们允许用户创建动态的、可交互的图表，适用于需要在网页中展示复杂图表的场景。

1、PLOTLY

安装Plotly：

pip install plotly

导入Plotly：

import plotly.express as px
import plotly.graph_objects as go

1.1、绘制交互式散点图

import plotly.express as px
数据
df = px.data.iris()
绘制散点图
fig = px.scatter(df, x='sepal_width', y='sepal_length', color='species', title='Interactive Scatter Plot')
fig.show()

1.2、绘制交互式柱状图

import plotly.express as px
数据
df = px.data.tips()
绘制柱状图
fig = px.bar(df, x='day', y='total_bill', color='sex', title='Interactive Bar Chart')
fig.show()

2、BOKEH

安装Bokeh：

pip install bokeh

导入Bokeh：

from bokeh.plotting import figure, show
from bokeh.io import output_notebook

2.1、绘制交互式线图

from bokeh.plotting import figure, show
数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
创建图形
p = figure(title="Interactive Line Plot", x_axis_label='X-Axis', y_axis_label='Y-Axis')
绘制线图
p.line(x, y, legend_label='Data 1', line_width=2)
show(p)

2.2、绘制交互式散点图

from bokeh.plotting import figure, show
数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
创建图形
p = figure(title="Interactive Scatter Plot", x_axis_label='X-Axis', y_axis_label='Y-Axis')
绘制散点图
p.circle(x, y, size=10, color="navy", alpha=0.5)
show(p)

八、总结与建议

在Python中，绘图库的选择取决于具体的需求。如果需要简单快速地绘制图表，Matplotlib是最基本和常用的选择；Seaborn则适合绘制统计图表；对于需要交互功能的图表，Plotly和Bokeh是不错的选择。通过掌握这些库的使用，你可以在数据可视化方面更好地展示和分析数据。希望这篇文章能帮助你更好地理解和使用Python中的绘图库。