Matplotlib可以說是Python最聲名遠揚的可視化庫了，也是Python數據分析庫的“三駕馬車”之一。Matplotlib是基礎而非常強大的可視化庫，Seaborn等好用的可視化庫是在前者的基礎上進行的封裝。Matplotlib擅長快速出簡單的圖、有豐富的接口進行精細化繪圖、和Numpy結合做科學可視化及三維圖配合默契、三維圖。但也有些缺點，如不容易基于實用目的繪制有一定難度的圖表（如小提琴圖等）、标簽等元素需指定坐标而不能自适應優化顯示、難以實現交互。

官網說：

Matplotlib tries to make easy things easy and hard things possible.

我越用越認可這句話，Matplotlib非常強大，Hard things是possible但并非easy and fast。

Matplotlib出圖示例

可視化基礎框架

對于一個數據表df(通過pandas讀入為DataFrame)來說，用Matplotlib對其進行可視化的基礎框架為：

fig, ax = plt.subplots() ax.plot(df['x'],df['y'])

通過上面幾行代碼就可以畫出df表周一到周五y指标的變化折線。

折線圖繪制示例

Matplotlib其實為作圖提供了兩套可視化接口：

• plt.plot()系列
• fig, ax = plt.subplots() ax.plot() 系列

根據官網教程，分别對應MATLAB的陳述式語法和面向對象寫法，

個人理解，plt.plot()适合用于快速出圖，讀入一個數據表後想快速知道數據分布、指标關系等，通過plt.plot()系列語句直接出圖，而ax.plot()更方便用來精細繪圖，接口對各種圖表元素的編輯很友好。

在Matplotlib官網搜索，通常能看到兩套接口，如搜繪制餅圖的關鍵詞pie，結果中的axes.Axes.pie對應ax.pie()的用法，pyplot.pie對應plt.pie()的函數接口。

ax.×××()的寫法看起來要寫的語句多些，但這種面向對象(object-oriented)的寫法通過fig, ax = plt.subplots()建立畫布(figure)和定義軸域(axes)，能更明确在哪作畫和映射規則，給用戶更大的自由度和更精細的調參能力。Axes包含了一套坐标軸(axis)，确定了x/y坐标軸之後，數值再确定對應坐标，也就唯一确定了所在位置（這是二維情況下，更高維度就會對應着更多的axis），散點圖是去确定點在軸域下的位置，柱狀圖是确定每個柱柱所在的位置，因此一套Axes就确定了唯一的獨立的圖，一個畫布可以有多套Axes。簡單說就是ax.×××()更方便調細節，初學者盡量避免用plt.×××系列來畫圖。

基礎圖表繪制

數據可視化從目的來說，是為了更直觀展示數據或數據之間的對比、分布或關聯關系。散點圖、折線圖、柱狀圖、條形圖、餅圖、直方圖是非常常用而基礎的可視化圖。個人認為通過畫這幾種基礎圖并調細節是很好的學可視化實踐。

将數據映射為可視圖表

為了整體的美觀和一緻性，本文都用了一套自定義配色，通過mpl.rcParams["axes.prop_cycle"] = mpl.cycler('color', ['1EAFAE', 'A3FFFF', '69FFFF']) 語句實現簡單改配色，具體關于mpl.rcParams後面再展開。

畫散點圖可以用兩種主要的方法，scatter(x,y)和plot(x,y,'o') 。 通過ax.scatter(x,y)繪制以x為橫坐标，y為縱坐标的散點圖，scatter的重要參數如下：

• x,y：對應着x軸和y軸的數據，散點畫在坐标軸裡的[xi,yi]處。
• s,c,alpha: 對應散點大小(size)、顔色(color)、透明度，都可以傳一個和點數量相同長度的數組，如s=df['z']可以做氣泡圖，一般氣泡圖為了防止遮蓋問題，通常設置一定的透明度，alpha的範圍為0到1。c='#BA5C25'設置點顔色，c賦值為一個數組可以做出每個點一個顔色的效果。
• marker：設置點的形狀；
• cmap:顔色映射；
• norm:當顔色c為一組浮點數時，把值标準化到[0,1]做顔色映射，vmin和vamx參數是結合 norm 來用的；

散點圖參數示例

ax.plot(x,y,'o')也可以畫散點圖，ax.plot()核心是繪制坐标系下的點和點之間的連線的，當突出點的大小而省略線時，就是散點圖了，同樣突出線就變成了折線圖。通過fmt(也就是format_string)參數來控制這些，包括點的形狀、顔色、線的風格顔色等。折線圖基礎繪制效果可回看上一部分可視化基礎框架。

plot()的常用參數如下：

• x,y: x軸和y軸的數據，當plot()隻有一個輸入列表或數組時，參數被當做y軸，也就是value，x軸以索引自動生成，也就是ax.plot(y)相當于ax.plot(range(len(y)),y);
• fmt: 控制x,y繪制的折線的點形狀、顔色、線的風格、顔色；
• 其他的lines.Line2D支持的屬性， 如color控制線顔色，marker控制點形狀，linestyle控制線風格類型及linewidth控制線寬等，如果既設置了fmt又指定了color呢？可以實踐一下，線的顔色會根據color屬性最終顯示。

常用fmt字符意義整理(可收藏方便查閱)

plot()除了plot(x,y,[fmt])這種寫法之外，還可以傳多套x,y以繪制多條折線，寫法是plot(x,y,[fmt],x2,y2,[fmt2],…)。

另外plot()還支持plot('col1','col2',data=df)這種寫法，這是對二維表格數據更友好的接口。本文講到的其他圖形如bar、barh等基本也都是支持ax.×××(df['x'],df['y']) 和ax.×××(x,y,data)寫法的。

通過ax.bar(x,height)繪制柱狀圖，條形圖的繪制用ax.barh(y,width)，因bar和barh的用法很類似，參數之間有對應關系，這裡結合着看。

x,height: x軸的值和各柱的高，相當于折線圖的x,y；

width: 柱的寬度，默認是0.8，也可以傳入一個數組，畫不等寬的柱狀圖；

bottom: 每個柱底部開始位置，默認是0，改bottom可以畫堆積柱狀圖、瀑布圖等；

align: 柱狀的x是在柱底部中心還是邊緣，{'center', 'edge'}，默認是center；

data: 可以傳入一個DataFrame，用法和前面說到的ax.plot('col1','col2',data=df)一緻；

其他像color(柱顔色)、edgecolor(柱邊框色)、linewidth(邊框線寬)等圖元屬性用法都一緻，linewidth也是可以簡寫為lw的，顔色可以傳一個數組，可以畫出五彩斑斓的柱，也可借由這個參數美化瀑布圖；

條形圖barh的參數有barh(y,width,height,left,align)，y是Y軸的值，每個柱的位置，因此barh的y對應bar的x，barh的width對應bar的height，barh的height對應bar的width。每個柱開始的位置是left，對應bar的bottom。align、data、color等一緻。

注意的是柱狀圖繪制語句ax.bar(x,height)的返回值是一個容器(BarContainer)，包含了所有畫出來的柱。通過這個返回值可以對柱進行一些個性化的處理，另外的應用就是根據返回柱的屬性給每個柱标上文本标簽。

#給柱狀圖标上标簽 fig,ax= plt.subplots() rects=ax.bar(df['x'],df['y']) ax.set_ylim(0,100) for rect in rects: height = rect.get_height() ax.annotate('{}'.format(height), xy=(rect.get_x() rect.get_width() / 2, height), xytext=(0,1), # 1 points vertical offset textcoords="offset points", ha='center', va='bottom')

通過給x以一定的偏移量，繪制簇狀柱形圖。代碼如下：

#簇狀柱 ClusterBar x = list(range(1,len(df) 1)) ​ width = 0.2 #每個柱的寬度 x1=[i-width for i in x] x2=[i width for i in x] fig, ax = plt.subplots(figsize=(6,5)) rects1 = ax.bar(x1,df['y'], width*2, label='Men',color='#1EAFAE') rects2 = ax.bar(x2,df['z'], width*2, label='Women',color='#69FFFF') ​ ax.set_xticks(x) ax.set_xticklabels(df['x']) ax.legend()

通過給bottom參數傳一個數組，可以畫堆疊柱狀圖：堆疊柱除了等值堆疊之外，還可以等比堆疊，思路就是将每個x對應的柱都做一下數值變換，把柱的高度約束在[0,1]，且堆疊之和為1，height=h[i]/sum(h)。

#堆疊柱狀圖 fig,ax= plt.subplots() ax.bar(df['x'],df['y'],label='Men') ax.bar(df['x'],df['z'],bottom=df['y'],label='Women') ax.legend() ​ #等比例堆疊柱 fig,ax= plt.subplots() df['y1']=df.apply(lambda x:(x['y'])*100/(x['y'] x['z']),axis=1) df['z1']=df.apply(lambda x:(x['z'])*100/(x['y'] x['z']),axis=1) ax.bar(df['x'],df['y1']) ax.bar(df['x'],df['z1'],bottom=df['y1']) ax.set_ylim(0,100) #标簽設置等代碼省略

堆疊柱狀圖繪制效果

調節width參數使得柱和柱之間的寬度為0，并對數據進行統計在畫圖，可以用ax.bar()繪制直方圖，但也不需要這麼複雜，Matplotlib提供了繪制直方圖的接口ax.hist(x,bins,normed)，可以直接對某列數據繪制直方圖。x是需要統計分布的數據列，bins控制分箱的個數，默認是10。

箱線圖在數據分析中挺常用的，箱線圖對于數據分布有很好的展示作用，Matplotlib提供了boxplot(x)用于繪制箱線圖。

fig, ax= plt.subplots() ax.boxplot(df['y']) #箱線圖

餅圖是可視化中基礎而重要的圖形，是各種數據報告的常客，Matplotlib繪制餅圖時因為xy軸默認比例尺不同，為了得到不扁的餅，需設置xy軸1像素對應的值相等。

#繪制餅圖 fig,ax=plt.subplots(subplot_kw=dict(aspect="equal")) ax.pie(df['y']) #為了得到不扁的餅，設置xy軸比例尺相同 #--- #環狀圖 fig, ax = plt.subplots(subplot_kw=dict(aspect="equal")) wps=dict(width=0.3, edgecolor='w') ax.pie(df['y'], radius=1,startangle=90,counterclock=False,wedgeprops=wps) ax.pie(df['z'], radius=1-0.3,startangle=90,counterclock=False,wedgeprops=wps)

本文近五千字，從基礎圖表入手拆解對應繪制函數的重點參數，共10張圖，基本都是個人繪制和排版的，個人認為較系統講了Matplotlib的用法和核心功能，下篇會實踐更有趣的内容。

畫心形線（下篇彩蛋）

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部