【深度学习】 Python 和 NumPy 系列教程（十三）：Matplotlib详解：1、2d绘图（上）：折线图、散点图、柱状图、直方图、饼图

目录

 一、前言

二、实验环境

三、Matplotlib详解

0、绘图风格

1、2d绘图类型

0. 设置中文字体

1. 折线图（Line Plot）

2. 散点图（Scatter Plot）

3. 柱状图（Bar Plot）

4. 直方图（Histogram）

5. 饼图（Pie Chart）

---

 一、前言

        Python是一种高级编程语言，由Guido van Rossum于1991年创建。它以简洁、易读的语法而闻名，并且具有强大的功能和广泛的应用领域。Python具有丰富的标准库和第三方库，可以用于开发各种类型的应用程序，包括Web开发、数据分析、人工智能、科学计算、自动化脚本等。

        Python本身是一种伟大的通用编程语言，在一些流行的库（numpy，scipy，matplotlib）的帮助下，成为了科学计算的强大环境。本系列将介绍Python编程语言和使用Python进行科学计算的方法，主要包含以下内容：

• Python：基本数据类型、容器（列表、元组、集合、字典）、函数、类
• Numpy：数组创建、数组操作、数组数学、广播
• Matplotlib：2d绘图、3d绘图、图表自定义、多子图和布局
• IPython：创建笔记本、典型工作流程

二、实验环境

• 运行下述命令检查Python版本

 python --version 

• 运行下述代码检查Python、NumPy、Matplotlib版本

import sys
import numpy as np
import matplotlib
 
print("Python 版本:", sys.version)
print("NumPy 版本:", np.__version__)
print("matplotlib 版本:", matplotlib.__version__)

三、Matplotlib详解

        Matplotlib是一个用于创建数据可视化的Python库。它提供了广泛的绘图选项，能够生成各种类型的图表、图形和可视化效果。下面是Matplotlib的一些主要功能：

1. 绘图风格和类型：Matplotlib支持各种绘图风格和类型，包括线图、散点图、柱状图、饼图、等高线图、3D图等，可以根据需要选择适合的图表类型来展示和分析数据。

2. 数据可视化：Matplotlib使得将数据转化为可视化表示变得简单，可以使用Matplotlib绘制图表来展示数据的分布、趋势、关系等，这有助于更好地理解数据和发现潜在的模式和关联。

3. 图表自定义：Matplotlib提供了丰富的图表自定义选项，可以调整图表的标题、标签、坐标轴、线条样式、颜色等。这使得您能够创建符合特定需求和品味的高质量图表。

4. 多子图和布局：Matplotlib允许您在单个图像中创建多个子图，以便同时展示多个相关的图表或数据视图。您可以自定义子图的布局和排列，以满足特定的展示需求。

5. 导出图像：Matplotlib支持将图像导出为多种格式，包括PNG、JPEG、PDF、SVG等。这使得您可以方便地将生成的图表保存为文件，或嵌入到文档、报告和演示文稿中。

        无论是进行科学研究、数据分析、报告撰写还是可视化展示，Matplotlib都是一个强大而灵活的工具。它广泛应用于各个领域，如数据科学、机器学习、金融分析、工程可视化等。

1、2d绘图类型

0. 设置中文字体

import matplotlib
 
matplotlib.rcParams['font.family'] = 'Microsoft YaHei'  # 设置为微软雅黑字体
matplotlib.rcParams['font.sans-serif'] = ['SimHei']     # 设置中文字体为黑体

        若不进行该设置，会报错字体缺失

1. 折线图（Line Plot）

        用于显示连续数据的趋势和变化

import matplotlib.pyplot as plt
 
 
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
 
# 绘制折线图
plt.plot(x, y)
 
# 添加标题和标签
plt.title("折线图示例")
plt.xlabel("X轴")
plt.ylabel("Y轴")
 
# 显示图形
plt.show()

2. 散点图（Scatter Plot）

             用于显示两个变量之间的关系和分布

import matplotlib.pyplot as plt
 
 
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
 
# 绘制散点图
plt.scatter(x, y)
 
# 添加标题和标签
plt.title("散点图示例")
plt.xlabel("X轴")
plt.ylabel("Y轴")
 
# 显示图形
plt.show()

   

3. 柱状图（Bar Plot）

        用于比较不同类别的数据

import matplotlib.pyplot as plt
 
 
x = ['A', 'B', 'C', 'D', 'E']
y = [10, 15, 7, 12, 9]
 
# 绘制柱状图
plt.bar(x, y)
 
# 添加标题和标签
plt.title("柱状图示例")
plt.xlabel("X轴")
plt.ylabel("Y轴")
 
# 显示图形
plt.show()

4. 直方图（Histogram）

        用于显示数据的分布情况

import matplotlib.pyplot as plt
 
 
data = [1, 1, 2, 3, 3, 3, 4, 4, 5, 6, 6, 7, 8, 8, 9]
 
# 绘制直方图
plt.hist(data)
 
# 添加标题和标签
plt.title("直方图示例")
plt.xlabel("数值")
plt.ylabel("频数")
 
# 显示图形
plt.show()

5. 饼图（Pie Chart）

        用于显示数据的相对比例

import matplotlib.pyplot as plt
 
 
labels = ['A', 'B', 'C', 'D', 'E']
sizes = [15, 30, 25, 10, 20]
 
# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
 
# 添加标题
plt.title("饼图示例")
 
# 显示图形
plt.show()

        其中，autopct参数用于显示每个扇区的百分比值