小白學 Python 資料分析（19）：Matplotlib（四）常用圖表（下）
人生苦短，我用 Python
前文傳送門：
小白學 Python 資料分析（1）：資料分析基礎
小白學 Python 資料分析（2）：Pandas （一）概述
小白學 Python 資料分析（3）：Pandas （二）資料結構 Series
小白學 Python 資料分析（4）：Pandas （三）資料結構 DataFrame
小白學 Python 資料分析（5）：Pandas （四）基礎操作（1）檢視資料
小白學 Python 資料分析（6）：Pandas （五）基礎操作（2）資料選擇
小白學 Python 資料分析（7）：Pandas （六）資料匯入
小白學 Python 資料分析（8）：Pandas （七）資料預處理
小白學 Python 資料分析（9）：Pandas （八）資料預處理（2）
小白學 Python 資料分析（10）：Pandas （九）資料運算
小白學 Python 資料分析（11）：Pandas （十）資料分組
小白學 Python 資料分析（12）：Pandas （十一）資料透視表（pivot_table）
小白學 Python 資料分析（13）：Pandas （十二）資料表拼接
小白學 Python 資料分析（14）：Pandas （十三）資料匯出
小白學 Python 資料分析（15）：資料視覺化概述
小白學 Python 資料分析（16）：Matplotlib（一）座標系
小白學 Python 資料分析（17）：Matplotlib（二）基礎操作
小白學 Python 資料分析（18）：Matplotlib（三）常用圖表（上）
散點圖
上一篇我們介紹了常見的折線圖和柱狀圖，本篇我們接著看其他常用的圖形。
散點圖經常用來表示資料之間的關係，使用的是 plt 庫中的 scatter() 方法，還是先看下 scatter() 的語法，來自官方文件：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.scatter.html ：
matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=<deprecated parameter>, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs)
前面介紹過的引數這裡不再多說，說點散點圖特有的引數：
- s ： 表示的是每個點的大小，如果只有一個數值的時候，則所有的點都是一樣大的，也可以傳入一個列表，這時候每個點的大小都不一樣，散點圖也就成了氣泡圖。
- c ： 表示點的顏色，如果只有一種顏色的時候，則每個點的顏色都會相同，也可以使用列表定義不同的顏色
- linewidths ： 表示每個散點的線寬
- edgecolors ： 每個散點外輪廓的顏色
其實散點圖的常用引數和之前的折線圖柱狀圖都差不多，還有一些沒介紹的高階引數可以參考官方文件，主要是用來做一些比較騷的操作的，可以用來自定義顏色的漸變。
看個簡單的示例，資料還是使用前文的資料：
import matplotlib.pyplot as plt
import numpy as np
# 處理中文亂碼
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
plt.scatter(x_data, y_data, s = 100, c = 'green', marker='o', edgecolor='black', alpha=0.5, label = '產品銷量')
plt.legend()
plt.savefig("scatter_demo.png")結果如下：
氣泡圖
氣泡圖和上面的散點圖非常類似，只是點的大小不一樣，而且是通過引數 s 來進行控制的，多的不說，還是看個示例：
import matplotlib.pyplot as plt
import numpy as np
# 處理中文亂碼
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
# 根據 y 值的不同生成不同的顏色
colors = y_data * 10
# 根據 y 值的不同生成不同的大小
area = y_data / 300
plt.scatter(x_data, y_data, s = area, c = colors, marker='o', edgecolor='black', alpha=0.5, label = '產品銷量')
plt.legend()
plt.savefig("scatter_demo1.png")程式碼不多解釋了，註釋已經寫得很清楚了，直接來看結果：
堆疊圖
堆疊圖的作用和折線圖非常類似，它採用的是 stackplot() 方法。
語法如下：
plt.stackplot(x, y, labels, colors)stackplot() 堆疊圖的語法比較簡單，這裡就不多介紹了，看過前面的同學應該一眼就能明白，接下來我們看個示例：
import matplotlib.pyplot as plt
# 處理中文亂碼
plt.rcParams['font.sans-serif']=['SimHei']
x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]
plt.title(label='xxx 公司 xxx 產品銷量')
plt.stackplot(x_data, y_data, y_data_1, labels=['產品銷量', '使用者增長數'])
plt.legend()
plt.savefig("stackplot_demo.png")結果如下：
雷達圖
雷達圖各位同學可能在玩遊戲的時候經常看到，或者是做一些能力測評的時候，它可以直觀的看出來一個事物的優勢與不足。
在 plt 中建立雷達圖是用 polar() 方法的，這個方法其實是用來建立極座標系的，而雷達圖就是先在極座標系中將各個點找出來，然後再將他們連線連起來。
語法如下：
plt.polar(theta, r, **kwargs)- theta ： 每一個點在極座標系中的角度
- r ： 每一個點在極座標系中的半徑
接下來我們來看個示例，這個示例完全出於小編自己幻想，無其他任何意義：
import numpy as np
import matplotlib.pyplot as plt
# 中文和負號的正常顯示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 使用ggplot的繪圖風格
plt.style.use('ggplot')
# 構造資料
values = [3.2, 2.1, 3.5, 2.8, 3]
feature = ['攻擊力', '防禦力', '恢復力', '法術強度', '生命值']
N = len(values)
# 設定雷達圖的角度，用於平分切開一個圓面
angles = np.linspace(0, 2 * np.pi, N, endpoint=False)
# 為了使雷達圖一圈封閉起來，需要下面的步驟
values = np.concatenate((values, [values[0]]))
angles = np.concatenate((angles, [angles[0]]))
# 繪圖
fig = plt.figure()
# 這裡一定要設定為極座標格式
ax = fig.add_subplot(111, polar=True)
# 繪製折線圖
ax.plot(angles, values, 'o-', linewidth=2)
# 填充顏色
ax.fill(angles, values, alpha=0.25)
# 新增每個特徵的標籤
ax.set_thetagrids(angles * 180 / np.pi, feature)
# 設定雷達圖的範圍
ax.set_ylim(0, 5)
# 新增標題
plt.title('遊戲人物屬性')
# 新增網格線
ax.grid(True)
# 顯示圖形
plt.savefig('polar_demo.png')結果如下：
餅圖
餅圖的作用和上面的雷達圖有些類似，也是用來表示同一個事物的不同類別的佔比情況，它使用的是 plt 中的 pie 這個方法。
語法如下：
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, hold=None, data=None)餅圖的引數還是比較複雜的，我們接下來一個一個看：
- x : array-like
- explode : array-like, optional, default: None(設定餅圖偏離)
- labels : list, optional, default: None(標籤)
- colors : array-like, optional, default: None(顏色設定)
- autopct : None (default), string, or function, optional(設定百分比顯示)
- pctdistance : float, optional, default: 0.6(百分比距圓心的位置)
- shadow : bool, optional, default: False(設定陰影)
- labeldistance : float, optional, default: 1.1(標籤距圓心的距離)
- startangle : float, optional, default: None(開始位置的旋轉角度，第一個分類是在右45度位置)
- radius : float, optional, default: None(設定半徑的大小)
- counterclock : bool, optional, default: True(是否逆時針)
- wedgeprops : dict, optional, default: None(內外邊界設定)
- textprops : dict, optional, default: None(文字設定)
- center : list of float, optional, default: (0, 0)(設定中心位置)
- frame : bool, optional, default: False(是否顯示餅圖背後圖框)
來個簡單的示例：
import matplotlib.pyplot as plt
# 中文和負號的正常顯示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 資料
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中專','大專','本科','碩士','其他']
# 讓本科學歷離圓心遠一點
explode = [0,0,0.1,0,0]
# 將橫、縱座標軸標準化處理，保證餅圖是一個正圓，否則為橢圓
plt.axes(aspect='equal')
# 自定義顏色
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555'] # 自定義顏色
# 繪製餅圖
plt.pie(x=edu, # 繪圖資料
explode = explode, # 突出顯示大專人群
labels = labels, # 新增教育水平標籤
colors = colors, # 設定餅圖的自定義填充色
autopct = '%.1f%%', # 設定百分比的格式，這裡保留一位小數
)
# 新增圖示題
plt.title('xxx 公司員工教育水平分佈')
# 儲存圖形
plt.savefig('pie_demo.png')結果如下：
環形圖
環形圖其實是另一種餅圖，使用的還是上面的 pie() 這個方法，這裡只需要設定一下引數 wedgeprops 即可。
示例如下：
import matplotlib.pyplot as plt
# 中文和負號的正常顯示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 資料
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中專','大專','本科','碩士','其他']
# 讓本科學歷離圓心遠一點
explode = [0,0,0.1,0,0]
# 將橫、縱座標軸標準化處理，保證餅圖是一個正圓，否則為橢圓
plt.axes(aspect='equal')
# 自定義顏色
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555'] # 自定義顏色
# 繪製餅圖
plt.pie(x=edu, # 繪圖資料
explode = explode, # 突出顯示大專人群
labels = labels, # 新增教育水平標籤
colors = colors, # 設定餅圖的自定義填充色
autopct = '%.1f%%', # 設定百分比的格式，這裡保留一位小數
wedgeprops = {'width': 0.3, 'edgecolor':'green'}
)
# 新增圖示題
plt.title('xxx 公司員工教育水平分佈')
# 儲存圖形
plt.savefig('pie_demo1.png')這個示例僅僅在前面示例的基礎上增加了一個引數 wedgeprops 的設定，我們看下結果：
熱力圖
熱力圖用到的方法是 imshow() ，他的語法如下：
plt.imshow(x, cmap)首先這裡要注意， x 是資料，但是一定要是矩陣形式的。
示例如下：
import numpy as np
import matplotlib.pyplot as plt
x = np.random.rand(10, 10)
plt.imshow(x, cmap=plt.cm.hot)
# 顯示右邊顏色條
plt.colorbar()
plt.savefig('imshow_demo.png')結果如下：
Matplotlib 的常用圖表到這裡就要結束了，接下來，我們會接著介紹我們之前說過的 pyecharts 的常用圖表。
程式碼倉庫
老規矩，所有的示例程式碼都會上傳至程式碼管理倉庫 Github 和 Gitee 上，方便大家取用。
示例程式碼-Github
示例程式碼-Gitee
參考
https://blog.csdn.net/kun1280437633/article/details/80841364
https://blog.csdn.net/claroja/article/details/72911