Python数据可视化科技图表绘制系列教程（一）

目录

创建多个坐标图形（坐标系）

图表的组成

创建图形与子图

创建子图1

创建子图2 

创建子图3

创建子图4

创建子图5

添加图表元素

极坐标图1

极坐标图2

【声明】：未经版权人书面许可，任何单位或个人不得以任何形式复制、发行、出租、改编、汇编、传播、展示或利用本博客的全部或部分内容，也不得在未经版权人授权的情况下将本博客用于任何商业目的。但版权人允许个人学习、研究、欣赏等非商业性用途的复制和传播。非常推荐大家学习《Python数据可视化科技图表绘制》这本书籍。

创建多个坐标图形（坐标系）

import matplotlib.pyplot as plt

plt.figure()
plt.axes([0.0,0.0,1,1])
plt.axes([0.1,0.1,.5,.5],facecolor='blue')
plt.axes([0.2,0.2,.5,.5],facecolor='pink')
plt.axes([0.3,0.3,.5,.5],facecolor='green')
plt.axes([0.4,0.4,.5,.5],facecolor='skyblue')

plt.savefig("P54创建多个坐标图形（坐标系）.png", dpi=600)
plt.show()

图表的组成

import matplotlib.pyplot as plt
import numpy as np

from matplotlib.patches import Circle
from matplotlib.patheffects import withStroke
from matplotlib.ticker import AutoMinorLocator,MultipleLocator

royal_blue=[0,20/256,82/256]		# 自定义的颜色
# 创建图形
np.random.seed(19781101)			# 固定随机种子，以便结果可复现

# 生成数据
X=np.linspace(0.5,3.5,100)			# 生成等间隔的X值
Y1=3+np.cos(X)						# 第一组数据，基于余弦函数
Y2=1+np.cos(1+X/0.75)/2				# 第二组数据，变化的余弦函数
Y3=np.random.uniform(Y1,Y2,len(X))	# 第三组数据，Y1与Y2之间的随机数

# 创建并配置图形和轴
fig=plt.figure(figsize=(7.5,7.5))	# 创建图形，指定大小
ax=fig.add_axes([0.2,0.17,0.68,0.7],aspect=1)			# 添加轴，设置宽高比

# 设置主要和次要刻度定位器
ax.xaxis.set_major_locator(MultipleLocator(1.000))		# X轴的主要刻度间隔
ax.xaxis.set_minor_locator(AutoMinorLocator(4))		# X轴的次要刻度间隔
ax.yaxis.set_major_locator(MultipleLocator(1.000))		# Y轴的主要刻度间隔
ax.yaxis.set_minor_locator(AutoMinorLocator(4))		# Y轴的次要刻度间隔
ax.xaxis.set_minor_formatter("{x:.2f}")				# 设置次要刻度的格式

# 设置坐标轴的显示范围
ax.set_xlim(0,4)
ax.set_ylim(0,4)

# 配置刻度标签的样式
ax.tick_params(which='major',width=1.0,length=10,labelsize=14)	# 主刻度
ax.tick_params(which='minor',width=1.0,length=5,
	                 labelsize=10,labelcolor='0.25')						# 次刻度

# 添加网格
ax.grid(linestyle="--",linewidth=0.5,
          color='.25',zorder=-10)			# 设置网格样式和图层顺序

# 绘制数据
ax.plot(X,Y1,c='C0',lw=2.5,label="Blue signal",
					  zorder=10)				# 绘制第一组数据，设置图层顺序
ax.plot(X,Y2,c='C1',lw=2.5,label="Orange signal")		# 绘制第二组数据
# 绘制第三组数据作为散点图
ax.plot(X[::3],Y3[::3],linewidth=0,markersize=9,
        marker='s',markerfacecolor='none',markeredgecolor='C4',
        markeredgewidth=2.5)

# 设置标题和轴标签
ax.set_title("Anatomy of a figure",fontsize=20,verticalalignment='bottom')
ax.set_xlabel("x Axis label",fontsize=14)
ax.set_ylabel("y Axis label",fontsize=14)
ax.legend(loc="upper right",fontsize=14)	# 添加图例

# 标注图形
def annotate(x,y,text,code):
# 添加圆形标记
    c=Circle((x,y),radius=0.15,clip_on=False,zorder=10,linewidth=2.5,
               edgecolor=royal_blue+[0.6],facecolor='none',
               path_effects=[withStroke(linewidth=7,foreground='white')])
# 使用路径效果突出标记
    ax.add_artist(c)

# 使用路径效果为文本添加背景
# 分别绘制路径效果和彩色文本，以避免路径效果裁剪其他文本
    for path_effects in [[withStroke(linewidth=7,foreground='white')],[]]:
        color='white' if path_effects else royal_blue
        ax.text(x,y-0.2,text,zorder=100,
                ha='center',va='top',weight='bold',color=color,
                style='italic',fontfamily='monospace',
                path_effects=path_effects)

        color='white' if path_effects else 'black'
        ax.text(x,y-0.33,code,zorder=100,
                ha='center',va='top',weight='normal',color=color,
                fontfamily='monospace',fontsize='medium',
                path_effects=path_effects)


# 通过调用自定义的annotate函数来添加多个图形标注
# 具体标注调用代码，每次调用都是标注图形的一个特定部分和相关的Matplotlib命令
annotate(3.5,-0.13,"Minor tick label","ax.xaxis.set_minor_formatter")
annotate(-0.03,1.0,"Major tick","ax.yaxis.set_major_locator")
annotate(0.00,3.75,"Minor tick","ax.yaxis.set_minor_locator")
annotate(-0.15,3.00,"Major tick label","ax.yaxis.set_major_formatter")
annotate(1.68,-0.39,"xlabel","ax.set_xlabel")
annotate(-0.38,1.67,"ylabel","ax.set_ylabel")
annotate(1.52,4.15,"Title","ax.set_title")
annotate(1.75,2.80,"Line","ax.plot")
annotate(2.25,1.54,"Markers","ax.scatter")
annotate(3.00,3.00,"Grid","ax.grid")
annotate(3.60,3.58,"Legend","ax.legend")
annotate(2.5,0.55,"Axes","fig.subplots")
annotate(4,4.5,"Figure","plt.figure")
annotate(0.65,0.01,"x Axis","ax.xaxis")
annotate(0,0.36,"y Axis","ax.yaxis")
annotate(4.0,0.7,"Spine","ax.spines")
# 给图形周围添加边框
fig.patch.set(linewidth=4,edgecolor='0.5')

# 保存图片
plt.savefig('P55图表的组成.png', dpi=600, transparent=True)
plt.show()

创建图形与子图

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

# 加载 iris 数据集
iris=load_iris()
data=iris.data
target=iris.target

# 提取数据
sepal_length=data[:,0]
petal_length=data[:,2]

# 创建图形和子图
fig,axs=plt.subplots(1,2,figsize=(10,5))	# 创建包含两个子图的图形
fig.suptitle('Sepal Length vs Petal Length',fontsize=16)		# 设置图形标题

# 第1个子图：线图
axs[0].plot(sepal_length,label='Sepal Length',color='blue',
             linestyle='-')				# 绘制线图
axs[0].plot(petal_length,label='Petal Length',color='green',
             linestyle='--')				# 绘制另一个线图
axs[0].set_xlabel('Sample')				# 设置x轴标签
axs[0].set_ylabel('Length')				# 设置y轴标签
axs[0].legend()							# 添加图例
axs[0].grid(True)						# 添加网格线

# 第2个子图：散点图
scatter=axs[1].scatter(sepal_length,petal_length,c=target,
						       cmap='viridis',label='Data Points')	# 绘制散点图
axs[1].set_xlabel('Sepal Length')		# 设置x轴标签
axs[1].set_ylabel('Petal Length')		# 设置y轴标签
axs[1].legend()							# 添加图例
axs[1].grid(True)						# 添加网格线
fig.colorbar(scatter,ax=axs[1],label='Species')				# 添加颜色条

plt.tight_layout()						# 自动调整子图布局

# 保存图片
plt.savefig('P58创建图形与子图.png', dpi=600, transparent=True)
plt.show()

创建子图1

# 安装和导入必要的库：
import matplotlib.pyplot as plt
import seaborn as sns				# seaborn 库内置了iris数据集

# 加载iris数据集并查看其结构
iris=sns.load_dataset('iris')
iris.head()							# 输出略
plt.figure(figsize=(10,6))			# 设置画布大小

# 第1个子图
plt.subplot(2,2,1)					# 2行2列的第1个
plt.hist(iris['sepal_length'],color='blue')
plt.title('Sepal Length')
# 第2个子图
plt.subplot(2,2,2)				# 2行2列的第2个
plt.hist(iris['sepal_width'],color='orange')
plt.title('Sepal Width')
# 第3个子图
plt.subplot(2,2,3)				# 2行2列的第3个
plt.hist(iris['petal_length'],color='green')
plt.title('Petal Length')
# 第4个子图
plt.subplot(2,2,4)				# 2行2列的第4个
plt.hist(iris['petal_width'],color='red')
plt.title('Petal Width')

plt.tight_layout()				# 自动调整子图间距

# 保存图片
plt.savefig('P60创建子图1.png', dpi=600, transparent=True)
plt.show()

创建子图2 

import matplotlib.pyplot as plt
import seaborn as sns

data=sns.load_dataset("iris")				# 加载内置的iris数据集

# 使用plt.subplots()创建一个2行3列的子图布局
fig,axs=plt.subplots(2,3,figsize=(15,8))

# 第1个子图：绘制sepal_length和sepal_width的散点图
axs[0,0].scatter(data['sepal_length'],data['sepal_width'])
axs[0,0].set_title('Sepal Length vs Sepal Width')

# 第2个子图：绘制petal_length和petal_width的散点图
axs[0,1].scatter(data['petal_length'],data['petal_width'])
axs[0,1].set_title('Petal Length vs Petal Width')

# 第3个子图：绘制sepal_length的直方图
axs[0,2].hist(data['sepal_length'],bins=20)
axs[0,2].set_title('Sepal Length Distribution')

# 4个子图：绘制petal_length的直方图
axs[1,0].hist(data['petal_length'],bins=20)
axs[1,0].set_title('Petal Length Distribution')

# 第5和第6位置合并为一个大图，展示species的计数条形图
# 为了合并第二行的中间和最右侧位置，使用subplot2grid功能
plt.subplot2grid((2,3),(1,1),colspan=2)
sns.countplot(x='species',data=data)
plt.title('Species Count')

plt.tight_layout()			# 调整子图之间的间距

# 保存图片
plt.savefig('P61创建子图2.png', dpi=600, transparent=True)
plt.show()

创建子图3

import matplotlib.pyplot as plt

fig = plt.figure(figsize=(8,4))		# 创建一个图形实例

# 添加第1个子图：1行2列的第1个位置
ax1=fig.add_subplot(1,2,1)
ax1.plot([1,2,3,4],[1,4,2,3])		# 绘制一条简单的折线图
ax1.set_title('First Subplot')

# 添加第2个子图：1行2列的第2个位置
ax2=fig.add_subplot(1,2,2)
ax2.bar([1,2,3,4],[10,20,15,25])	# 绘制一个条形图
ax2.set_title('Second Subplot')

# 显示图形
plt.tight_layout()					# 自动调整子图参数，使之填充整个图形区域

# 保存图片
plt.savefig('P63创建子图3.png', dpi=600, transparent=True)
plt.show()

创建子图4

import matplotlib.pyplot as plt
from sklearn.datasets import load_iris

# 载入鸢尾花数据集
iris=load_iris()
data=iris.data
target=iris.target
feature_names=iris.feature_names
target_names=iris.target_names

grid_size=(3,3)			# 定义网格大小为3x3

# 第1个子图占据位置 (0,0)
ax1=plt.subplot2grid(grid_size,(0,0),facecolor='orange')
ax1.scatter(data[:,0],data[:,1],c=target,cmap='viridis')
ax1.set_xlabel(feature_names[0])
ax1.set_ylabel(feature_names[1])

# 第2个子图占据位置(0,1)，并跨越2列
ax2=plt.subplot2grid(grid_size,(0,1),colspan=2,facecolor='pink')
ax2.scatter(data[:,1],data[:,2],c=target,cmap='viridis')
ax2.set_xlabel(feature_names[1])
ax2.set_ylabel(feature_names[2])

# 第3个子图占据位置(1,0)，并跨越2行
ax3=plt.subplot2grid(grid_size,(1,0),rowspan=2,facecolor='grey')
ax3.scatter(data[:,0],data[:,2],c=target,cmap='viridis')
ax3.set_xlabel(feature_names[0])
ax3.set_ylabel(feature_names[2])

# 第4个子图占据位置 (1,1)，并跨越到最后
ax4=plt.subplot2grid(grid_size,(1,1),colspan=2,
						     rowspan=2,facecolor='skyblue')
ax4.scatter(data[:,2],data[:,3],c=target,cmap='viridis')
ax4.set_xlabel(feature_names[2])
ax4.set_ylabel(feature_names[3])

plt.tight_layout()

# 保存图片
plt.savefig('P64创建子图4.png', dpi=600, transparent=True)
plt.show()

创建子图5

import matplotlib.pyplot as plt
import matplotlib.gridspec as gridspec
from sklearn.datasets import load_iris

# 载入Iris数据集
iris=load_iris()
data=iris.data
target=iris.target
feature_names=iris.feature_names
target_names=iris.target_names

# 创建一个2x2的子图网格
fig=plt.figure(figsize=(10,6))
gs=gridspec.GridSpec(2,2,height_ratios=[1,1],width_ratios=[1,1])

# 在网格中创建子图
ax1=plt.subplot(gs[0,0])
ax1.scatter(data[:,0],data[:,1],c=target,cmap='viridis')
ax1.set_xlabel(feature_names[0])
ax1.set_ylabel(feature_names[1])
ax1.set_title('Sepal Length vs Sepal Width')

ax2=plt.subplot(gs[0,1])
ax2.scatter(data[:,1],data[:,2],c=target,cmap='viridis')
ax2.set_xlabel(feature_names[1])
ax2.set_ylabel(feature_names[2])
ax2.set_title('Sepal Width vs Petal Length')

ax3=plt.subplot(gs[1,:])
ax3.scatter(data[:,2],data[:,3],c=target,cmap='viridis')
ax3.set_xlabel(feature_names[2])
ax3.set_ylabel(feature_names[3])
ax3.set_title('Petal Length vs Petal Width')

plt.tight_layout()				# 调整布局

# 保存图片
plt.savefig('P66创建子图5.png', dpi=600, transparent=True)
plt.show()

添加图表元素

import matplotlib.pyplot as plt
import numpy as np
from sklearn.datasets import load_iris

# 载入Iris数据集
iris=load_iris()
data=iris.data
target=iris.target
feature_names=iris.feature_names
target_names=iris.target_names

fig,ax=plt.subplots(figsize=(6,4))		# 创建图形和子图
# 绘制散点图
for i in range(len(target_names)):
    ax.scatter(data[target==i,0],data[target==i,1],label=target_names[i])
ax.set_title('Sepal Length vs Sepal Width',fontsize=16)	# 添加标题
ax.legend(fontsize=12)						# 添加图例
ax.grid(True,linestyle='--',alpha=0.5)	# 添加网格线

# 自定义坐标轴标签
ax.set_xlabel(feature_names[0],fontsize=14)
ax.set_ylabel(feature_names[1],fontsize=14)
# 设置坐标轴刻度标签大小
ax.tick_params(axis='both',which='major',labelsize=12)

plt.tight_layout()							# 调整图形边界

# 保存图片
plt.savefig('P68添加图表元素.png', dpi=600, transparent=True)
plt.show()

极坐标图1

import matplotlib.pyplot as plt
import numpy as np

# 创建一些示例数据
theta=np.linspace(0,2*np.pi,100)
r=np.abs(np.sin(theta))

plt.figure(figsize=(6,6))
ax=plt.subplot(111,projection='polar')			# 创建极坐标系图形
ax.plot(theta,r,color='blue',linewidth=2)		# 绘制极坐标系图形
ax.set_title('Polar Plot',fontsize=16)			# 添加标题

# 保存图片
plt.savefig('P70极坐标图1.png', dpi=600, transparent=True)
plt.show()

极坐标图2

import matplotlib.pyplot as plt
import numpy as np

#生成模拟的周期性数据
theta=np.linspace(0,2*np.pi,100)
r=10+5*np.sin(6*theta)

plt.figure(figsize=(6,6))
ax=plt.subplot(111,projection='polar')			# 创建极坐标系图形
ax.plot(theta,r,color='blue',linewidth=2)		# 绘制极坐标系图形
ax.set_title('Polar Plot',fontsize=16)			# 添加标题

# 保存图片
plt.savefig('P70极坐标图2.png', dpi=600, transparent=True)
plt.show()