文/木木 图片来源于网络
导语
Seaborn和Matplotlib是Python最强大的两个可视化库。Seaborn其默认主题让人惊讶，而Matplotlib可以通过其多个分类为用户打造专属功能。
0 1 导入包
1import matplotlib.pyplot as plt #导入绘图包2import numpy as np #导入numpy3import pandas as pd #导入pandas
0 2 参数介绍
Figure：面板(图)，matplotlib中的所有图像都是位于figure对象中，一个图像只能有一个figure对象。
Subplot：子图，figure对象下创建一个或多个subplot对象(即axes)用于绘制图像。
font: 字体集（font family）、字体大小和样式设置
line: 设置线条（颜色、线型、宽度等）和标记。
xticks和yticks: 为x,y轴的主刻度和次刻度设置颜色、大小、方向，以及标签大小。
0 3 点图、线图为例
1#使用numpy产生数据
2x=np.arange(-5,5,0.1)
3y=x*3
4
5#创建窗口、子图
6#方法1：先创建窗口，再创建子图。（一定绘制）
7fig = plt.figure(num=1, figsize=(15, 8),dpi=80) #开启一个窗口，同时设置大小，分辨率
8ax1 = fig.add_subplot(2,1,1) #通过fig添加子图，参数：行数，列数，第几个。
9ax2 = fig.add_subplot(2,1,2) #通过fig添加子图，参数：行数，列数，第几个。
10print(fig,ax1,ax2)
11#方法2：一次性创建窗口和多个子图。（空白不绘制）
12fig,axarr = plt.subplots(4,1) #开一个新窗口，并添加4个子图，返回子图数组
13ax1 = axarr[0] #通过子图数组获取一个子图
14print(fig,ax1)
15#方法3：一次性创建窗口和一个子图。（空白不绘制）
16ax1 = plt.subplot(1,1,1,facecolor='white') #开一个新窗口，创建1个子图。facecolor设置背景颜色
17print(ax1)
18#获取对窗口的引用，适用于上面三种方法
19# fig = plt.gcf() #获得当前figure
20# fig=ax1.figure #获得指定子图所属窗口
21
22# fig.subplots\_adjust(left=0) #设置窗口左内边距为0，即左边留白为0。
23
24#设置子图的基本元素
25ax1.set_title('python-drawing') #设置图体，plt.title
26ax1.set_xlabel('x-name') #设置x轴名称,plt.xlabel
27ax1.set_ylabel('y-name') #设置y轴名称,plt.ylabel
28plt.axis([-6,6,-10,10]) #设置横纵坐标轴范围，这个在子图中被分解为下面两个函数
29ax1.set_xlim(-5,5) #设置横轴范围，会覆盖上面的横坐标,plt.xlim
30ax1.set_ylim(-10,10) #设置纵轴范围，会覆盖上面的纵坐标,plt.ylim
31
32xmajorLocator = MultipleLocator(2) #定义横向主刻度标签的刻度差为2的倍数。就是隔几个刻度才显示一个标签文本
33ymajorLocator = MultipleLocator(3) #定义纵向主刻度标签的刻度差为3的倍数。就是隔几个刻度才显示一个标签文本
34
35ax1.xaxis.set_major_locator(xmajorLocator) #x轴 应用定义的横向主刻度格式。如果不应用将采用默认刻度格式
36ax1.yaxis.set_major_locator(ymajorLocator) #y轴 应用定义的纵向主刻度格式。如果不应用将采用默认刻度格式
37
38ax1.xaxis.grid(True, which='major') #x坐标轴的网格使用定义的主刻度格式
39ax1.yaxis.grid(True, which='major') #x坐标轴的网格使用定义的主刻度格式
40
41ax1.set_xticks([]) #去除坐标轴刻度
42ax1.set_xticks((-5,-3,-1,1,3,5)) #设置坐标轴刻度
43ax1.set_xticklabels(labels=['x1','x2','x3','x4','x5'],rotation=-30,fontsize='small') #设置刻度的显示文本，rotation旋转角度，fontsize字体大小
44
45plot1=ax1.plot(x,y,marker='o',color='g',label='legend1') #点图：marker图标
46plot2=ax1.plot(x,y,linestyle='--',alpha=0.5,color='r',label='legend2') #线图：linestyle线性，alpha透明度，color颜色，label图例文本
47
48ax1.legend(loc='upper left') #显示图例,plt.legend()
49ax1.text(2.8, 7, r'y=3*x') #指定位置显示文字,plt.text()
50ax1.annotate('important point', xy=(2, 6), xytext=(3, 1.5), #添加标注，参数：注释文本、指向点、文字位置、箭头属性
51 arrowprops=dict(facecolor='black', shrink=0.05),
52 )
53#显示网格。which参数的值为major(只绘制大刻度)、minor(只绘制小刻度)、both，默认值为major。axis为'x','y','both'
54ax1.grid(b=True,which='major',axis='both',alpha= 0.5,color='skyblue',linestyle='--',linewidth=2)
55
56axes1 = plt.axes([.2, .3, .1, .1], facecolor='y') #在当前窗口添加一个子图，rect=[左, 下, 宽, 高]，是使用的绝对布局，不和以存在窗口挤占空间
57axes1.plot(x,y) #在子图上画图
58plt.savefig('aa.jpg',dpi=400,bbox_inches='tight') #savefig保存图片，dpi分辨率，bbox\_inches子图周边白色空间的大小
59plt.show() #打开窗口，对于方法1创建在窗口一定绘制，对于方法2方法3创建的窗口，若坐标系全部空白，则不绘制
0 4 一个窗口多个图
1#一个窗口，多个图，多条数据
2sub1=plt.subplot(211,facecolor=(0.1843,0.3098,0.3098)) #将窗口分成2行1列，在第1个作图，并设置背景色
3sub2=plt.subplot(212) #将窗口分成2行1列，在第2个作图
4sub1.plot(x,y) #绘制子图
5sub2.plot(x,y) #绘制子图
6
7axes1 = plt.axes([.2, .3, .1, .1], facecolor='y') #添加一个子坐标系，rect=[左, 下, 宽, 高]
8plt.plot(x,y) #绘制子坐标系，
9axes2 = plt.axes([0.7, .2, .1, .1], facecolor='y') #添加一个子坐标系，rect=[左, 下, 宽, 高]
10plt.plot(x,y)
11plt.show()
0 5 柱形图
1plt.figure(3)
2x_index = np.arange(5) #柱的索引
3x_data = ('A', 'B', 'C', 'D', 'E')
4y1_data = (20, 35, 30, 35, 27)
5y2_data = (25, 32, 34, 20, 25)
6bar_width = 0.35 #定义一个数字代表每个独立柱的宽度
7
8rects1 = plt.bar(x_index, y1_data, width=bar_width,alpha=0.4, color='b',label='legend1') #参数：左偏移、高度、柱宽、透明度、颜色、图例
9rects2 = plt.bar(x_index + bar_width, y2_data, width=bar_width,alpha=0.5,color='r',label='legend2') #参数：左偏移、高度、柱宽、透明度、颜色、图例
10#关于左偏移，不用关心每根柱的中心不中心，因为只要把刻度线设置在柱的中间就可以了
11plt.xticks(x_index + bar_width/2, x_data) #x轴刻度线
12plt.legend() #显示图例
13plt.tight_layout() #自动控制图像外部边缘，此方法不能够很好的控制图像间的间隔
14plt.show()
0 6 直方图
1fig,(ax0,ax1) = plt.subplots(nrows=2,figsize=(9,6)) #在窗口上添加2个子图
2sigma = 1 #标准差
3mean = 0 #均值
4x=mean+sigma*np.random.randn(10000) #正态分布随机数
5ax0.hist(x,bins=40,normed=False,histtype='bar',facecolor='yellowgreen',alpha=0.75) #normed是否归一化，histtype直方图类型，facecolor颜色，alpha透明度
6ax1.hist(x,bins=20,normed=1,histtype='bar',facecolor='pink',alpha=0.75,cumulative=True,rwidth=0.8) #bins柱子的个数,cumulative是否计算累加分布，rwidth柱子宽度
7plt.show() #所有窗口运行
0 7 散点图
1fig = plt.figure(4) #添加一个窗口
2ax =fig.add_subplot(1,1,1) #在窗口上添加一个子图
3x=np.random.random(100) #产生随机数组
4y=np.random.random(100) #产生随机数组
5ax.scatter(x,y,s=x*1000,c='y',marker=(5,1),alpha=0.5,lw=2,facecolors='none') #x横坐标，y纵坐标，s图像大小，c颜色，marker图片，lw图像边框宽度
6plt.show() #所有窗口运行
0 8 导入Seaborn
1import seaborn as sns
0 9 直方图barplot
1x = np.arange(8)
2y = np.array([1,5,3,6,2,4,5,6])
3df = pd.DataFrame({"x-axis": x,"y-axis": y})
4sns.barplot("x-axis","y-axis",palette="RdBu\_r",data=df)
5plt.xticks(rotation=90)
6plt.show()
0 10 相关热力图
以tips数据为例：
1# 相关性热力图
2sns.heatmap(tips.corr())
#看图说话：热力图可用来显示两变量之间的相关性，在这里两变量间对应的矩形框的颜色越浅，代表两者之间越具有相关性
0 11 核密度估计图
1#kde plot图
2sns.kdeplot(tips['total\_bill'], shade=True)
0 12 总结
相信介绍到这里，大家对Matplotlib和Seaborn常用图形有充分的了解了，下面通过一些案例去实践可视化操作吧！我也会在后续实战中带来更多的应用。
阿里云2020上云开工采购季来临，
服务器价格比双十一还低！
▼ 长按扫描下方二维码 ▼
爆款产品低至1 折 ，
服务器最低仅74元/年 ！
消费满额可领现金红包 ，
下单抽 iPhone 11 Pro ，
新老用户同享优惠！
↓ ↓ 长 按 扫 码 进 入 活 动 ↓ ↓
【Python中文社区专属优惠码】
指定特惠服务器每人限购1台
▼ 点击阅读原文 ，即享阿里云产品
1折优惠