matplotlib与数据可视化

8 matplotlib数据可视化

本教程参考连接：https://www.tutorialspoint.com/matplotlib/matplotlib_quick_guide.htm

matplotlib简介：

Matplotlib 是一个强大的 Python 绘图库，它提供了一个类似于 MATLAB 的绘图框架，使得用户可以轻松地创建高质量的图表和可视化效果。它包含了大量的绘图工具和自定义选项，支持多种图表类型，如折线图、散点图、柱状图、饼图等，并且可以进行复杂的布局和样式调整。Matplotlib 广泛用于数据科学、工程、科研和其他领域，因其灵活性和丰富的功能而受到数据分析师和科学家的青睐。此外，Matplotlib 还支持将图表保存为多种格式，如 PNG、PDF、SVG 等，非常适合在报告和演示中使用。

8.1 基础图表类型

柱状图（Bar）：适用于展示类别数据的数量或频率，用于对比不同类别之间的数值（如每月的销售额、各部门的员工数等）。

条形图（Barh）：与柱状图类似，但为水平排列，适合当类目名称较长时使用，便于对比长条形的类别（如城市、公司等）数据。

箱型图（Boxplot）：适合展示数据的分布情况，尤其适用于查看数据的中位数、四分位数、异常值等（如不同群体的测试分数、收入等）。

直方图（Hist）：适用于展示连续数据的分布，通过分组观察数据在数值范围上的集中情况（如年龄分布、身高体重等）。

二维直方图（hist2d）：适合显示两个变量的联合分布，用于探索两个变量之间的关系及其分布特征（如投影位置和颜色值分布）。

饼图（Pie）：适合展示一个数据集中各个部分的比例关系（如市场份额、产品销售占比），但仅限于少量类别数据。

绘制直线或标记（Plot lines and/or markers to the Axes）：适用于展示趋势或简单关系，可以标记和绘制单个或多个数据集的趋势（如时间序列数据、函数曲线等）。

极地图（Polar）：适用于极坐标数据的展示，适合展现方向性数据或周期性数据（如风速和方向、周期性事件等）。

散点图（Scatter）：适合展示两个变量之间的关系或分布情况，可用于探索是否存在关联（如年龄和收入、体重和身高等）。

堆积折线图（Stackplot）：适合展示累积数据的变化，用于显示数据随时间的积累变化情况（如多个公司合并的市场份额变化、费用累计变化）。

离散序列图（Stem）：适合展示离散点的数据，一般用于强调个别数据点的变化（如信号处理中的脉冲信号、采样点的展示）。

阶梯图（Step）：适用于表示状态的变化或分段变化的数据（如电价随时间变化、库存状态等），特别是数据分段变化时使用。

向量图（Quiver）：适合展示方向和幅值，用于展示带有方向和大小的矢量数据（如风速、海流、力的方向等）。

#解决kaggle中文显示乱码
import matplotlib.pyplot as plt
import matplotlib.font_manager as font_manager

# Path to the custom font
font_path = '/kaggle/input/chinese-font/NotoSansSC-VariableFont_wght.ttf'

# Add the custom font to the font manager
font_manager.fontManager.addfont(font_path)

# After adding the font, search for it by filename to get the correct font name
for font in font_manager.fontManager.ttflist:
    if font.fname == font_path:
        print(f"Found font: {font.name}")
        plt.rcParams['font.family'] = font.name
        break

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
plt.rcParams['font.family'] = 'SimHei'  # 替换为你选择的字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题

# 创建演示使用的数据
x = np.linspace(0, 10, 100)
y = np.sin(x)
categories = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
theta = np.linspace(0, 2 * np.pi, 100)

# 创建图表和子图
fig, axs = plt.subplots(5, 3, figsize=(15, 20))
fig.tight_layout(pad=4.0)

# 柱状图
axs[0, 0].bar(categories, sizes)
axs[0, 0].set_title("柱状图")

# 条形图
axs[0, 1].barh(categories, sizes)
axs[0, 1].set_title("条形图")

# 箱型图
axs[0, 2].boxplot([np.random.normal(size=100) for _ in range(4)], labels=categories)
axs[0, 2].set_title("箱型图")

# 直方图
axs[1, 0].hist(np.random.normal(size=100), bins=10)
axs[1, 0].set_title("直方图")

# 二维直方图
axs[1, 1].hist2d(np.random.randn(1000), np.random.randn(1000), bins=30)
axs[1, 1].set_title("二维直方图")

# 饼图
axs[1, 2].pie(sizes, labels=categories, autopct='%1.1f%%')
axs[1, 2].set_title("饼图")

# 绘制直线或标记
axs[2, 0].plot(x, y)
axs[2, 0].set_title("绘制直线或标记")

# 极地图
polar_ax = fig.add_subplot(5, 3, 8, projection='polar')
polar_ax.plot(theta, np.abs(np.sin(theta)))
polar_ax.set_title("极地图")

# 散点图
axs[2, 2].scatter(x, y)
axs[2, 2].set_title("散点图")

# 堆积折线图
axs[3, 0].stackplot(x, np.abs(y), np.abs(np.cos(x)))
axs[3, 0].set_title("堆积折线图")

# 离散序列图
axs[3, 1].stem(x, np.cos(x), linefmt='b-', markerfmt='bo', basefmt=" ")
axs[3, 1].set_title("离散序列图")

# 阶梯图
axs[3, 2].step(x, y, where='mid')
axs[3, 2].set_title("阶梯图")

# 向量图
Y, X = np.meshgrid(np.arange(-5, 6), np.arange(-5, 6))
U = -1 - X**2 + Y
V = 1 + X - Y**2
axs[4, 0].quiver(X, Y, U, V)
axs[4, 0].set_title("向量图")

axs[4, 1].remove()
axs[4, 2].remove()

plt.show()

基于函数的方法

8.2 绘制简单图表

为了掌握如何使用matplotlib来绘制图表，我们首先来绘制一个展示“弧度与正弦值关系”的线图。

首先，我们导入Matplotlib包中的Pyplot模块，并按照习惯将它简称为plt。

import matplotlib.pyplot as plt

同样，我们导入NumPy，并将它简称为np。

import numpy as np

notebook中的魔法语句，在笔记本中直接显示图片，而不是在新窗口中打开，这个语句在其他Python编程环境中无效

%matplotlib inline

我们使用NumPy库中的arange()函数，获取了一个介于0到2π之间的角度数组对象，间隔为0.05。

x = np.arange(0, np.pi*2, 0.05)
#x

y的值为x值的正弦值

y = np.sin(x)
#y

使用plot()函数绘制x，y的值

plt.plot(x,y)

设置图表的标题，x轴和y轴的标签

plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')

显示图表

plt.show()

完整的代码如下：

from matplotlib import pyplot as plt
import numpy as np

%matplotlib inline
x = np.arange(0, np.pi*2, 0.05)
y = np.sin(x)
plt.plot(x,y)
plt.xlabel("angle")
plt.ylabel("sine")
plt.title('sine wave')
plt.show()

8.3 绘制多个子图表

想要在一个画布上绘制多个子图表，我们可以使用subplot()函数。 subplot() 函数用于在单个画布上创建多个子图的函数，它允许你指定子图的行数（nrows）、列数（ncols）以及子图在网格中的位置（index），从而在画布上安排多个图表区域，每个区域可以独立绘制不同的数据。 例如我们想绘制2行1列，共2个子图表，可以传入参数“行=2”，“列=1”，以及要绘制的子图表的索引“index=n”，子图表的索引为1到2，共2个子图表，代码如下：

import matplotlib.pyplot as plt
#参数211分别表示，2行，1列，索引1
#创建2行，1列，共2个子图，当前绘制第1个子图
plt.subplot(211)
plt.plot(range(12))
#参数212表示，当前绘制第2个子图
plt.subplot(212, facecolor='y') # 创建第2个子图，以黄色为背景色
plt.plot(range(12))
plt.show()

8.4 在图表中插入子图表

plt.axes()函数用于在当前图形中创建一个新的子图对象（Axes），允许用户在指定的位置添加子图，提供了灵活的布局控制和绘图功能。

import matplotlib.pyplot as plt
# 绘制折线，等效于使用subplot(111)，创建1个只有1个子图的画布
plt.plot([1,2,3],[1,4,9])
# 使用axes()函数，在2行2列布局的画布的第1个位置绘制子图
plt.axes(221)
plt.plot(range(12))
plt.show()

面向对象的方法 推荐使用

8.5 matplotlib的面向对象接口

尽管使用matplotlib.pyplot模块可以轻松快速地生成图表，但推荐采用面向对象的方法，因为它能提供更多的控制和定制化选项。 采用更规范的面向对象方法的主要理念是创建图形对象，然后通过这些对象调用方法或访问属性。这种方法在处理包含多个图表的画布时更为有效。 首先，先创建画布对象。

#创建空白画布
fig = plt.figure()

使用add_axes()方法，向画布中添加一个子图表。 add_axes()方法需要一个包含4个元素的列表参数，分别对应于图形的左、下、宽和高。这些值是相对于图形窗口的比例，范围从0到1。

#添加子图表，并命名为：ax
#[0, 0, 1, 1] 是一个列表，指定了子图表对象在图形窗口中的位置和大小
#即从左边，底部开始，覆盖整个窗口（宽带和高度为1，即100%）
ax = fig.add_axes([0,0,1,1])

设置x轴标签，y轴标签，和图表标题

#设置图表标题
ax.set_title("sine wave")
#设置x轴标签
ax.set_xlabel('angle')
#设置y轴标签
ax.set_ylabel('sine')

调用子图表对象（axes object）的plot()方法，绘制图形

ax.plot(x,y)

完整代码如下：

from matplotlib import pyplot as plt
import numpy as np

%matplotlib inline
x = np.arange(0, np.pi*2, 0.05)
y = np.sin(x)
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.plot(x,y)
ax.set_title("sine wave")
ax.set_xlabel('angle')
ax.set_ylabel('sine')
plt.show()

8.6 图表对象（Figure Class）

matplotlib.figure 模块包含了 Figure 类。它是所有图表元素的顶级容器。通过从 pyplot 模块调用 figure() 函数来实例化 Figure 对象。

#通过调用plt.figure()方法，实例化Figure对象
fig = plt.figure()

图表对象（Figure Class）的参数：

属性	名称	描述
Figsize	图表尺寸	以元组作为参数，单位为英寸
Dpi	分辨率	每英寸多少像素点
Facecolor	背景颜色	设置窗口背景颜色
Edgecolor	轮廓颜色	控制图形元素轮廓的颜色
Linewidth	线宽	设置线条宽度

8.7 子图表对象（Axes Class）

子图对象（Axes Class）是图像中具有数据空间的区域。一个给定的图形（Figure Class）可以包含多个子图对象。子图对象包含两个（或者在三维情况下是三个）轴对象（Axis objects）。子图类（Axes Class）及其成员函数是使用面向对象接口工作的主要入口。 子图对象是通过调用 add_axes() 方法添加到图形中的。它返回子图对象，并在位置 rect [左，下，宽，高] 处添加一个子图，其中所有量都是相对于图形宽度和高度的比例。

使用fig.add_axes()方法将子图对象添加到图表中：

ax = fig.add_axes([0,0,1,1])

8.7.1 图例（legend()）

使用legend()方法将图例绘制到图表中

ax.legend(handles, labels, loc)

图例的位置

图例的位置字符串	图例的位置代码
Best	0
upper right	1
upper left	2
lower left	3
lower right	4
Right	5
Center left	6
Center right	7
lower center	8
upper center	9
Center	10

8.7.2 子图对象的axes.plot()方法

子图对象的基本方法，用于将一个数组的值与另一个数组的值作为线或标记进行绘制。plot() 方法可以有一个可选的格式字符串参数，用于指定线和标记的颜色、样式和大小。

绘制颜色（Color）：

字符表示	颜色
‘b’	Blue
‘g’	Green
‘r’	Red
‘b’	Blue
‘c’	Cyan
‘m’	Magenta
‘y’	Yellow
‘k’	Black
‘b’	Blue
‘w’	White

绘制点的形状（Marker codes）：

字符表示	描述
‘.’	点
‘o’	圆形
‘x’	X型
‘D’	钻石型
‘H’	六边形
‘s’	正方形
‘+’	加号型

线段类型（Line styles）：

Character	Description
’-‘	实线
‘–’	虚线
‘-.’	点划线
‘:’	点线

#可以根据需求，查表替换自己想要绘制的颜色（Color）、点的形状（Marker codes）、线段类型（Line styles）
import matplotlib.pyplot as plt
x1 = [1, 16, 30, 42,55, 68, 77,88]
x2 = [1,6,12,18,28, 40, 52, 65]
y = [1, 4, 9, 16, 25,36,49, 64]
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
l1 = ax.plot(x1,y,'yH-') # 以黄色、方点、实线进行绘制
l2 = ax.plot(x2,y,'go--') # 以绿色、圆点、虚线进行绘制
ax.legend(labels = ('tv', 'Smartphone'), loc = 'lower right') # 图例的位置在右下方
ax.set_title("Advertisement effect on sales")
ax.set_xlabel('medium')
ax.set_ylabel('sales')
plt.show()

8.8 使用面向对象的方法绘制多个子图表

图形类（figure）的 add_subplot() 函数不会覆盖现有的图表：

import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.plot([1,2,3])
ax2 = fig.add_subplot(221, facecolor='y')
ax2.plot([1,2,3])

可以在图表画布中插入其他子图表：

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, np.pi*2, 0.05)
fig = plt.figure()
axes1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # 主图表
axes2 = fig.add_axes([0.55, 0.55, 0.3, 0.3]) # 插入子图表
y = np.sin(x)
axes1.plot(x, y, 'b')
axes2.plot(x,np.cos(x),'r')
axes1.set_title('sine')
axes2.set_title("cosine")
plt.show()

8.9 使用 subplots() 方法可以方便地绘制包含多个子图的图表

subplots()方法可以同时创建画布对象和子图对象（多个）：

#创建画布对象和”行X列“个子图对象
plt.subplots(行数, 列数)

这个方法的两个整数参数指定了子图网格的行数和列数。该函数返回一个画布对象和一个包含子图对象的元组，等于 nrows*ncols。每个轴子图象都可以通过其索引访问。在这里，我们创建了一个2行2列的4个子图，并在图表中显示4个不同的子图。

import matplotlib.pyplot as plt
import numpy as np

#创建画布对象fig，2行*2列共4个子图元组a
#a元组包含4个子图（2行2列），可以使用索引访问
fig,a =  plt.subplots(2,2)
x = np.arange(1,5)
#a[0][0]为第1行第1列的子图（从0开始计数）
a[0][0].plot(x,x*x)
a[0][0].set_title('square')
#a[0][1]为第1行第2列的子图（从0开始计数）
a[0][1].plot(x,np.sqrt(x))
a[0][1].set_title('square root')
#a[1][0]为第2行第1列的子图（从0开始计数）
a[1][0].plot(x,np.exp(x))
a[1][0].set_title('exp')
#a[1][1]为第2行第2列的子图（从0开始计数）
a[1][1].plot(x,np.log10(x))
a[1][1].set_title('log')
plt.show()

图表中的元素：

8.10 网格

子图对象的 grid() 函数用于设置图形内部网格的可见性，可以开启或关闭。 您还可以显示网格的主要/次要（或两者）刻度。此外，还可以在 grid() 函数中设置颜色、线型和线宽属性。

import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(1,3, figsize = (12,4))
x = np.arange(1,11)
axes[0].plot(x, x**3, 'g',lw=2)
axes[0].grid(True)
axes[0].set_title('默认网格')
axes[1].plot(x, np.exp(x), 'r')
axes[1].grid(color='b', ls = '-.', lw = 0.25)
axes[1].set_title('定制网格')
axes[2].plot(x,x)
axes[2].set_title('无网格')
fig.tight_layout()
plt.show()

8.11 比例尺

有时，一个数据点比大部分数据要大得多。在这种情况下，需要将轴的比例尺设置为对数比例尺，而不是正常的比例尺。这就是对数比例尺。在 Matplotlib 中，可以通过将轴对象的 xscale 或 yscale 属性设置为 ‘log’ 来实现。 有时还需要修改轴刻度和轴标签之间的距离。可以为任一轴（x轴或y轴或两者）设置 labelpad 属性为所需的值。 以下示例展示了上述两个功能。右侧的子图使用了对数比例尺，左侧的子图的x轴标签距离更远。

import matplotlib.pyplot as plt
import numpy as np


fig, axes = plt.subplots(1, 2, figsize=(10,4))
x = np.arange(1,5)
axes[0].plot( x, np.exp(x))
axes[0].plot(x,x**2)
axes[0].set_title("Normal scale")
axes[1].plot (x, np.exp(x))
axes[1].plot(x, x**2)
axes[1].set_yscale("log")
axes[1].set_title("Logarithmic scale (y)")
axes[0].set_xlabel("x axis")
axes[0].set_ylabel("y axis")
#设置x轴标签与轴刻度之间的距离，单位是点（point）
axes[0].xaxis.labelpad = 10
axes[1].set_xlabel("x axis")
axes[1].set_ylabel("y axis")
plt.show()

8.12 限制x轴或y轴在图表中显示的最小值和最大值

Matplotlib 会自动确定要在图表的x轴、y轴上显示的变量的最小值和最大值。然而，可以通过使用 set_xlim() 和 set_ylim() 函数显式地设置这些限制。

在下面的图表中，显示了x轴和y轴的自动缩放限制。

import matplotlib.pyplot as plt
import numpy as np


fig, a = plt.subplots(1, 2, figsize=(10,4))
x = np.arange(1,10)
a[0].plot(x, np.exp(x))
a[0].set_title('exp')

a[1].plot(x, np.exp(x),'r')
a[1].set_title('exp')
#限制y轴的范围（0,1000）
a[1].set_ylim(0,1000)
#限制x轴的范围（0,10）
a[1].set_xlim(0,10)
plt.show()

8.13 设置刻度和刻度标签

Matplotlib 自动处理了在轴上的刻度。Matplotlib 的默认刻度定位器和格式化器通常在许多常见情况下是足够的。不过，你可以根据特定需求明确指定刻度的位置和标签。

xticks() 和 yticks() 函数接受一个列表对象作为参数，列表中的元素表示在相应轴上显示刻度的位置。

#将刻度设置为2,4,6,8,10
ax.set_xticks([2,4,6,8,10])

#将刻度标签设置为‘two’, ‘four’,’six’, ‘eight’, ‘ten’
ax.set_xlabels([‘two’, ‘four’,’six’, ‘eight’, ‘ten’])

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(0, np.pi*2, 0.05)
fig = plt.figure()
ax = fig.add_axes([0.1, 0.1, 0.8, 0.8]) # main axes
y = np.sin(x)
ax.plot(x, y)
ax.set_xlabel('angle')
ax.set_title('sine')
ax.set_xticks([0,2,4,6])
ax.set_xticklabels(['zero','two','four','six'])
ax.set_yticks([-1,0,1])
plt.show()

8.14 双轴图表

有时我们需要在同一个图表中设置两个x轴或y轴，尤其是在需要绘制具有不同单位的曲线时。Matplotlib 提供了 twinx 和 twiny 函数来实现这一功能。

以下示例展示了一个具有两个y轴的图表，其中一个y轴显示 exp(x)，另一个显示 log(x)。

import matplotlib.pyplot as plt
import numpy as np

fig = plt.figure()
a1 = fig.add_axes([0,0,1,1])
x = np.arange(1,11)
a1.plot(x,np.exp(x))
a1.set_ylabel('exp')
#共享相同的x轴，但拥有独立的y轴
a2 = a1.twinx()
a2.plot(x, np.log(x),'ro-')
a2.set_ylabel('log')
fig.legend(labels = ('exp','log'),loc='upper left')
plt.show()

8.15 常用图表绘制

8.15.1 柱状图

排列柱状图是一种有效的数据可视化方法，它通过将不同数据系列用不同颜色、大小和位置的条形组合起来，帮助观察者快速识别出数据之间的差异、趋势和关系。这种图表的设计灵活，可以根据数据的特点选择合适的柱形的厚度、颜色和排列方式，以便更好地展示数据的信息。

import numpy as np
import matplotlib.pyplot as plt

data = [[30, 25, 50, 20],
[40, 23, 51, 17],
[35, 22, 45, 19]]
X = np.arange(4)
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
ax.bar(X + 0.00, data[0], color = '#1f77b4', width = 0.25)
#x轴每次偏移的距离为柱状图的宽度
ax.bar(X + 0.25, data[1], color = '#ff7f0e', width = 0.25)
ax.bar(X + 0.50, data[2], color = '#2ca02c', width = 0.25)
ax.legend(labels = ('C语言','Python','JavaScript'),loc = 0)
plt.show()

8.15.2 折线图

折线图是一种常用的数据可视化方法，通过连接连续数据点来展示不同时间或维度上的数据趋势和变化。它能够清晰地显示数据的上下波动、增长和缩小等特征，使观察者能够快速了解数据之间的关系和规律。

import matplotlib.pyplot as plt

# 准备数据
epochs = range(1, 11)  # X轴数据：训练的epoch，从1到10
loss_values = [0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.25, 0.2, 0.15]  # Y轴数据：对应的loss值

# 使用plot()函数绘制折线图
plt.plot(epochs, loss_values, marker='o', linestyle='-', color='b')  # 蓝色的线条和圆圈标记

# 添加标题和标签
plt.title('Loss vs. Training Epochs')  # 图表标题
plt.xlabel('Epochs')  # X轴标签
plt.ylabel('Loss')  # Y轴标签

# 添加图例
plt.legend(['Loss'])

# 显示网格（可选）
plt.grid(True)

# 显示图表
plt.show()

8.15.3 直方图

直方图是一种统计图表，用于展示数据分布的情况，它将数据分组到连续的、不重叠的区间（或“箱子”）内，并以条形的高度表示每个区间内数据出现的频率或数量。这种图表特别适合用来观察数据的分布形状、集中趋势和离散程度，如数据是否对称、是否呈现正态分布或者是否有异常值。直方图的X轴表示数据的区间，而Y轴表示每个区间的频数或百分比，条形的长度和高度直观地反映了数据在各个区间的分布情况。

import matplotlib.pyplot as plt
import numpy as np

# 假设我们有 1000 个连接输入层和隐藏层的权重
# 这里生成的权重符合正态分布 (均值=0, 标准差=0.1)，也可以根据实际数据来替换
weights = np.random.normal(0, 0.1, 1000)

# 绘制权重值分布的直方图
plt.figure(figsize=(8, 6))
plt.hist(weights, bins=30, color='skyblue', edgecolor='black')
plt.title("Distribution of Weights between Input Layer and Hidden Layer")
plt.xlabel("Weight Values")
plt.ylabel("Frequency")
plt.grid(axis='y', linestyle='--', alpha=0.7)

# 显示图表
plt.show()

8.16 练习

练习1：绘制一周内每日平均温度变化的折线图 演示数据： 一周内每天的日期 days = [‘Monday’, ‘Tuesday’, ‘Wednesday’, ‘Thursday’, ‘Friday’, ‘Saturday’, ‘Sunday’] 每天的平均温度（摄氏度） temperatures = [22, 24, 19, 23, 25, 27, 26]

import matplotlib.pyplot as plt

# 准备数据
days = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
temperatures = [22, 24, 19, 23, 25, 27, 26]

# 绘制折线图
plt.plot(days, temperatures, marker='o')  # marker='o'表示用圆圈标记数据点

# 添加标题和标签
plt.title('Daily Temperature Variation')  # 图表标题
plt.xlabel('Day of the Week')  # X轴标签
plt.ylabel('Temperature (°C)')  # Y轴标签

# 显示网格（可选）
plt.grid(True)

# 显示图表
plt.show()

练习2：绘制一组随机数据的直方图 演示数据： 使用random模块随机生成 product_lifetimes = [random.randint(1000, 5000) for _ in range(100)]

import matplotlib.pyplot as plt
import random

# 准备数据
product_lifetimes = [random.randint(1000, 5000) for _ in range(100)]

# 绘制直方图
plt.hist(product_lifetimes, bins=20, color='skyblue', edgecolor='black')

# 添加标题和标签
plt.title('Product Lifetimes Distribution')  # 图表标题
plt.xlabel('Lifetime (hours)')  # X轴标签
plt.ylabel('Frequency')  # Y轴标签

# 显示图表
plt.show()

练习3：绘制广西电商市场概况，零售额及零售量的折线图 演示数据： Excel文件路径：/kaggle/input/overview-of-e-commerce-market-in-guangxi/Overview of Rural E-commerce Market in Guangxi202001-202307.xlsx

import matplotlib.pyplot as plt
import pandas as pd
from matplotlib.dates import DateFormatter


df = pd.read_excel('/kaggle/input/overview-of-e-commerce-market-in-guangxi/Overview of Rural E-commerce Market in Guangxi202001-202307.xlsx')
df.head(10)

# 将 Excel 序列号转换为日期
df['时间'] = pd.to_datetime(df['时间'], origin='1899-12-30', unit='D')
df.set_index('时间', inplace=True)

# 创建主图表
fig, ax1 = plt.subplots(figsize=(10, 6))

# 绘制零售额的折线图
ax1.plot(df.index, df['零售额（万元）'], label='零售额（万元）', color='blue', marker='o')
ax1.set_xlabel('时间')
ax1.set_ylabel('零售额（万元）', color='blue')
ax1.tick_params(axis='y', labelcolor='blue')

# 创建共享 x 轴的第二个 Y 轴
ax2 = ax1.twinx()
ax2.plot(df.index, df['零售量（万件）'], label='零售量（万件）', color='green', marker='s')
ax2.set_ylabel('零售量（万件）', color='green')
ax2.tick_params(axis='y', labelcolor='green')

# 格式化 x 轴的时间显示
date_form = DateFormatter("%Y-%m")
ax1.xaxis.set_major_formatter(date_form)

# 添加标题和网格
fig.suptitle('零售额和零售量随时间变化')
plt.grid(axis='y', linestyle='--', alpha=0.7)

# 显示图表
plt.show()

练习4：绘制不同城市，店铺销售额叠加柱状图，选取时间为2020年1月 演示数据： Excel文件路径：/kaggle/input/overview-of-e-commerce-market-in-guangxi/Transaction Scale of Rural Online Retail Stores in Guangxi202001-202307.xlsx

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_excel('/kaggle/input/overview-of-e-commerce-market-in-guangxi/Transaction Scale of Rural Online Retail Stores in Guangxi202001-202307.xlsx')
df['时间'] = pd.to_datetime(df['时间'], origin='1899-12-30', unit='D')

#绘制2020年1月份的数据
df = df.loc[df['时间'] == '2020-01-01']
df.head(10)

# 设置城市为索引
df.set_index('城市', inplace=True)

# 提取各个销售额区间的店铺数量
sales_ranges = [
    '销售额0-2万店铺数量',
    '销售额2万-5万店铺数量',
    '销售额5万-10万店铺数量',
    '销售额10万-100万店铺数量',
    '销售额100万以上店铺数量'
]

# 绘制叠加柱状图
df[sales_ranges].plot(kind='bar', stacked=True, figsize=(10, 6))

# 添加标题和轴标签
plt.title('不同城市的销售额分布')
plt.xlabel('城市')
plt.ylabel('店铺数量')

# 显示图例
plt.legend(title='销售额区间')
plt.show()

 

 

notebook链接：https://www.kaggle.com/code/jeanshendev/matplotlib

下载本节的示例代码及文件：matplotlib.ipynb