Python数据可视化之Matplotlib实现各种图表 (2)

3、饼图
饼图主要是用来表示数据的占比，给人一眼就可以看出数据的占比大小。饼图使用pie()函数绘制。

import matplotlib.pyplot as plt # 设置绘图的主题风格（不妨使用R中的ggplot分隔） plt.style.use('ggplot') # 构造数据 edu = [0.2515,0.3724,0.3336,0.0368,0.0057] labels = ['苹果','香蕉','梨','猕猴桃','桔子'] explode = [0,0.1,0,0,0] # 用于突出显示大专学历人群 colors=['#FEB748','#EDD25D','#FE4F54','#51B4FF','#dd5555'] # 自定义颜色 # 中文乱码和坐标轴负号的处理 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 将横、纵坐标轴标准化处理，保证饼图是一个正圆，否则为椭圆 plt.axes(aspect='equal') # 控制x轴和y轴的范围 plt.xlim(0,4) plt.ylim(0,4) # 绘制饼图 plt.pie(x = edu,# 绘图数据 explode=explode, # 突出显示香蕉人群 labels=labels, # 添加水果销量水平标签 colors=colors, # 设置饼图的自定义填充色 autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数 pctdistance=0.8,# 设置百分比标签与圆心的距离 labeldistance = 1.15, # 设置销量水平标签与圆心的距离 startangle = 180, # 设置饼图的初始角度 radius = 1.5, # 设置饼图的半径 counterclock = False, # 是否逆时针，这里设置为顺时针方向 wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'},# 设置饼图内外边界的属性值 textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值 center = (1.8,1.8), # 设置饼图的原点 frame = 1)# 是否显示饼图的图框，这里设置显示 # 删除x轴和y轴的刻度 plt.xticks(()) plt.yticks(()) # 添加图标题 plt.title('2018年水果销量分析') # 显示图形 plt.show()

效果图：

简单介绍下pie函数参数：
x: 指定绘图的数据
explode:指定饼图某些部分的突出显示，即呈现爆炸式
labels：为饼图添加标签说明，类似于图例说明
colors：指定饼图的填充色
autopct：设置百分比格式，如'%.1f%%'为保留一位小数
shadow：是否添加饼图的阴影效果
pctdistance:设置百分比标签与圆心的距离
labeldistance：设置各扇形标签（图例）与圆心的距离；
startangle：设置饼图的初始摆放角度, 180为水平；
radius：设置饼图的半径大小；
counterclock：是否让饼图按逆时针顺序呈现, True / False；
wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等, 如wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'}
textprops：设置饼图中文本的属性，如字体大小、颜色等；
center：指定饼图的中心点位置，默认为原点
frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置；

4、散点图
散点图主要的作用是判断两个变量之间关系的强弱或者是否存在关系。

散点图由scatter()方法绘制。

import numpy as np import matplotlib.pyplot as plt # 数据个数 n = 50 # 均值为0, 方差为1的随机数 x = np.random.normal(0, 1, n) y = np.random.normal(0, 1, n) # 计算颜色值 color = np.arctan2(y, x) # 绘制散点图 plt.scatter(x, y, s = 75, c = color, alpha = 0.5) # 设置坐标轴范围 plt.xlim((-1.5, 1.5)) plt.ylim((-1.5, 1.5)) # 不显示坐标轴的值 plt.xticks(([-1,0,1,2,3,4])) plt.yticks(([-1,0,1,2,3,4])) plt.show()

效果图：

5、箱线图
箱线图一般用来展现数据大小、占比、趋势等等的呈现，其包含一些统计学的均值、分位数、极值等等统计量，因此，该图信息量较大，不仅能够分析不同类别数据平均水平差异（需在箱线图中加入均值点），还能揭示数据间离散程度、异常值、分布差异等等。

使用boxplot()方法绘制。

import numpy as np import matplotlib.pyplot as plt import pandas as pd np.random.seed(2) #设置随机种子 df = pd.DataFrame(np.random.rand(5,4), columns=['A', 'B', 'C', 'D'])#先生成0-1之间的5*4维度数据，再装入4列DataFrame中 df.boxplot() #也可用plot.box() plt.show()

效果图：

6、雷达图
雷达图可以用来显示一个周期数值的变化，也可以用来展示对个对象/维度之间的关系

import numpy as np import matplotlib.pyplot as plt #标签 labels = np.array(['语文','数学','英语','生物','物理','化学']) #数据个数 dataLenth = 6 #数据 data = np.array([7,4,3,6,4,8]) angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False) data = np.concatenate((data, [data[0]])) # 闭合 angles = np.concatenate((angles, [angles[0]])) # 闭合 fig = plt.figure() ax = fig.add_subplot(111, polar=True)# polar参数！！ ax.plot(angles, data, 'bo-', linewidth=2)# 画线 ax.fill(angles, data, facecolor='r', alpha=0.25)# 填充 ax.set_thetagrids(angles * 180/np.pi, labels, fontproperties="SimHei") ax.set_title("matplotlib雷达图", va='bottom', fontproperties="SimHei") ax.set_rlim(0,10) ax.grid(True) plt.show()

效果图：