本文主要是介绍Python数据可视化交互基本，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

Python数据可视化交互基本知识

• Python数据可视化交互基础
• • 课前准备
  • 1.折线图
  • • 绘制折线图 plt.plot()
    • 折线图中的标题，横纵表，纵坐标
    • 添加另一条曲线
    • 折线命名
    • 折现格式参数
    • 网格线显示grid(True)
  • 2.条形图
  • • 绘制条形图plt.bar()
    • 随机生成折线图y轴数据
    • 水平条形图绘制barh
    • 数据水平翻转
  • 3.直方图
  • • 直方图介绍以及适用环境
    • 绘制直方图hist
    • 直方图区间划分 bins
    • 区间之间分割线 edgecolor
    • 显示平均值的位置axvline
  • 4.散点图
  • • 绘制散点图scatter
    • 散点图“点”的参数设置
    • 多点不同色
    • 设置色卡colorbar
    • 使用点的大小来表示数值的大小
    • 一个图形中可以包含多组数据
  • 5.饼图
  • • 绘制饼图pie
    • 为每个扇形打上标签labels
    • 为每个扇形打上占比autopct
    • 将饼图顺时针排序
    • 将个别扇形分离出来explode
  • 6.热力图
  • • 热力图介绍
    • 热力图的绘制imshow
    • • 加入x，y轴
    • 数值大小色卡colorbar
    • 为色块加上数值
  • 常见问题
  • • 1.问题一 “get”属性缺失
    • 2.问题二 “文字无法显示”

Python数据可视化交互基础

这章文章主要讲解到了：折线图、条形图、直方图、散点图、饼图、热力图

课前准备

安装matplotlib库，可以使用命令 pip install
然后应用matplotlib库

'''引用库'''
from matplotlib import pyplot as plt

1.折线图

绘制折线图 plt.plot()

#首先引用库
from matplotlib import pyplot as plt

#然后要有x,y的数据
dev_x = [1,2,3,4,5]
dev_y = [20,40,60,80,100]

#生成折线图plt.后缀就是决定是什么图
plt.plot(dev_x,dev_y)

#显示所有图片
plt.show()

显示结果

折线图中的标题，横纵表，纵坐标

引用上面代码，做出演示

#首先引用库
from matplotlib import pyplot as plt

#然后要有x,y的数据
dev_x = [1,2,3,4,5]
dev_y = [25,48,69,87,100]

#生成折线图plt.后缀就是决定是什么图
plt.plot(dev_x,dev_y)

'''添加标题，横纵表，纵坐标'''
#横坐标.xlabel
plt.xlabel("天数")
#纵坐标.ylabel
plt.ylabel("完成度")
#标题.title
plt.title("下载完成效率图")

#显示所有图片
plt.show()

添加另一条曲线

依旧是引用上面的代码

#首先引用库
from matplotlib import pyplot as plt

#然后要有x,y的数据
dev_x = [1,2,3,4,5]
dev_y = [20,45,62,85,100]
#生成折线图plt.后缀就是决定是什么图
plt.plot(dev_x,dev_y)

'''新增数据'''
dev_x_1 = [1,2,3,4,5]
dev_y_1 = [25,45,55,89,100]
plt.plot(dev_x_1,dev_y_1)

#添加标题，横纵表，纵坐标
#横坐标.xlabel
plt.xlabel("天数")
#纵坐标.ylabel
plt.ylabel("完成度")
#标题.title
plt.title("下载完成效率图")

#显示所有图片
plt.show()

代码简洁版

from matplotlib import pyplot as plt
dev_x = [1,2,3,4,5]
dev_y = [20,40,60,80,100]
plt.plot(dev_x,dev_y)

dev_x_1 = [1,2,3,4,5]
dev_y_1 = [25,45,55,89,100]
plt.plot(dev_x_1,dev_y_1)

plt.xlabel("天数")
plt.ylabel("完成度")
plt.title("下载完成效率图")

plt.show()

显示结果：

折线命名

通过legend函数为折线打上标签

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

dev_x = [1,2,3,4,5]
dev_y = [20,40,60,80,100]
plt.plot(dev_x,dev_y,label="迅雷")#label为折现命名，然调用legend函数时不需要命名

dev_x_1 = [1,2,3,4,5]
dev_y_1 = [25,45,55,89,100]
plt.plot(dev_x_1,dev_y_1,label="百度云盘")

plt.xlabel("天数")
plt.ylabel("完成度")
plt.legend()#调用函数，参数在label已经输入
plt.title("下载完成效率图")

plt.show()

折现格式参数

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

dev_x = [1,2,3,4,5]
dev_y = [20,40,60,80,100]
plt.plot(dev_x,dev_y,label="迅雷",color="blue",marker=".",linestyle="-")

dev_x_1 = [1,2,3,4,5]
dev_y_1 = [25,45,55,89,100]
plt.plot(dev_x_1,dev_y_1,label="百度云盘",color="red",marker=".",linestyle="--")

plt.xlabel("天数")
plt.ylabel("完成度")
plt.legend()
plt.title('下载效率图')

plt.show()

网格线显示grid(True)

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

dev_x = [1,2,3,4,5]
dev_y = [20,40,60,80,100]
plt.plot(dev_x,dev_y,label="迅雷",color="blue",marker=".",linestyle="-")

dev_x_1 = [1,2,3,4,5]
dev_y_1 = [25,45,55,89,100]
plt.plot(dev_x_1,dev_y_1,label="百度云盘",color="red",marker=".",linestyle="--")

plt.xlabel("天数")
plt.ylabel("完成度")
plt.legend()
plt.title('下载效率图')
plt.grid(True)

plt.show()

2.条形图

绘制条形图plt.bar()

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = ['小刘','小张','小王','小李','小刚','小三']
y_data = [3,4,2,3,5,5]
plt.bar(x_data,y_data)#这个位置改动了

plt.title('工作表')
plt.xlabel('员工姓名')
plt.ylabel('工作天数')
plt.show()

很多操作与折线图操作类似，这里就不做重复操作了

随机生成折线图y轴数据

#条形图bar
from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
import numpy as np #导入包
# np.random.randint()区间之内的整数值
y_data = [np.random.randint(100) + i*20 for i in range(6)]
x_data = range(6)
x_c_data = ['小刘','小温','小罗','小张','小培','小林']
plt.title('员工入职图')
plt.bar(x_data,y_data)
#xitcks('参数','参数','属性')
plt.xticks(x_data,x_c_data)
plt.xlabel('姓名')
plt.ylabel('工作天数')
plt.show()

水平条形图绘制barh

将bar函数改为barh

import numpy as np
from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = ['JavaScript', 'HTML/CSS', 'SQL', 'Python', 'Java', 'Bash/Shell/PowerShell',
             'C#', 'PHP', 'C++','TypeScript']

y_data = [59219, 55466, 47544, 36443, 35917, 27097, 23030, 20524, 18523, 18017]

plt.barh(x_data, y_data)

plt.title('编程语言流行度')
plt.xlabel('编程语言')
plt.ylabel('流行度')

plt.tight_layout()#tight_layout会自动调整子图参数，使之填充整个图像区域

plt.show()

数据水平翻转

reverse（）函数

import numpy as np
from matplotlib import pyplot as plt
import pylab as mp1

mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = ['JavaScript', 'HTML/CSS', 'SQL', 'Python', 'Java', 'Bash/Shell/PowerShell',
             'C#', 'PHP', 'C++','TypeScript']
y_data = [59219, 55466, 47544, 36443, 35917, 27097, 23030, 20524, 18523, 18017]

#水平翻转操作
x_data.reverse()
y_data.reverse()

plt.barh(x_data, y_data)
plt.title('编程语言流行度')
plt.xlabel('编程语言')
plt.ylabel('流行度')

plt.tight_layout()

plt.show()

3.直方图

直方图介绍以及适用环境

直方图介绍：
直方图，又称质量分布图，用于表示数据的分布情况，是一种常见的统计图表。一般用横轴表示数据区间，纵轴表示分布情况，柱子越高，则落在该区间的数量越大。直方图和条形图的外观相似。区别主要有以下几点：

1. 条形图用条形的长度（横置时）或高度（纵置时）表示各类别频数的多少，其宽度（表示类别）则是固定的；直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义。
2. 由于分组数据具有连续性，直方图的各矩形通常是连续排列，而条形图则是分开排列。
3. 条形图主要用于展示分类数据的大小，而直方图则主要用于展示数值型数据的分布。

直方图的适用环境：关系与数量之间的分布

绘制直方图hist

这里区间划分是自己明确指定划分区间范围

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = [1,2,3,4,5,6,7]
y_data = [1,2,3,4,5,6,7]

plt.hist(x_data,y_data)
plt.show()

输出结果以及图像解释：

其中如果我们不想要某个区间的数据，可以直接去掉

直方图区间划分 bins

这里是bins根据区间划分的数量 自动划分

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = [1,2,3,4,5,6,7]

plt.hist(x_data,bins=2)#将x轴应用区间划分，这里划分了两个区间
plt.show()

区间划分的格式是[1,2),[2,3),[3,4)依次这样的格式

区间之间分割线 edgecolor

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = [1,2,3,4,5,6,7]

plt.hist(x_data,bins=2,edgecolor='red')#这个位置参数里面是颜色
plt.show()

显示平均值的位置axvline

平均值显示其他的图形也可以使用!!!

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
x_data = [1,2,3,4,5,6,7]

plt.hist(x_data,bins=2,edgecolor='black')#这个位置参数里面是颜色
avg = 4#平均值变量
plt.axvline(avg,color='red',label='平均值')#平均值垂直线段引用
plt.legend()
plt.show()

4.散点图

绘制散点图scatter

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('fivethirtyeight')#自带格式

x_data = [1,2,3,4,5]
y_data = [10,25,15,30,5]

plt.scatter(x_data,y_data)#这里变化scatter

plt.title('商品单价数量')
plt.xlabel('数量')
plt.ylabel('金额')
plt.tight_layout()
plt.show()

散点图“点”的参数设置

'''在这串代码中设置'''
plt.scatter(x_data,y_data,s=100, c='red', marker='*')

这是我设置的 自己可以根据需求设置

多点不同色

将参数c改为第二数据

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('fivethirtyeight')

x_data = [1,2,3,4,5]
y_data = [10,25,15,30,5]
y_data_1 = [20,23,11,50,45]
plt.scatter(x_data,y_data,s=100, c=y_data_1, marker='*')#将参数c设置成为y_data_1

plt.title('商品单价数量')
plt.xlabel('数量')
plt.ylabel('金额')
plt.tight_layout()
plt.show()

设置色卡colorbar

为了让图形传递信息更加的准确，添加一个色卡标明颜色深浅对应关系

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('fivethirtyeight')

x_data = [1,2,3,4,5]
y_data = [10,25,15,30,5]
y_data_1 = [20,23,11,50,45]
plt.scatter(x_data,y_data,s=100, c=y_data_1, marker='*')

#色卡的添加
card = plt.colorbar()
card.set_label('利润率')


plt.title('商品单价数量')
plt.xlabel('数量')
plt.ylabel('金额')
plt.tight_layout()
plt.show()

使用点的大小来表示数值的大小

from matplotlib import pyplot as plt
import numpy as np#引用numpy这个包
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('fivethirtyeight')

#将数据np.array()
x_data = np.array([1,2,3,4,5])
y_data = np.array([10,25,15,30,5])
y_data_1 = np.array([20,23,11,50,45])
#将s参数改为y_data_1*10
plt.scatter(x_data,y_data,s=y_data_1*10, c=y_data_1, marker='*')

card = plt.colorbar()
card.set_label('利润率')


plt.title('商品单价数量')
plt.xlabel('数量')
plt.ylabel('金额')
plt.tight_layout()
plt.show()

一个图形中可以包含多组数据

from matplotlib import pyplot as plt
import numpy as np
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

plt.style.use('fivethirtyeight')

#数据1
x_data = np.array([1,2,3,4,5])
y_data = np.array([10,25,15,30,5])
y_data_1 = np.array([20,23,11,50,45])
plt.scatter(x_data,y_data,s=y_data_1*10, c=y_data_1, marker='*',label='数据1')

#数据2
data_2 = np.array([1.5,2.1,3,4,6.5])
data_2_x = np.array([19,29,39,49,59])
data_2_y = np.array([15,25,35,45,55])
plt.scatter(data_2,data_2_x,s=data_2_y*10,c=data_2_y,marker='v',label='数据2')

#色卡
card = plt.colorbar()
card.set_label('利润率')

plt.legend()
plt.title('商品单价数量')
plt.xlabel('数量')
plt.ylabel('金额')
plt.tight_layout()
plt.show()

5.饼图

绘制饼图pie

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

#数据《王者荣耀》英雄出场率
hero_data = ['孙悟空','孙尚香','诸葛亮','盾山','澜']
hero_odds = [20,21,29,15,15]

plt.pie(hero_odds)#使用pie

plt.tight_layout()
plt.show()

为每个扇形打上标签labels

'''在pie中的加上labels=“名字列表”'''
plt.pie(hero_odds,labels=hero_data)

得到：

为每个扇形打上占比autopct

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

#数据《王者荣耀》英雄出场率
hero_data = ['孙悟空','孙尚香','诸葛亮','盾山','澜']
hero_odds = [20,21,29,15,15]
'''    加上autopct="%1.1f%%"    '''
plt.pie(hero_odds,labels=hero_data,autopct='%1.1f%%')

plt.tight_layout()
plt.show()

将饼图顺时针排序

from matplotlib import pyplot as plt
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']

#数据《王者荣耀》英雄出场率
hero_data = ['孙悟空','孙尚香','诸葛亮','盾山','澜']
hero_odds = [20,21,29,15,15]

#这个位置添加参数！！！
plt.pie(hero_odds,labels=hero_data,autopct='%1.1f%%',counterclock=False, startangle=90)

plt.title('英雄登场率')
plt.tight_layout()
plt.show()

将个别扇形分离出来explode

plt.pie(hero_odds,labels=hero_data,autopct='%1.1f%%',counterclock=False, startangle=90,explode=[0.1,0,0,0,0])

6.热力图

热力图介绍

1、表格形热力图，也称色块图（2个分类字段和1个数值字段，分类字段来确定x，y轴）
2、非表格型热力图（3个数值字段，2个数值字段分别确定x，y轴，1个数值数值字段确定着色）

热力图适合查看总体情况、发现异常值、显示多个变量之间的差异，以及查看它们之间的相关性

热力图的绘制imshow

将一个二维数组传入imshow就可以绘制一个热力图

from matplotlib import pyplot as plt
import numpy as np
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                    [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                    [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                    [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                    [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                    [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                    [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])

plt.imshow(harvest)#热力图imshow

plt.tight_layout()
plt.show()

加入x，y轴

from matplotlib import pyplot as plt
import numpy as np
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
harvest_x = ['成都','甘肃','泸州','阿坝','西昌','乐山','眉山']
harvest_y = ['平原','山脉','高原','丘陵','盆地','山脊','林原']

harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                    [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                    [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                    [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                    [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                    [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                    [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])

'''这个地方加入x,y'''
plt.xticks(np.arange(len(harvest_x)), labels=harvest_x, rotation=45, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(harvest_y)), labels=harvest_y)

plt.imshow(harvest)

plt.title('地热散布分析')
plt.tight_layout()
plt.show()

数值大小色卡colorbar

from matplotlib import pyplot as plt
import numpy as np
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
harvest_x = ['成都','甘肃','泸州','阿坝','西昌','乐山','眉山']
harvest_y = ['平原','山脉','高原','丘陵','盆地','山脊','林原']

harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                    [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                    [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                    [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                    [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                    [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                    [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])

plt.xticks(np.arange(len(harvest_x)), labels=harvest_x, rotation=45, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(harvest_y)), labels=harvest_y)

plt.imshow(harvest)

plt.colorbar()#在代码中加入colorbar就行了
plt.title('地热散布分析')
plt.tight_layout()
plt.show()

为色块加上数值

from matplotlib import pyplot as plt
import numpy as np
import pylab as mp1
mp1.rcParams['font.sans-serif'] = ['SimHei']
harvest_x = ['成都','甘肃','泸州','阿坝','西昌','乐山','眉山']
harvest_y = ['平原','山脉','高原','丘陵','盆地','山脊','林原']

harvest = np.array([[0.8, 2.4, 2.5, 3.9, 0.0, 4.0, 0.0],
                    [2.4, 0.0, 4.0, 1.0, 2.7, 0.0, 0.0],
                    [1.1, 2.4, 0.8, 4.3, 1.9, 4.4, 0.0],
                    [0.6, 0.0, 0.3, 0.0, 3.1, 0.0, 0.0],
                    [0.7, 1.7, 0.6, 2.6, 2.2, 6.2, 0.0],
                    [1.3, 1.2, 0.0, 0.0, 0.0, 3.2, 5.1],
                    [0.1, 2.0, 0.0, 1.4, 0.0, 1.9, 6.3]])

plt.xticks(np.arange(len(harvest_x)), labels=harvest_x, rotation=45, rotation_mode="anchor", ha="right")
plt.yticks(np.arange(len(harvest_y)), labels=harvest_y)

'''加上块中的数值'''
for i in range(len(harvest_x)):
    for j in range(len(harvest_y)):
        text = plt.text(j, i, harvest[i, j], ha="center", va="center", color="w")

plt.imshow(harvest)

plt.colorbar()
plt.title('地热散布分析')
plt.tight_layout()
plt.show()

常见问题

1.问题一 “get”属性缺失

解决方法：

2.问题二 “文字无法显示”

解决方法：
在代码中加入

import pylab as mp1#文字问题使用
mp1.rcParams['font.sans-serif'] = ['SimHei']#文字问题使用

@想努力学习变强的尾巴
欢迎各位在评论区讨论留言，遇到问题一起解决！

这篇关于Python数据可视化交互基本的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！