python常见绘图及代码
一、引言
在数据驱动的时代，将数据转化为直观的图形对于理解数据、发现模式和传达信息至关重要。Python作为一种功能强大且广受欢迎的编程语言，拥有丰富的绘图库，能满足不同场景下的数据可视化需求。本文将深入探讨Python中常见的绘图程序，包括Matplotlib、Seaborn、Plotly和Bokeh，并提供详细的代码示例。
二、Matplotlib：基础绘图的基石
2.1 简单折线图
Matplotlib是Python中最常用的绘图库之一，其 pyplot 子库提供了类似MATLAB的绘图接口。绘制简单折线图的代码如下：
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('正弦函数')
plt.show()
在这段代码中， np.linspace(0, 10, 100) 生成了从0到10的100个等间距数据点， np.sin(x) 计算了这些点的正弦值。 plt.plot(x, y) 绘制折线图， plt.xlabel 、 plt.ylabel 和 plt.title 分别设置坐标轴标签和标题， plt.show() 显示图形。
2.2 散点图
绘制散点图只需将 plot 函数替换为 scatter 函数：
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randn(100)
y = np.random.randn(100)
plt.scatter(x, y)
plt.xlabel('X值')
plt.ylabel('Y值')
plt.title('随机散点图')
plt.show()
这里 np.random.randn(100) 生成100个服从标准正态分布的随机数， plt.scatter(x, y) 将这些点绘制成散点图。
2.3 柱状图
绘制柱状图使用 bar 函数：
import matplotlib.pyplot as plt
import numpy as np
categories = ['A', 'B', 'C', 'D']
values = [25, 40, 15, 30]
plt.bar(categories, values)
plt.xlabel('类别')
plt.ylabel('数值')
plt.title('柱状图')
plt.show()
categories 列表定义了柱状图的类别， values 列表定义了每个类别的数值， plt.bar(categories, values) 绘制柱状图。
三、Seaborn：统计绘图的利器
3.1 分布图
Seaborn建立在Matplotlib之上，提供了更高级的统计绘图功能。绘制单变量分布图可以使用 distplot 函数：
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
data = np.random.randn(100)
sns.distplot(data)
plt.title('正态分布')
plt.show()
np.random.randn(100) 生成100个标准正态分布随机数， sns.distplot(data) 绘制该数据的分布图，包括直方图和核密度估计曲线。
3.2 箱线图
绘制箱线图使用 boxplot 函数，可用于比较不同组数据的分布：
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
data = {
'组A': np.random.randn(50),
'组B': np.random.randn(50) + 1,
'组C': np.random.randn(50) - 1
}
df = pd.DataFrame(data)
sns.boxplot(data = df)
plt.title('箱线图')
plt.show()
这里创建了一个包含三组数据的DataFrame， sns.boxplot(data = df) 绘制箱线图，展示每组数据的分布特征。
3.3 热力图
热力图常用于展示数据矩阵中数值的分布，使用 heatmap 函数：
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
data = np.random.rand(5, 5)
sns.heatmap(data, annot = True, cmap='YlGnBu')
plt.title('热力图')
plt.show()
np.random.rand(5, 5) 生成一个5x5的随机数矩阵， sns.heatmap(data, annot = True, cmap='YlGnBu') 绘制热力图， annot = True 表示在每个方格中显示数值， cmap='YlGnBu' 指定颜色映射。
四、Plotly：交互式绘图的先锋
4.1 交互式折线图
Plotly可以创建交互式的Web图形。绘制交互式折线图的代码如下：
import plotly.express as px
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
fig = px.line(x=x, y=y, title='交互式正弦函数')
fig.show()
px.line(x=x, y=y, title='交互式正弦函数') 创建一个交互式折线图对象， fig.show() 在默认浏览器中显示图形，用户可以进行缩放、平移等交互操作。
4.2 交互式散点图
绘制交互式散点图：
import plotly.express as px
import numpy as np
x = np.random.randn(100)
y = np.random.randn(100)
fig = px.scatter(x=x, y=y, title='交互式散点图')
fig.show()
同样， px.scatter(x=x, y=y, title='交互式散点图') 创建交互式散点图，用户可通过交互探索数据。
4.3 3D 图形
Plotly绘制3D图形也很方便，例如绘制3D散点图：
import plotly.express as px
import numpy as np
x = np.random.randn(100)
y = np.random.randn(100)
z = np.random.randn(100)
fig = px.scatter_3d(x=x, y=y, z=z, title='3D 散点图')
fig.show()
px.scatter_3d(x=x, y=y, z=z, title='3D 散点图') 创建一个3D散点图，能以三维视角展示数据关系。
五、Bokeh：Web 可视化的能手
5.1 简单折线图
Bokeh用于创建交互式Web可视化。绘制简单折线图：
from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
source = ColumnDataSource(data=dict(x=x, y=y))
p = figure(title='正弦函数', x_axis_label='X', y_axis_label='Y')
p.line('x', 'y', source = source)
show(p)
这里使用 ColumnDataSource 来管理数据， figure 创建绘图对象， p.line('x', 'y', source = source) 绘制折线， show(p) 在浏览器中显示图形。
5.2 交互式柱状图
绘制交互式柱状图：
from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource
import numpy as np
categories = ['A', 'B', 'C', 'D']
values = [25, 40, 15, 30]
source = ColumnDataSource(data=dict(categories=categories, values=values))
p = figure(x_range=categories, title='柱状图', x_axis_label='类别', y_axis_label='数值')
p.vbar(x='categories', top='values', width=0.9, source = source)
show(p)
p.vbar 绘制垂直柱状图，通过 ColumnDataSource 实现数据绑定，使图形具有交互性。
5.3 交互式地图
Bokeh还能绘制交互式地图，例如：
from bokeh.plotting import figure, show
from bokeh.models import GeoJSONDataSource, LinearColorMapper, ColorBar
from bokeh.palettes import Viridis6
import geopandas as gpd
# 读取地理数据
gdf = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
gdf = gdf[gdf['continent'] == 'Europe']
geosource = GeoJSONDataSource(geojson = gdf.to_json())
# 颜色映射
color_mapper = LinearColorMapper(palette = Viridis6, low = gdf['pop_est'].min(), high = gdf['pop_est'].max())
p = figure(title='欧洲人口分布', plot_width = 800, plot_height = 500, toolbar_location = None, tools = '')
p.patches('xs', 'ys', source = geosource, fill_color = {'field' :'pop_est', 'transform' : color_mapper}, line_color = 'black', line_width = 0.25)
color_bar = ColorBar(color_mapper=color_mapper, label_standoff=8, location=(0,0))
p.add_layout(color_bar, 'right')
show(p)
此代码使用地理数据绘制欧洲人口分布的交互式地图，通过颜色映射展示人口估计值。
六、总结
Python的绘图库为数据可视化提供了丰富的选择。Matplotlib适合基础绘图，Seaborn专注于统计绘图，Plotly和Bokeh则擅长创建交互式Web图形。根据具体需求选择合适的库，能更有效地将数据转化为有价值的可视化信息。通过不断实践和探索这些库的功能，我们可以创建出更具表现力和洞察力的数据可视化作品，助力数据分析、科学研究和信息传达等多个领域的工作。