人工智能之数据分析 Matplotlib

第四章图形类型

@
目录
人工智能之数据分析 Matplotlib
前言
一、散点图（Scatter Plot）
用途
基本语法
示例
二、柱形图（Bar Chart）
用途
垂直柱形图
水平柱形图
示例
三、饼图（Pie Chart）
用途
基本语法
示例
四、直方图（Histogram）
用途
基本语法
示例
五、其他常用图表
1. 折线图（Line Plot）
2. 箱线图（Box Plot）
3. 面积图（Area Plot）
4. 热力图（Heatmap）
5. 3D 图（需 mpl_toolkits.mplot3d）
6. 子图（Multiple Subplots）
六、选择建议
补充：美化建议
后续
资料关注

前言

Matplotlib 支持多种图表类型。本文将详细介绍 散点图、柱形图、饼图、直方图 以及其他常见图表（如箱线图、热力图、面积图、3D 图等）的绘制方法、参数说明和典型应用场景。

一、散点图（Scatter Plot）

用途

显示两个变量之间的关系，常用于观察相关性、聚类或异常值。

基本语法

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, alpha=None)

x, y：数据点坐标
s：点的大小（可为标量或数组）
c：颜色（可为单色、颜色列表或数值映射到 colormap）
marker：标记样式（如 'o', '^', 's'）
alpha：透明度（0~1）
cmap：颜色映射（配合数值型 c 使用）

示例

import matplotlib.pyplot as plt
import numpy as npx = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
plt.colorbar()  # 显示颜色条
plt.title("Scatter Plot with Color and Size")
plt.show()

二、柱形图（Bar Chart）

用途

比较不同类别之间的数值大小。

垂直柱形图

plt.bar(x, height, width=0.8, color=None, label=None)

水平柱形图

plt.barh(y, width, height=0.8)

示例

categories = ['A', 'B', 'C', 'D']
values = [3, 7, 5, 9]plt.bar(categories, values, color='skyblue')
plt.title("Bar Chart")
plt.ylabel("Value")
plt.show()

💡 可叠加多个 bar() 实现分组或堆叠柱状图。

三、饼图（Pie Chart）

用途

显示各部分占总体的比例（适用于分类较少的情况）。

基本语法

plt.pie(sizes, labels=None, autopct=None, startangle=0, explode=None, colors=None)

sizes：各扇区大小（自动归一化）
labels：标签
autopct='%1.1f%%'：显示百分比
explode：突出某一部分（如 [0, 0.1, 0, 0]）
startangle：起始角度（默认从 x 轴开始）

示例

sizes = [25, 35, 20, 20]
labels = ['Apple', 'Banana', 'Cherry', 'Date']
explode = (0, 0.1, 0, 0)  # 突出 Bananaplt.pie(sizes, labels=labels, autopct='%1.1f%%', explode=explode, startangle=90)
plt.title("Pie Chart")
plt.axis('equal')  # 保证圆形
plt.show()

四、直方图（Histogram）

用途

展示数据的分布情况（频率分布）。

基本语法

plt.hist(data, bins=10, range=None, density=False, alpha=1.0, color=None)

data：一维数组
bins：分箱数量（整数或边界列表）
density=True：归一化为概率密度（面积=1）
alpha：透明度（便于叠加多个直方图）

示例

data = np.random.normal(100, 15, 1000)  # 正态分布plt.hist(data, bins=30, color='lightgreen', edgecolor='black', alpha=0.7)
plt.title("Histogram")
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

五、其他常用图表

1. 折线图（Line Plot）

plt.plot(x, y, linestyle='-', marker='o')

最基础的连续数据趋势图。

2. 箱线图（Box Plot）

显示数据的五数概括（最小值、Q1、中位数、Q3、最大值）及异常值。

plt.boxplot([data1, data2], labels=['Group1', 'Group2'])

3. 面积图（Area Plot）

强调累积总量随时间的变化。

plt.stackplot(x, y1, y2, labels=['A', 'B'], alpha=0.7)

4. 热力图（Heatmap）

用颜色表示矩阵中数值大小（需结合 imshow 或 pcolormesh）。

data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title("Heatmap")
plt.show()

更推荐使用 Seaborn 的 sns.heatmap()，功能更强大。

5. 3D 图（需 `mpl_toolkits.mplot3d`）

from mpl_toolkits.mplot3d import Axes3Dfig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.randn(100)
y = np.random.randn(100)
z = np.random.randn(100)
ax.scatter(x, y, z)
plt.show()

6. 子图（Multiple Subplots）

使用 plt.subplots() 创建多图布局：

import matplotlib.pyplot as plt import numpy as np  
# 创建 2x2 子图 
fig, axs = plt.subplots(2, 2, figsize=(10, 8))  
# 第一个子图：折线图 
x = np.linspace(0, 10, 100) 
y = np.sin(x) 
axs[0, 0].plot(x, y) 
axs[0, 0].set_title('Sine Wave')  
# 第二个子图：散点图 
axs[0, 1].scatter([1, 2, 3], [4, 5, 6]) 
axs[0, 1].set_title('Scatter')  
# 第三个：柱状图 
axs[1, 0].bar(['A', 'B', 'C'], [3, 7, 5]) 
axs[1, 0].set_title('Bar Chart')  
# 第四个：直方图 
data = np.random.randn(1000) 
axs[1, 1].hist(data, bins=20) 
axs[1, 1].set_title('Histogram')  
plt.tight_layout() 
plt.show()

六、选择建议

图表类型	适用场景
散点图	两变量关系、聚类分析
柱形图	类别间比较
饼图	构成比例（类别 ≤ 5）
直方图	数据分布形态
箱线图	分布离散程度、异常值检测
折线图	时间序列、趋势变化
热力图	矩阵/相关性可视化

补充：美化建议

使用 plt.style.use('seaborn-v0_8') 或 'ggplot' 改变整体风格
设置字体：plt.rcParams['font.sans-serif'] = ['SimHei']（中文支持）
保存图像：plt.savefig('chart.png', dpi=300, bbox_inches='tight')

后续

python过渡项目部分代码已经上传至gitee，后续会逐步更新。

资料关注

公众号：咚咚王
gitee：https://gitee.com/wy18585051844/ai_learning

《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》