python数据分析与可视化matplotlib.pyplot

### Python 数据分析可视化 `matplotlib.pyplot` 使用教程

#### 导入库并准备数据
为了使用 `matplotlib.pyplot` 进行数据分析和可视化，首先需要导入必要的库。这里展示如何创建简单的折线图。

import matplotlib.pyplot as plt

data = [1, 2, 3, 4, 5, 4, 2, 4, 6, 7]

plt.plot(data)  # 调用 plot 方法绘制折线图[^1]
plt.xlabel('X轴标签')  # 添加 X 轴标签
plt.ylabel('Y轴标签')  # 添加 Y 轴标签
plt.title('简单折线图示例')  # 设置图表标题
plt.show()  # 显示图像窗口

这段代码展示了基本的数据可视化流程：先定义要可视化的数据集；接着调用相应的方法来设置坐标轴名称、图表标题等属性；最后通过 `show()` 函数显示所生成的图形界面。

#### 绘制多种类型的图表
除了基础的折线图外，还可以利用该库轻松制作更多种类的统计图表，比如柱状图、饼图以及箱型图等。

对于想要在同一张图片里呈现多个不同系列的情况，可以传递二维数组给绘图函数作为输入参数：

import numpy as np

x_values = np.random.rand(10)
y_values_1 = x_values * 2 + 1
y_values_2 = -x_values ** 2 + 3

fig, ax = plt.subplots()
ax.scatter(x_values, y_values_1, c='blue', label="Line 1")  # 散点图
ax.plot(x_values, y_values_2, 'r-', lw=2, label="Curve 2")  # 折线图
ax.legend(loc='best')
plt.grid(True)

plt.show()

上述例子中不仅包含了散点图与折线图的同时展现方式，还加入了网格线辅助阅读，并且设置了图例帮助区分不同的线条或标记样式[^2]。

当涉及到更复杂的统计数据表示形式时，如箱型图，则可以通过调整特定选项来自定义外观效果：

np.random.seed(19680801)
all_data = [np.random.normal(0, std, size=100) for std in range(1, 4)]

labels = ['A', 'B', 'C']
colors = ['#D4EFDF', '#EDEDED', '#FAD7A0']

box_properties = dict(linewidth=2, color='black')

flierprops = dict(marker='o', markerfacecolor='#e7298a', markersize=8,
                  linestyle='none')

medianprops = {'linestyle': '-', 'linewidth': 2, 'color': 'firebrick'}

meanpointprops = {'marker':'D',
                 'markeredgecolor':'green',
                 'markerfacecolor':'forestgreen'}

bplot = plt.boxplot(all_data,
                    labels=labels,
                    patch_artist=True,
                    boxprops=dict(facecolor="#ccffcc"),
                    flierprops=flierprops,
                    medianprops=medianprops,
                    meanprops=meanpointprops,
                    showcaps=False,
                    showmeans=True)

for patch, color in zip(bplot['boxes'], colors):
    patch.set_facecolor(color)

plt.xticks(rotation=45)
plt.tight_layout()

plt.show()

此部分代码片段说明了怎样配置箱型图的各项特性，包括但不限于背景填充色(`patch_artist`)、异常值符号风格(`flierprops`)、平均数指示器形状(`meanprops`)等等[^3]。