Python中的matplotlib库在数据可视化中的应用

# 1. 理解matplotlib库

- 1.1 matplotlib库简介
- 1.2 matplotlib库的安装与环境配置
- 1.3 matplotlib库中常用的绘图函数介绍

在第一章中，我们将深入了解matplotlib库，包括其简介、安装与环境配置以及常用的绘图函数。让我们一起来探索matplotlib库在数据可视化中的应用！

# 2. 基本数据可视化

- 2.1 绘制简单折线图
- 2.2 创建柱状图和直方图
- 2.3 制作散点图和气泡图

# 3. 高级数据可视化

在这一章中，我们将探讨如何使用matplotlib库进行高级数据可视化。通过学习以下内容，您将能够创建更加复杂和引人注目的图形来展示您的数据。

- 3.1 制作饼图和雷达图
- **制作饼图**:
饼图是一种展示数据占比的有效方式。通过matplotlib库的`pie()`函数，我们可以轻松绘制出色彩鲜明的饼图。

    import matplotlib.pyplot as plt

    labels = ['A', 'B', 'C', 'D']
    sizes = [25, 35, 20, 20]

    plt.pie(sizes, labels=labels, autopct='%1.1f%%')
    plt.axis('equal')  # 使饼图比例相等
    plt.title('Pie Chart Example')
    plt.show()

✨ **代码注释**:
- `labels`: 饼图中各部分的标签
- `sizes`: 饼图中各部分的大小
- `autopct`: 控制饼图上显示的百分比格式
📊 **代码总结**:
- 通过`pie()`函数绘制饼图
- 使用`autopct`参数显示百分比
- 通过`axis('equal')`使饼图比例相等
- **制作雷达图**:
雷达图适合用于展示多维数据之间的关系。matplotlib库的`polar`模式和`fill()`函数可以帮助我们绘制出清晰的雷达图。

    import numpy as np
    import matplotlib.pyplot as plt

    labels=np.array(['A','B','C','D'])
    stats=np.array([20, 34, 30, 35])

    angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False).tolist()

    stats=np.concatenate((stats,[stats[0]]))
    angles=np.concatenate((angles,[angles[0]]))

    fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True))
    ax.fill(angles, stats, color='skyblue', alpha=0.25)
    ax.set_yticklabels([])
    ax.set_xticks(angles[:-1])
    ax.set_xticklabels(labels, fontsize=12)

    plt.show()

✨ **代码注释**:
- `labels`: 雷达图各角的标签
- `stats`: 雷达图各角的数据大小
- `angles`: 雷达图各个角度的取值

📊 **代码总结**:
- 使用`polar=True`创建极坐标系
- 通过`fill()`函数填充雷达图面积
- 设置角度和标签使图形更具可读性

- 3.2 绘制箱线