Python基础图表教程：六种可视化示例

"这篇文章主要介绍了Python编程中六种常见的可视化图表的绘制方法，包括折线图、散点图、直方图、条形图、饼图和面积图。作者通过实例代码来展示如何使用matplotlib库进行图表制作，帮助初学者建立基础并理解各种图表的用途。" 01. 折线图 折线图是表示数据随时间变化趋势的一种图表，尤其适合展示连续性数据。在Python中，通常使用matplotlib库的pyplot子模块（plt）的`plot`函数来绘制。例如，可以通过指定x和y值，以及添加标签、坐标轴名称和标题来创建折线图。在示例中，使用`linspace`函数生成100个等间距的x值，并绘制了x、x平方和x立方的曲线。 ```python import numpy as np import matplotlib.pyplot as plt x = np.linspace(0, 2, 100) plt.plot(x, x, label='linear') plt.plot(x, x**2, label='quadratic') plt.plot(x, x**3, label='cubic') plt.xlabel('xlabel') plt.ylabel('ylabel') plt.title("SimplePlot") plt.legend() plt.show() ``` 02. 散点图 散点图用于展示两个变量之间的关系，每个点代表一对观测值。散点图可以与折线图结合，通过改变标记样式和颜色来区分不同的数据系列。在示例中，使用不同标记（破折号、方块、三角形）和颜色来表示不同的关系。 ```python x = np.arange(0., 5., 0.2) plt.plot(x, x, 'r--', x, x**2, 'bs', x, x**3, 'g^') plt.show() ``` 03. 直方图 直方图用于展示数据分布的频率或概率密度。在Python中，`hist`函数用于绘制直方图。示例展示了在同一图表上绘制两个直方图，这有助于比较不同数据集的分布。 ```python np.random.seed(19680801) mu1, sigma1 = 100, 15 mu2, sigma2 = 80, 15 x1 = mu1 + sigma1 * np.random.randn(10000) x2 = mu2 + sigma2 * np.random.randn(10000) plt.hist(x1, bins=50, alpha=0.5, label='dist1') plt.hist(x2, bins=50, alpha=0.5, label='dist2') plt.xlabel('Smarts') plt.ylabel('Probability') plt.title('Histogram of IQ') plt.legend(loc='upper right') plt.show() ``` 04. 条形图 条形图用于比较类别之间的数量差异。在matplotlib中，`bar`函数用于绘制条形图。例如，绘制各个城市的温度数据，每个城市的条形高度代表其平均温度。 05. 饼图 饼图用于展示各部分占整体的比例。在matplotlib中，`pie`函数用于绘制饼图。例如，展示公司员工的不同部门占比。 06. 面积图 面积图强调了数据随时间变化的累积情况。`fill_between`函数可以用来创建面积图，常用于展示数据的变化范围或累计值。 通过这些基本图表类型的学习，初学者可以逐步掌握数据可视化的基础，并能根据需要组合和定制更复杂的图表。在实际应用中，了解这些图表的适用场景和优缺点，能够帮助我们更好地传达数据分析结果。