Matlab与Python数据可视化实战：五个入门级代码示例

条形图，它常用于比较不同类别的数据值。下面是简单的条形图实现： ```python import matplotlib.pyplot as plt categories = ['A', 'B', 'C', 'D', 'E'] values = [10, 20, 15, 25, 18] plt.bar(categories, values) plt.xlabel('Categories') plt.ylabel('Values') plt.title('BarChart') plt.show() ``` 代码说明： 在这个例子中，我们定义了两个列表，`categories`表示不同的类别，`values`代表每个类别对应的数值。然后，我们调用plt.bar()函数，第一个参数是类别名，第二个参数是对应的数值。接着，设置横轴和纵轴标签以及图表标题。最后，调用plt.show()显示结果。 4. 饼图 饼图通常用于展示数据的比例关系，各个部分占据整体的比例清晰可见。下面是一个简单饼图的实现： ```python import matplotlib.pyplot as plt labels = ['A', 'B', 'C', 'D', 'E'] sizes = [30, 40, 20, 50, 50] plt.pie(sizes, labels=labels, autopct='%1.1f%%') plt.title('PieChart') plt.axis('equal') # 保持圆形 plt.show() ``` 代码说明： `labels`是各个部分的名称，`sizes`是它们所占的比例。`plt.pie()`函数绘制饼图，`autopct`参数用于在每个扇形上显示百分比。`plt.axis('equal')`确保饼图是圆形的，`plt.title()`设置标题。 5. 热力图 热力图用于展示数据的二维分布情况，颜色越深表示值越大。以下是热力图的简单示例： ```python import seaborn as sns import numpy as np data = np.random.rand(10, 10) sns.heatmap(data, annot=True, cmap='coolwarm') plt.title('Heatmap') plt.show() ``` 代码说明： Seaborn库中的`sns.heatmap()`函数用于创建热力图，`data`是一个二维数组，存储了我们要可视化的数据。`annot=True`表示在每个格子上显示数字，`cmap='coolwarm'`指定颜色映射。最后，设置标题并显示热力图。 总结： 本文档通过五个实例，介绍了如何使用Matlab和Python中的matplotlib库进行基础的数据可视化，包括折线图、散点图、条形图、饼图和热力图。每个图表都有详细的代码解释，涵盖了数据准备、绘图函数调用和基本的美化设置。这些代码可以帮助初学者快速掌握数据可视化的基本技巧，进而根据实际需求创建更多复杂的可视化图形，以增强数据分析的直观性和可读性。