人生苦短，我用 Python
前文传送门：
小白学 Python 数据分析（2）：Pandas （一）概述
小白学 Python 数据分析（3）：Pandas （二）数据结构 Series
小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame
小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据
小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择
小白学 Python 数据分析（7）：Pandas （六）数据导入
小白学 Python 数据分析（8）：Pandas （七）数据预处理
小白学 Python 数据分析（9）：Pandas （八）数据预处理（2）
小白学 Python 数据分析（10）：Pandas （九）数据运算
小白学 Python 数据分析（11）：Pandas （十）数据分组
小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table）
小白学 Python 数据分析（13）：Pandas （十二）数据表拼接
小白学 Python 数据分析（14）：Pandas （十三）数据导出
小白学 Python 数据分析（16）：Matplotlib（一）坐标系
小白学 Python 数据分析（17）：Matplotlib（二）基础操作
折线图
各位同学好，我们从本篇开始介绍一些 Matplotlib 的常用图表。
说道常用图表，第一个肯定是折线图，折线图主要用于表现随着时间的推移而产生的某种趋势。
在 Matplotlib 中，化折线图主要是使用到了 plt 库中的 plot 方法，下面我们看下 plot 的语法。
plot 函数的一般的调用形式如下：
#单条线：
plot([x], y, [fmt], *, data=None, **kwargs)
#多条线：
plot([x], y, [fmt], [x2], y2, [fmt2], ..., **kwargs)
可选参数 [fmt] 是一个字符串来定义图的基本属性如：颜色（color），点型（marker），线型（linestyle）。
具体形式 fmt = '[color][marker][line]'
这里我们写一个简单的 fmt 的表达式，需要注意的是 fmt 接收的是每个属性的单个字母缩写，如果使用的是全名的话则不能使用 fmt 参数进行组合赋值。
plot(x, y, 'bo-')
上面这个示例中的 bo- 的含义是蓝色圆点实线，其中 b 代表了颜色 blue ， o 代表了点型 circle marker （圆点）， - 代表了线型 solid line style （实线） 。
如果我们使用全名的话上面这个示例可以改成：
plot(x, y, color='blue', marker='o', linestyle='-')
下面小编摘抄一下官方文档上的对应的类型，官方文档地址：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html ，如果不想打开官方文档，也可以在程序中运行下面这段代码，一样可以看到：
import matplotlib.pyplot as plt
help(plt.plot)
首先是颜色 color 的可取值：
============= ===============================
character color
============= ===============================
``'b'`` blue
``'g'`` green
``'r'`` red
``'c'`` cyan
``'m'`` magenta
``'y'`` yellow
``'k'`` black
``'w'`` white
============= ===============================
这里有一点需要注意，除了可以使用上面的这些值，同样可以使用十六进制的 RGB 字符串，如： #FFFFFF 等。
接下来是点型 Maker 的可选值：
============= ===============================
character description
============= ===============================
``'.'`` point marker
``','`` pixel marker
``'o'`` circle marker
``'v'`` triangle_down marker
``'^'`` triangle_up marker
``'<'`` triangle_left marker
``'>'`` triangle_right marker
``'1'`` tri_down marker
``'2'`` tri_up marker
``'3'`` tri_left marker
``'4'`` tri_right marker
``'s'`` square marker
``'p'`` pentagon marker
``'*'`` star marker
``'h'`` hexagon1 marker
``'H'`` hexagon2 marker
``'+'`` plus marker
``'x'`` x marker
``'D'`` diamond marker
``'d'`` thin_diamond marker
``'|'`` vline marker
``'_'`` hline marker
============= ===============================
大家看前面的符号应该大致都能知道是啥意思吧，小编这里有点小懒（属实有点多，小编自己的碎碎念：常用的就那么几种，一张图上也不会出现太多种的线型，反正会有默认值），就不翻译了，如果有看不懂的同学可以 CV 后面的英文到某些翻译网站上自行翻译。
接下来是线型 Line Styles 的可选值：
============= ===============================
character description
============= ===============================
``'-'`` solid line style 实线
``'--'`` dashed line style 虚线
``'-.'`` dash-dot line style 点画线
``':'`` dotted line style 点线
============= ===============================
这个就不解释了吧，各位同学可以自行尝试一下。
最后再来个示例吧，数据还是使用上一篇文章的：
import matplotlib.pyplot as plt
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = [2011,2012,2013,2014,2015,2016,2017]
y_data = [58000,60200,63000,71000,84000,90500,107000]
y_data_1 = [78000,80200,93000,101000,64000,70500,87000]
plt.title(label='xxx 公司 xxx 产品销量')
# 设置标题
plt.plot(x_data, y_data, linestyle = '-.', label = '产品销量')
plt.plot(x_data, y_data_1, label = '用户增长数')
# 开启网格线
plt.grid(True)
# 设置图例
plt.legend()
# 文件保存
plt.savefig("plot_demo.png")
结果如下：
这个样例中，我们将产品销量使用点线图来表示。
柱状图
普通柱状图
柱状图主要用于查看各分组数据的数量分布，以及各个分组数据之间的数量比较。
在 Matplotlib 中使用的是 bar() 方法，还是先看下 bar() 的语法：
atplotlib.pyplot.bar(left, height, width=0.8, bottom=None, hold=None, data=None, **kwargs)
| 参数 | 接收值 | 说明 | 默认值 |
|---|---|---|---|
| left | array | x 轴； | 无 |
| height | array | 柱形图的高度，也就是y轴的数值； | 无 |
| alpha | 数值 | 柱形图的颜色透明度 ； | 1 |
| width | 数值 | 柱形图的宽度； | 0.8 |
| color（facecolor） | string | 柱形图填充的颜色； | 随机色 |
| edgecolor | string | 图形边缘颜色 | None |
| label | string | 解释每个图像代表的含义 | 无 |
| linewidth（linewidths / lw) | 数值 | 边缘or线的宽度 | 1 |
其他详细的用法可以参考官方文档：https://matplotlib.org/api/pyplot_api.html 。
我们还是先来一个简单的示例，数据依然使用上面的数据：
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.5, alpha=0.6, facecolor = 'deeppink', edgecolor = 'darkblue', lw=2, label='产品销量')
plt.legend()
plt.savefig("bar_demo_1.png")
- width : 柱子的宽度
- alpha : 透明度
- facecolor : 柱子填充色
- edgecolor : 柱子轮廓色
- lw : 柱子轮廓宽度
- label ： 图例
结果如下：
并排柱状图
我们还有一组数据，接下来是两个柱形图并列显示，这里调用的还是 bar() ，只不过需要调整的是柱子的位置：
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data + 0.3, y_data_1, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')
plt.legend()
plt.savefig("bar_demo_2.png")
这里比较重要的是 x_data + 0.3 ，相当于把用户量的柱子向右移动了 0.3 ，否则会造成重合。
结果如下：
堆积柱状图
还有一种柱形图是堆积柱形图，就是把柱状图堆叠在一起，我们还是通过示例来看：
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
y_data_1 = np.array([78000,80200,93000,101000,64000,70500,87000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.bar(x_data, y_data, width=0.3, alpha=0.6, facecolor = 'pink', edgecolor = 'blue', lw=1, label='产品销量')
plt.bar(x_data, y_data_1, bottom=y_data, width=0.3, alpha=0.6, facecolor = 'blue', edgecolor = 'blue', lw=1, label='用户增长数')
plt.legend()
plt.savefig("bar_demo_3.png")
这种堆积柱状图主要是通过参数 bottom 来实现的，含义是底部开始的位置。
结果如下：
横向柱状图
其实横向柱状图应该是叫条形图，而且使用的方法也不再是 bar() 了，而是变成了 barh() 。
咦，这个看起来和 bar() 很像嘛，有可能是兄弟关系。
语法如下：
matplotlib.pyplot.barh(y, width, height=0.8, left=None, *, align='center', **kwargs)
也不多说啥了，和上面的 bar() 简直如出一辙，还是再来个示例：
import matplotlib.pyplot as plt
import numpy as np
# 处理中文乱码
plt.rcParams['font.sans-serif']=['SimHei']
x_data = np.array([2011,2012,2013,2014,2015,2016,2017])
y_data = np.array([58000,60200,63000,71000,84000,90500,107000])
plt.title(label='xxx 公司 xxx 产品销量')
plt.barh(x_data, y_data, alpha=0.6, facecolor = 'deeppink', edgecolor = 'deeppink', label='产品销量')
plt.legend()
plt.savefig("barh_demo.png")
结果如下：
本篇内容就到这里了，各位同学想要代码或者想要图片都可以直接访问代码仓库获得。
代码仓库
老规矩，所有的示例代码都会上传至代码管理仓库 Github 和 Gitee 上，方便大家取用。
参考
https://blog.csdn.net/sinat_36219858/article/details/79800460
https://blog.csdn.net/weixin_40683253/article/details/87641416