1、常见的图形种类及意义
- 折线图：以折现的上升或下降来表示统计数量的增减变化的统计图
特点：能够显示数据的变化趋势，反应事物的变化情况。（变化）
- 散点图：用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式
特点：判断变量之间是否存在数量关联趋势，展示离群点（分布规律）
- 柱状图：排列在工作表的列或行中的数据可以绘制到柱状图中。
特点：绘制连离散的数据，能够一眼看出各数组的大小，比较数据之间的差别（统计）
- 直方图：由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据范围
特点：绘制连续性的数据展示一组或者多组数据的分布状况（统计）
- 饼图（略）
2、Matplotlib画图的简单实现
#导入模块，两种导入方式 #import matplotlib.pyplot as plt from matplotlib import pyplot as plt #在jupyter中执行的时候显示图片，相当于plt.show() #用其他的开发环境的时候不能用这句 %matplotlib inline #传入数据，二维坐标数据，用x、y表示 #x和y的数量必须一一对应，因为是坐标值 x = [1, 0, 9] y = [2, 5, 2] plt.plot(x, y) plt.show()
matplotlib.plot(*args, **kwargs)：在画布上绘制图表函数
matplotlib.subplot(*args, **kwargs)：功能同plot函数相同，区别是subplot可以在一个画布上绘制多个图表
这个例子完成了一个最简单的图表的绘制，涉及两个函数matplotlib.plt和matplotlib.show（绘制然后显示）,需要提供坐标数据
3、对Matplotlib图像结构的认识
注：此图非常重要，要在脑中记住
解析图片：
- 画布（plt.figure()）：Figure，想象成现实中的画布，然后再画布上绘制图表，可以绘制多个。
plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, clear=False, **kwargs)：这个函数可以设置画布的信息
num：大致相当于画布对象的名字，因为可能有多个画布对象，每个画布对象需要num表示，比如“a”画布、‘b’画布，多个画布的话需要用到plt.close()：关闭figure对象
figsize：画布尺寸
dpi：画布像素个数
facecolor：背景颜色
edgecolor：边框颜色
frameon：默认True为可以绘制边框，如果是False则是禁止绘制边框
FigureClass：派生类
clear：重建figure实例
- 折线图：plt.plot()
- 散点图：plt.scatter()
- 网格：plt.grid()
- x轴：标题、标签、刻度
- y轴：标题、标签、刻度
- 图形标题：plt.title
- 图例说明：legend
- 绘图区边框：spines
- 中文的显示
以上就是图像结构包含的元素，这些元素都可以自己通过plt.XXX函数来设置，得到自己想要的图形，只需要提供数据就行，所以这个图形结构很重要。
下面就是对以上介绍的元素进行设置的基本流程及代码实现
4、绘制折线图(plt.plot())
from matplotlib import pyplot as plt x = range(1, 8) #X轴的位置，从1到7共7个 y = [random.randint(11, 19) for i in range(1, 8)] plt.plot(x, y) #注意，这里的plot函数隐藏着迭代功能，因为这行代码 #相当于plt.plot(range(1, 8), y)，python弱语言的体现 plt.show()
plt.plot(*args, **kwargs)函数的使用：通过对参数的设定，可以控制折线的不同表现形式，比如折线的颜色、折线的透明度、折线的形式、折线的宽度等等
color、alpha、linestyle、linewidth、marker（折点的样式）
5、plt.figure
6、绘制x、y轴的刻度：plt.xticks()、plt.yticks()