人工智能之數據分析 Matplotlib：第四章圖形類型詳情 - python,直方圖,子圖,數據分析,人工智能,yyds乾貨盤點咚咚王哲博客

人工智能之數據分析 Matplotlib

第四章圖形類型

(文章目錄)

前言

Matplotlib 支持多種圖表類型。本文將詳細介紹 散點圖、柱形圖、餅圖、直方圖 以及其他常見圖表（如箱線圖、熱力圖、面積圖、3D 圖等）的繪製方法、參數説明和典型應用場景。

一、散點圖（Scatter Plot）

用途

顯示兩個變量之間的關係，常用於觀察相關性、聚類或異常值。

基本語法

plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, alpha=None)

x, y：數據點座標
s：點的大小（可為標量或數組）
c：顏色（可為單色、顏色列表或數值映射到 colormap）
marker：標記樣式（如 'o', '^', 's'）
alpha：透明度（0~1）
cmap：顏色映射（配合數值型 c 使用）

示例

import matplotlib.pyplot as plt
import numpy as np

x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.6, cmap='viridis')
plt.colorbar()  # 顯示顏色條
plt.title("Scatter Plot with Color and Size")
plt.show()

二、柱形圖（Bar Chart）

用途

比較不同類別之間的數值大小。

垂直柱形圖

plt.bar(x, height, width=0.8, color=None, label=None)

水平柱形圖

plt.barh(y, width, height=0.8)

示例

categories = ['A', 'B', 'C', 'D']
values = [3, 7, 5, 9]

plt.bar(categories, values, color='skyblue')
plt.title("Bar Chart")
plt.ylabel("Value")
plt.show()

💡 可疊加多個 bar() 實現分組或堆疊柱狀圖。

三、餅圖（Pie Chart）

用途

顯示各部分佔總體的比例（適用於分類較少的情況）。

基本語法

plt.pie(sizes, labels=None, autopct=None, startangle=0, explode=None, colors=None)

sizes：各扇區大小（自動歸一化）
labels：標籤
autopct='%1.1f%%'：顯示百分比
explode：突出某一部分（如 [0, 0.1, 0, 0]）
startangle：起始角度（默認從 x 軸開始）

示例

sizes = [25, 35, 20, 20]
labels = ['Apple', 'Banana', 'Cherry', 'Date']
explode = (0, 0.1, 0, 0)  # 突出 Banana

plt.pie(sizes, labels=labels, autopct='%1.1f%%', explode=explode, startangle=90)
plt.title("Pie Chart")
plt.axis('equal')  # 保證圓形
plt.show()

四、直方圖（Histogram）

用途

展示數據的分佈情況（頻率分佈）。

基本語法

plt.hist(data, bins=10, range=None, density=False, alpha=1.0, color=None)

data：一維數組
bins：分箱數量（整數或邊界列表）
density=True：歸一化為概率密度（面積=1）
alpha：透明度（便於疊加多個直方圖）

示例

data = np.random.normal(100, 15, 1000)  # 正態分佈

plt.hist(data, bins=30, color='lightgreen', edgecolor='black', alpha=0.7)
plt.title("Histogram")
plt.xlabel("Value")
plt.ylabel("Frequency")
plt.show()

五、其他常用圖表

1. 折線圖（Line Plot）

plt.plot(x, y, linestyle='-', marker='o')

最基礎的連續數據趨勢圖。

2. 箱線圖（Box Plot）

顯示數據的五數概括（最小值、Q1、中位數、Q3、最大值）及異常值。

plt.boxplot([data1, data2], labels=['Group1', 'Group2'])

3. 面積圖（Area Plot）

強調累積總量隨時間的變化。

plt.stackplot(x, y1, y2, labels=['A', 'B'], alpha=0.7)

4. 熱力圖（Heatmap）

用顏色表示矩陣中數值大小（需結合 imshow 或 pcolormesh）。

data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title("Heatmap")
plt.show()

更推薦使用 Seaborn 的 sns.heatmap()，功能更強大。

5. 3D 圖（需 `mpl_toolkits.mplot3d`）

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.randn(100)
y = np.random.randn(100)
z = np.random.randn(100)
ax.scatter(x, y, z)
plt.show()

6. 子圖（Multiple Subplots）

使用 plt.subplots() 創建多圖佈局：

import matplotlib.pyplot as plt import numpy as np  
# 創建 2x2 子圖 
fig, axs = plt.subplots(2, 2, figsize=(10, 8))  
# 第一個子圖：折線圖 
x = np.linspace(0, 10, 100) 
y = np.sin(x) 
axs[0, 0].plot(x, y) 
axs[0, 0].set_title('Sine Wave')  
# 第二個子圖：散點圖 
axs[0, 1].scatter([1, 2, 3], [4, 5, 6]) 
axs[0, 1].set_title('Scatter')  
# 第三個：柱狀圖 
axs[1, 0].bar(['A', 'B', 'C'], [3, 7, 5]) 
axs[1, 0].set_title('Bar Chart')  
# 第四個：直方圖 
data = np.random.randn(1000) 
axs[1, 1].hist(data, bins=20) 
axs[1, 1].set_title('Histogram')  
plt.tight_layout() 
plt.show()

六、選擇建議

圖表類型	適用場景
散點圖	兩變量關係、聚類分析
柱形圖	類別間比較
餅圖	構成比例（類別 ≤ 5）
直方圖	數據分佈形態
箱線圖	分佈離散程度、異常值檢測
折線圖	時間序列、趨勢變化
熱力圖	矩陣/相關性可視化

補充：美化建議

使用 plt.style.use('seaborn-v0_8') 或 'ggplot' 改變整體風格
設置字體：plt.rcParams['font.sans-serif'] = ['SimHei']（中文支持）
保存圖像：plt.savefig('chart.png', dpi=300, bbox_inches='tight')

後續

python過渡項目部分代碼已經上傳至gitee，後續會逐步更新。

資料關注

公眾號：咚咚王 gitee：https://gitee.com/wy18585051844/ai_learning

《Python編程：從入門到實踐》《利用Python進行數據分析》《算法導論中文第三版》《概率論與數理統計（第四版） (盛驟) 》《程序員的數學》《線性代數應該這樣學第3版》《微積分和數學分析引論》《（西瓜書）周志華-機器學習》《TensorFlow機器學習實戰指南》《Sklearn與TensorFlow機器學習實用指南》《模式識別（第四版）》《深度學習 deep learning》伊恩·古德費洛著花書《Python深度學習第二版(中文版)【純文本】 (登封大數據 (Francois Choliet)) (Z-Library)》《深入淺出神經網絡與深度學習+(邁克爾·尼爾森（Michael+Nielsen）》《自然語言處理綜論第2版》《Natural-Language-Processing-with-PyTorch》《計算機視覺-算法與應用(中文版)》《Learning OpenCV 4》《AIGC：智能創作時代》杜雨+&+張孜銘《AIGC原理與實踐：零基礎學大語言模型、擴散模型和多模態模型》《從零構建大語言模型（中文版）》《實戰AI大模型》《AI 3.0》

咚咚王哲博客

咚咚王哲博客

博客 / 詳情