Python怎么实现折线图、柱状图、饼图

发布时间：2021-11-23 11:39:18 作者：iii
来源：亿速云阅读：202

# Python怎么实现折线图、柱状图、饼图

数据可视化是数据分析中不可或缺的一环，Python凭借其丰富的库生态系统成为实现可视化的首选工具。本文将详细介绍如何使用Matplotlib和Seaborn库绘制折线图、柱状图和饼图，并通过实际代码示例展示完整实现过程。

## 一、环境准备与基础库介绍

### 1.1 安装必要库
在开始之前，请确保已安装以下Python库：
```python
pip install matplotlib seaborn numpy pandas

1.2 核心库简介

Matplotlib：Python最基础的2D绘图库，提供类似MATLAB的绘图接口
Seaborn：基于Matplotlib的高级可视化库，默认样式更美观
Pandas：数据处理库，完美配合可视化操作

二、折线图实现

2.1 基础折线图

折线图适合展示数据随时间变化的趋势。

import matplotlib.pyplot as plt
import numpy as np

# 生成示例数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建画布和坐标系
plt.figure(figsize=(8, 4))

# 绘制折线图
plt.plot(x, y, 
         color='royalblue',
         linestyle='-',
         linewidth=2,
         marker='o',
         markersize=4,
         label='sin(x)')

# 添加标题和标签
plt.title('Basic Line Chart', fontsize=14)
plt.xlabel('X Axis', fontsize=12)
plt.ylabel('Y Axis', fontsize=12)

# 添加图例和网格
plt.legend()
plt.grid(alpha=0.4)

# 显示图表
plt.show()

2.2 多线折线图

比较多个数据序列的趋势变化：

# 生成多组数据
x = np.arange(1, 11)
y1 = np.random.randint(10, 30, 10)
y2 = np.random.randint(20, 40, 10)
y3 = np.random.randint(5, 25, 10)

plt.figure(figsize=(9, 5))

# 绘制多条折线
plt.plot(x, y1, label='Product A', marker='s')
plt.plot(x, y2, label='Product B', marker='^')
plt.plot(x, y3, label='Product C', marker='D')

# 高级设置
plt.xticks(x, [f'Week {i}' for i in x])  # 自定义x轴刻度
plt.ylim(0, 50)  # 设置y轴范围

# 添加数据标签
for a, b in zip(x, y1):
    plt.text(a, b+1, str(b), ha='center')
    
plt.title('Sales Trend Comparison')
plt.legend(loc='upper left')
plt.tight_layout()
plt.show()

2.3 使用Seaborn优化样式

import seaborn as sns
import pandas as pd

# 创建DataFrame数据
df = pd.DataFrame({
    'Month': ['Jan', 'Feb', 'Mar', 'Apr'],
    'Revenue': [45, 37, 52, 48],
    'Cost': [30, 25, 36, 32]
})

# 设置Seaborn样式
sns.set_style("whitegrid")

# 绘制折线图
sns.lineplot(data=df, x='Month', y='Revenue', 
             marker='o', label='Revenue')
sns.lineplot(data=df, x='Month', y='Cost', 
             marker='s', label='Cost')

plt.title('Business Performance')
plt.ylabel('Amount (million)')
plt.show()

三、柱状图实现

3.1 基础柱状图

适合比较不同类别的数值大小。

categories = ['A', 'B', 'C', 'D']
values = [15, 24, 18, 27]

plt.figure(figsize=(7, 5))

# 绘制柱状图
bars = plt.bar(categories, values, 
               color=['#3498db', '#2ecc71', '#f1c40f', '#e74c3c'],
               width=0.6)

# 添加数据标签
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height,
             f'{height}',
             ha='center', va='bottom')

plt.title('Basic Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()

3.2 堆叠/分组柱状图

# 准备数据
labels = ['Q1', 'Q2', 'Q3', 'Q4']
men = [20, 35, 30, 35]
women = [25, 32, 34, 20]

x = np.arange(len(labels))
width = 0.35

fig, ax = plt.subplots(figsize=(9, 5))

# 绘制分组柱状图
rects1 = ax.bar(x - width/2, men, width, label='Men')
rects2 = ax.bar(x + width/2, women, width, label='Women')

# 自定义设置
ax.set_xticks(x)
ax.set_xticklabels(labels)
ax.set_ylabel('Scores')
ax.set_title('Scores by group and quarter')
ax.legend()

# 自动调整标签位置
fig.tight_layout()
plt.show()

3.3 水平柱状图

countries = ['USA', 'China', 'Japan', 'Germany', 'UK']
gdp = [21.4, 14.3, 5.1, 3.9, 2.8]

plt.figure(figsize=(8, 4))
bars = plt.barh(countries, gdp, color='teal')

# 添加数据标签
for bar in bars:
    width = bar.get_width()
    plt.text(width, bar.get_y() + bar.get_height()/2,
             f'${width}tr',
             va='center')

plt.title('GDP Comparison (2020)')
plt.xlabel('Trillion USD')
plt.grid(axis='x', alpha=0.3)
plt.show()

四、饼图实现

4.1 基础饼图

适合展示比例分布关系。

sizes = [15, 30, 25, 10, 20]
labels = ['A', 'B', 'C', 'D', 'E']
colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99', '#c2c2f0']

plt.figure(figsize=(6, 6))

# 绘制饼图
patches, texts, autotexts = plt.pie(
    sizes, 
    labels=labels,
    colors=colors,
    autopct='%1.1f%%',
    startangle=90,
    explode=(0.05, 0, 0, 0, 0)  # 突出第一块
)

# 设置文本样式
for text in texts:
    text.set_size(12)
for autotext in autotexts:
    autotext.set_size(10)
    autotext.set_color('white')

plt.title('Basic Pie Chart', fontsize=14)
plt.show()

4.2 环形图

# 数据准备
data = [35, 25, 20, 15, 5]
labels = ['Group A', 'Group B', 'Group C', 'Group D', 'Group E']

# 创建子图
fig, ax = plt.subplots(figsize=(6, 6))

# 绘制环形图
wedges, _ = ax.pie(data, radius=1, 
                   colors=sns.color_palette("Set2"),
                   wedgeprops=dict(width=0.3, edgecolor='w'))

# 添加图例
ax.legend(wedges, labels,
          title="Categories",
          loc="center left",
          bbox_to_anchor=(1, 0, 0.5, 1))

plt.title('Donut Chart')
plt.show()

4.3 使用Pandas快速生成饼图

# 创建Series数据
s = pd.Series([20, 30, 25, 25], 
              index=['A', 'B', 'C', 'D'])

# 直接调用plot方法
s.plot.pie(figsize=(6, 6),
           autopct='%.1f%%',
           explode=(0.1, 0, 0, 0),
           shadow=True,
           startangle=90)

plt.ylabel('')  # 移除默认的ylabel
plt.title('Pie Chart from Pandas')
plt.show()

五、实用技巧与常见问题

5.1 图表保存

plt.savefig('chart.png', dpi=300, bbox_inches='tight')

5.2 解决中文显示问题

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统
plt.rcParams['axes.unicode_minus'] = False

5.3 样式主题设置

plt.style.use('ggplot')  # 可选: 'seaborn', 'fivethirtyeight'等

六、总结

本文详细介绍了Python中使用Matplotlib和Seaborn绘制三种基础图表的方法：

折线图：最适合展示数据随时间变化的趋势
- 使用plt.plot()或sns.lineplot()
- 关键参数：marker, linestyle, linewidth
柱状图：最擅长比较不同类别的数值差异
- 使用plt.bar()或plt.barh()
- 关键参数：width, color, edgecolor
饼图：最有效展示整体中各部分的比例关系
- 使用plt.pie()
- 关键参数：autopct, explode, startangle

实际应用中应根据数据特点和展示目的选择合适的图表类型。对于更复杂的可视化需求，可以结合Pandas的数据处理能力和Seaborn的高级图表功能来实现。 “`