Python 图形绘制详细代码怎么写

发布时间：2021-12-22 20:19:51 作者：柒染
来源：亿速云阅读：255

# Python 图形绘制详细代码怎么写

Python凭借其丰富的第三方库，已成为数据可视化和图形绘制的利器。本文将详细介绍使用Matplotlib、Seaborn和Plotly等主流库进行图形绘制的完整代码实现，涵盖从基础图表到高级可视化的全流程。

## 一、环境准备与基础配置

### 1.1 安装必要库
```python
pip install matplotlib seaborn plotly numpy pandas

1.2 基础导入与样式设置

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd

# 设置全局样式
plt.style.use('seaborn')  # 使用seaborn风格
plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

二、Matplotlib基础图形绘制

2.1 折线图绘制

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建画布和坐标系
fig, ax = plt.subplots(figsize=(10, 6))

# 绘制折线图
ax.plot(x, y, 
        color='royalblue', 
        linewidth=2,
        linestyle='--',
        marker='o',
        markersize=8,
        label='正弦曲线')

# 添加标题和标签
ax.set_title('正弦函数曲线', fontsize=16)
ax.set_xlabel('X轴', fontsize=14)
ax.set_ylabel('Y轴', fontsize=14)

# 添加图例和网格
ax.legend(fontsize=12)
ax.grid(True, alpha=0.3)

# 显示图形
plt.show()

2.2 柱状图绘制

# 准备数据
categories = ['A', 'B', 'C', 'D']
values = [25, 40, 30, 50]

fig, ax = plt.subplots(figsize=(8, 6))

# 绘制柱状图
bars = ax.bar(categories, values, 
              color=['#1f77b4', '#ff7f0e', '#2ca02c', '#d62728'],
              edgecolor='black',
              width=0.6)

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

# 设置y轴范围
ax.set_ylim(0, 60)

plt.title('分类柱状图示例')
plt.show()

三、Seaborn高级可视化

3.1 分布图与核密度估计

# 生成随机数据
data = np.random.randn(1000)

# 创建分布图
plt.figure(figsize=(10, 6))
sns.histplot(data, kde=True, bins=30, color='skyblue')

# 添加标注
plt.title('数据分布与核密度估计', fontsize=16)
plt.xlabel('数值', fontsize=14)
plt.ylabel('频数', fontsize=14)
plt.show()

3.2 热力图绘制

# 创建相关矩阵数据
data = pd.DataFrame(np.random.rand(10, 10))

plt.figure(figsize=(10, 8))
sns.heatmap(data, 
            annot=True, 
            fmt=".2f",
            cmap='coolwarm',
            linewidths=0.5,
            cbar_kws={'label': '颜色标尺'})

plt.title('热力图示例', fontsize=16)
plt.show()

四、Plotly交互式可视化

4.1 交互式散点图

import plotly.express as px

# 加载示例数据集
df = px.data.iris()

# 创建3D散点图
fig = px.scatter_3d(df, 
                    x='sepal_length',
                    y='sepal_width',
                    z='petal_width',
                    color='species',
                    size='petal_length',
                    hover_name='species',
                    title='鸢尾花3D散点图')

# 显示图形
fig.show()

4.2 动态时间序列图

import plotly.graph_objects as go

# 创建时间序列数据
dates = pd.date_range('2023-01-01', periods=100)
values = np.random.randn(100).cumsum()

# 创建图形
fig = go.Figure()

# 添加轨迹
fig.add_trace(go.Scatter(
    x=dates,
    y=values,
    mode='lines+markers',
    name='随机游走',
    line=dict(color='firebrick', width=2),
    marker=dict(size=6)
))

# 更新布局
fig.update_layout(
    title='动态时间序列图',
    xaxis_title='日期',
    yaxis_title='数值',
    hovermode='x unified',
    template='plotly_white'
)

fig.show()

五、高级技巧与组合图表

5.1 多子图绘制

# 创建2x2的子图网格
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# 在第一个子图绘制
axes[0,0].plot(np.random.rand(10), color='red')
axes[0,0].set_title('子图1')

# 在第二个子图绘制
axes[0,1].scatter(np.random.rand(10), np.random.rand(10), color='blue')
axes[0,1].set_title('子图2')

# 在第三个子图绘制
axes[1,0].bar(['A','B','C'], [3,7,2], color='green')
axes[1,0].set_title('子图3')

# 在第四个子图绘制
axes[1,1].pie([30,20,50], labels=['A','B','C'], autopct='%1.1f%%')
axes[1,1].set_title('子图4')

# 调整布局
plt.tight_layout()
plt.show()

5.2 自定义样式与注释

# 创建数据
x = np.arange(0, 4*np.pi, 0.1)
y = np.sin(x)

fig, ax = plt.subplots(figsize=(12, 6))

# 绘制曲线
ax.plot(x, y, color='purple', linewidth=3)

# 添加特殊点标注
max_point = np.argmax(y)
ax.annotate('最大值', 
            xy=(x[max_point], y[max_point]),
            xytext=(x[max_point]+1, y[max_point]-0.2),
            arrowprops=dict(facecolor='black', shrink=0.05))

# 添加阴影区域
ax.fill_between(x, y, where=(x >= 2) & (x <= 8),
                color='green', alpha=0.3)

# 添加水平线
ax.axhline(y=0, color='gray', linestyle='--')

plt.title('自定义样式示例', fontsize=16)
plt.show()

六、导出与保存图形

6.1 保存静态图片

# Matplotlib保存
plt.savefig('figure.png', dpi=300, bbox_inches='tight')

# Seaborn保存
sns_plot = sns.histplot(data, kde=True)
sns_plot.figure.savefig('histogram.png')

# Plotly保存
fig.write_image("plotly_figure.png", scale=2)

6.2 导出交互式HTML

# Plotly导出HTML
fig.write_html("interactive_plot.html")

# 添加完整配置
fig.write_html("full_interactive.html",
               include_plotlyjs='cdn',
               full_html=True,
               auto_open=True)

七、性能优化建议

大数据集优化：

# 使用rasterized参数优化大量元素
plt.scatter(big_x, big_y, rasterized=True)

矢量图与位图选择： “`python

对于简单图形使用矢量格式

plt.savefig(‘vector_figure.pdf’)

# 对于复杂图形使用高DPI位图 plt.savefig(‘raster_figure.png’, dpi=600)


3. **交互式图表性能**：
   ```python
   # 在Plotly中简化数据点
   fig = px.line(large_df, x='date', y='value',
                 render_mode='webgl')  # 使用WebGL加速

结语

本文详细介绍了Python图形绘制的完整流程，从基础的Matplotlib图表到Seaborn的高级统计可视化，再到Plotly的交互式图表。通过2000余字的详细代码演示，您应该已经掌握了：

各类基础图表的绘制方法
样式自定义与注释技巧
多图组合与子图布局
交互式可视化的实现
图形导出与性能优化

建议读者在实际项目中结合具体需求选择合适的可视化方式，并不断尝试新的图表类型和样式配置，以创建更加专业、直观的数据可视化作品。 “`

这篇文章提供了完整的Markdown格式内容，包含： 1. 7个主要章节的详细代码示例 2. 多种图表类型的实现方法 3. 实际可运行的Python代码片段 4. 格式规范的Markdown结构 5. 总计约2050字的技术内容

每个示例都包含完整的配置参数和注释说明，可以直接复制到Jupyter Notebook或Python脚本中运行。