2026/8/19 20:40:00
FEATURED · 精选文章 
目录带基线的棒棒糖图1带基线的棒棒糖图2带标记的棒棒糖图哑铃图1哑铃图2包点图1包点图2雷达图1雷达图2交互式雷达图【声明】未经版权人书面许可任何单位或个人不得以任何形式复制、发行、出租、改编、汇编、传播、展示或利用本博客的全部或部分内容也不得在未经版权人授权的情况下将本博客用于任何商业目的。但版权人允许个人学习、研究、欣赏等非商业性用途的复制和传播。非常推荐大家学习《Python数据可视化科技图表绘制》这本书籍。带基线的棒棒糖图1import matplotlib.pyplot as plt import numpy as np # 生成数据 x np.linspace(0, 2 * np.pi, 100) # 生成100个从0到2π的等间隔数据 y np.sin(x) np.random.uniform(sizelen(x)) - 0.2 # 根据正弦函数生成y值并添加一些随机噪声 my_color np.where(y 0, orange, skyblue) # 根据y的正负确定颜色 plt.vlines(xx, ymin0, ymaxy, colormy_color, alpha0.4) # 绘制垂直柱状图 plt.scatter(x, y, colormy_color, s1, alpha1) # 绘制散点图 # 添加标题和坐标轴标签 plt.title(Evolution of the value of ..., locleft) # 设置标题左对齐 plt.xlabel(Value of the variable) # x轴标签 plt.ylabel(Group) # y轴标签 # 保存图片 plt.savefig(P109带基线的棒棒糖图1.png, dpi600, transparentTrue) plt.show()带基线的棒棒糖图1带基线的棒棒糖图2import matplotlib.pyplot as plt import numpy as np # 创建数据 np.random.seed(19781101) # 固定随机种子以便结果可复现 values np.random.uniform(size80) # 生成80个0到1之间的随机数 positions np.arange(len(values)) # 生成与values长度相同的位置数组 plt.figure(figsize(10, 6)) # 创建图形窗口大小 # 使用bottom参数自定义位置 plt.subplot(2, 2, 1) # 创建一个2x2的子图矩阵并选择第1个子图 plt.stem(values, markerfmt , bottom0.5) # 绘制棒棒糖图设置基线位置 plt.title(Custom Bottom) # 设置子图标题 # 隐藏基线 plt.subplot(2, 2, 2) # 选择第2个子图 (markers, stemlines, baseline) plt.stem(values) # 获取stem图的组件 plt.setp(baseline, visibleFalse) # 隐藏基线 plt.title(Hide Baseline) # 设置子图标题 # 隐藏基线-第二种方法 plt.subplot(2, 2, 3) # 选择第3个子图 plt.stem(values, basefmt ) # 绘制棒棒糖图设置基线格式为空 plt.title(Hide Baseline-Method 2) # 设置子图标题 # 自定义基线的颜色和线型 plt.subplot(2, 2, 4) # 选择第4个子图 (markers, stemlines, baseline) plt.stem(values) # 获取棒棒糖图的组件 plt.setp(baseline, linestyle-, colorgrey, linewidth6) # 设置基线的颜色、线型和线宽 plt.title(Custom Baseline Color and Style) # 设置子图标题 plt.tight_layout() # 自动调整子图布局 # 保存图片时自动调整边界 plt.savefig(P111带基线的棒棒糖图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()带基线的棒棒糖图2带标记的棒棒糖图import pandas as pd import matplotlib.pyplot as plt import matplotlib.patches as patches df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv) # 读取数据 # 提取mpg列作为x变量并计算其标准化值 x df.loc[:, [mpg]] df[mpg_z] (x - x.mean()) / x.std() df[colors] black # 设置所有点的颜色为黑色 # 为Fiat X1-9设置不同的颜色 df.loc[df.cars Fiat X1-9, colors] darkorange # 根据mpg_z列的值对数据进行排序 df.sort_values(mpg_z, inplaceTrue) df.reset_index(inplaceTrue) plt.figure(figsize(14, 12), dpi80) # 绘制图形 plt.hlines(ydf.index, xmin0, xmaxdf.mpg_z, colordf.colors, alpha0.4, linewidth1) # 绘制水平线 # 绘制散点图并为Fiat X1-9设置不同的大小 plt.scatter(df.mpg_z, df.index, colordf.colors, s[600 if x Fiat X1-9 else 300 for x in df.cars], alpha0.6) plt.yticks(df.index, df.cars) # 设置y轴刻度标签 plt.xticks(fontsize12) # 设置x轴刻度字体大小 # 添加注释 plt.annotate(Mercedes Models, xy(0.0, 11.0), xytext(1.0, 11), xycoordsdata, fontsize15, hacenter, vacenter, bboxdict(boxstylesquare, fcfirebrick), arrowpropsdict(arrowstyle-[,widthB2.0,lengthB1.5, lw2.0, colorsteelblue), colorwhite) # 添加补丁 p1 patches.Rectangle((-2.0, -1), width0.3, height3, alpha0.2, facecolorred) p2 patches.Rectangle((1.5, 27), width0.8, height5, alpha0.2, facecolorgreen) plt.gca().add_patch(p1) plt.gca().add_patch(p2) # 图形修饰 plt.title(Diverging Bars of Car Mileage, fontdict{size: 20}) # 设置标题 plt.grid(linestyle--, alpha0.5) # 添加网格线 # 保存图片时自动调整边界 plt.savefig(P112带标记的棒棒糖图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()带标记的棒棒糖图哑铃图1import numpy as np import pandas as pd import matplotlib.pyplot as plt # 创建一个DataFrame value1 np.random.uniform(size20) # 生成第一组随机数 value2 value1 np.random.uniform(size20) / 4 # 生成第二组随机数基于第一组数据并加上一定随机量 df pd.DataFrame({ group: list(map(chr, range(65, 85))), # 创建从A到T的组标签 value1: value1, value2: value2 }) # 按照第一组值的大小对DataFrame进行排序 ordered_df df.sort_values(byvalue1) my_range range(1, len(df.index) 1) # 创建一个范围用于y轴坐标 # 使用hlines函数绘制水平线图 plt.hlines(ymy_range, xminordered_df[value1], xmaxordered_df[value2], colorgrey, alpha0.4) # 绘制水平线 plt.scatter(ordered_df[value1], my_range, colorskyblue, alpha1, labelvalue1) # 绘制value1的散点图 plt.scatter(ordered_df[value2], my_range, colorgreen, alpha0.4, labelvalue2) # 绘制value2的散点图 plt.legend() # 显示图例 # 添加标题和坐标轴名称 plt.yticks(my_range, ordered_df[group]) # 设置y轴标签和坐标 plt.title(Comparison of the value 1 and the value 2, locleft) # 设置标题 plt.xlabel(Value of the variables) # 设置x轴标签 plt.ylabel(Group) # 设置y轴标签 # 保存图片时自动调整边界 plt.savefig(P114哑铃图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()哑铃图1哑铃图2import pandas as pd import matplotlib.pyplot as plt import matplotlib.lines as mlines # 导入线段模块 df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\health.csv) # 导入数据 # 按 2014 年的数据进行排序 df.sort_values(pct_2014, inplaceTrue) df.reset_index(inplaceTrue) # 绘制线段的函数 def newline(p1, p2, colorblack): ax plt.gca() # 获取当前坐标轴 l mlines.Line2D([p1[0], p2[0]], [p1[1], p2[1]], colorskyblue) # 创建线段对象 ax.add_line(l) # 添加线段到坐标轴 return l # 创建图形和轴 fig, ax plt.subplots(1, 1, figsize(8, 5), facecolor#f7f7f7, dpi600) # 绘制垂直的参考线 # 绘制垂直的参考线用于标记百分比位置 ax.vlines(x.05, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.10, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.15, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.20, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) # 绘制 2013 年和 2014 年的点 # 使用散点图绘制 2013 年和 2014 年的数据点 ax.scatter(ydf[index], xdf[pct_2013], s50, color#0e668b, alpha0.7, label2013) # 绘制 2013 年数据点 ax.scatter(ydf[index], xdf[pct_2014], s50, color#a3c4dc, alpha0.7, label2014) # 绘制 2014 年数据点 # 绘制线段 # 使用for循环遍历DataFrame的每一行并绘制相应的线段 for i, p1, p2 in zip(df[index], df[pct_2013], df[pct_2014]): newline([p1, i], [p2, i]) # 调用函数绘制线段 # 图形修饰 # 设置图形的背景颜色和标题 ax.set_facecolor(#f7f7f7) ax.set_title(Dumbbell Chart:Pct Change-2013 vs 2014, fontdict{size: 16}) # 设置标题 ax.set(xlim(0, .25), ylim(-1, 27), ylabelIndex, xlabelPercentage) # 设置坐标轴的范围和标签 ax.set_xticks([.05, .1, .15, .20]) # 设置x轴刻度位置 ax.set_xticklabels([5%, 10%, 15%, 20%]) # 设置x轴刻度标签 ax.legend() # 显示图例 # 保存图片时自动调整边界 plt.savefig(P115哑铃图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()哑铃图2包点图1import pandas as pd import matplotlib.pyplot as plt df_raw pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv) # 读取数据 # 按制造商分组并计算每个制造商的平均城市里程 df df_raw[[cty, manufacturer]].groupby(manufacturer).apply( lambda x: x.mean()) # 按城市里程排序数据 df.sort_values(cty, inplaceTrue) df.reset_index(inplaceTrue) fig, ax plt.subplots(figsize(8, 5), dpi600) # 绘图 # 使用hlines绘制水平线条代表每个制造商 ax.hlines(ydf.index, xmin11, xmax26, colorgray, alpha0.7, linewidth1, linestylesdashdot) # 使用scatter绘制点点的位置表示城市里程 ax.scatter(ydf.index, xdf.cty, s75, colorfirebrick, alpha0.7) # 设置标题、标签、刻度和x轴范围 ax.set_title(Dot Plot for Highway Mileage, fontdict{size: 16}) # 设置标题 ax.set_xlabel(Miles Per Gallon) # 设置横轴标签 ax.set_yticks(df.index) # 设置纵轴刻度 ax.set_yticklabels(df.manufacturer.str.title(), fontdict{ horizontalalignment: right}) # 设置纵轴标签 ax.set_xlim(10, 27) # 设置x轴范围 # 保存图片时自动调整边界 plt.savefig(P117包点图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()包点图1包点图2# 导入必要的库 import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv) # 读取数据 # 提取mpg列作为x变量并计算其标准化值 x df.loc[:, [mpg]] df[mpg_z] (x - x.mean()) / x.std() # 根据mpg_z列的值确定颜色 df[colors] [red if x 0 else darkgreen for x in df[mpg_z]] df.sort_values(mpg_z, inplaceTrue) # 根据mpg_z列的值对数据进行排序 df.reset_index(inplaceTrue) # 重置索引 # 绘制图形 plt.figure(figsize(14, 12), dpi600) plt.scatter(df.mpg_z, df.index, s450, alpha0.6, colordf.colors) # 在每个点上添加mpg_z的值作为标签 for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z): t plt.text(x, y, round(tex, 1), horizontalalignmentcenter, verticalalignmentcenter, fontdict{color: white}) # 轻化边框 plt.gca().spines[top].set_alpha(0.3) plt.gca().spines[bottom].set_alpha(0.3) plt.gca().spines[right].set_alpha(0.3) plt.gca().spines[left].set_alpha(0.3) plt.yticks(df.index, df.cars) # 设置y轴刻度标签 plt.title(Diverging Dotplot of Car Mileage, fontdict{size: 20}) # 设置标题 plt.xlabel($Mileage$) # 设置x轴标签 plt.grid(linestyle--, alpha0.5) # 添加网格线 plt.xlim(-2.5, 2.5) # 设置x轴范围 # 保存图片时自动调整边界 plt.savefig(P119包点图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()包点图2雷达图1import matplotlib.pyplot as plt import pandas as pd import numpy as np # 设置数据 df pd.DataFrame({group: [A, B, C, D, E], # 五组数据 var1: [38, 1.5, 30, 4, 29], var2: [29, 10, 9, 34, 18], var3: [8, 39, 23, 24, 19], var4: [7, 31, 33, 14, 33], var5: [28, 15, 32, 14, 22]}) # 每组数据的变量 # 获取变量列表 categories list(df.columns[1:]) N len(categories) # 通过复制第1个值来闭合雷达图 values df.loc[0].drop(group).values.flatten().tolist() values values[:1] # 计算每个变量的角度 angles [n / float(N) * 2 * np.pi for n in range(N)] angles angles[:1] # 初始化雷达图 fig, ax plt.subplots(figsize(4, 4), subplot_kwdict(polarTrue)) # 绘制每个变量的轴并添加标签 plt.xticks(angles[:-1], categories, colorgrey, size8) # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) plt.ylim(0, 40) ax.plot(angles, values, linewidth1, linestylesolid) # 绘制数据 ax.fill(angles, values, b, alpha0.1) # 填充区域 # 保存图片时自动调整边界 plt.savefig(P120雷达图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()雷达图1雷达图2import matplotlib.pyplot as plt import pandas as pd import numpy as np # 设置数据 df pd.DataFrame({group: [A, B, C, D, E], # 五组数据 var1: [38, 1.5, 30, 4, 29], var2: [29, 10, 9, 34, 18], var3: [8, 39, 23, 24, 19], var4: [7, 31, 33, 14, 33], var5: [28, 15, 32, 14, 22]}) # 每组数据的变量 # ------- 第一部分:创建背景 categories list(df)[1:] # 列出除了group列之外的所有列名 N len(categories) # 变量的数量 # 计算每个轴在图中的角度将图分成等份每个变量对应一个角度 angles [n / float(N) * 2 * 3.14 for n in range(N)] # 计算角度 angles angles[:1] # 为了闭合图形将第1个角度再次添加到列表末尾 # 初始化雷达图 ax plt.subplot(111, polarTrue) # 第1个轴在图的顶部 ax.set_theta_offset(3.14 / 2) ax.set_theta_direction(-1) # 为每个变量添加标签 plt.xticks(angles[:-1], categories) # 设置x轴标签 # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) # 设置y轴刻度 plt.ylim(0, 40) # 设置y轴范围 # ------- 第二部分:添加绘图 # 绘制第1个个体 values df.loc[0].drop(group).values.flatten().tolist() # 获取第一组的值 values values[:1] # 为了闭合图形将第1个值再次添加到列表末尾 ax.plot(angles, values, linewidth1, linestylesolid, labelgroup A) # 绘制线条 ax.fill(angles, values, b, alpha0.1) # 填充颜色 # 绘制第2个个体 values df.loc[1].drop(group).values.flatten().tolist() # 获取第二组的值 values values[:1] # 为了闭合图形将第1个值再次添加到列表末尾 ax.plot(angles, values, linewidth1, linestylesolid, labelgroup B) # 绘制线条 ax.fill(angles, values, r, alpha0.1) # 填充颜色 plt.legend(locupper right, bbox_to_anchor(0.1, 0.1)) # 添加图例 # 保存图片时自动调整边界 plt.savefig(P122雷达图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()雷达图2交互式雷达图import matplotlib.pyplot as plt import pandas as pd # 设置数据 df pd.DataFrame({group: [A, B, C, D], var1: [38, 1.5, 30, 4], var2: [29, 10, 9, 34], var3: [8, 39, 23, 24], var4: [7, 31, 33, 14], var5: [28, 15, 32, 14]}) # ------- 第一部分:定义一个函数来绘制数据集中的每一行 def make_spider(row, title, color): # 变量的数量 categories list(df)[1:] N len(categories) # 计算每个轴在图中的角度 angles [n / float(N) * 2 * 3.14 for n in range(N)] angles angles[:1] ax plt.subplot(1, 4, row 1, polarTrue) # 初始化雷达图 # 如果希望第1个轴在顶部 ax.set_theta_offset(3.14 / 2) ax.set_theta_direction(-1) # 为每个变量添加标签 plt.xticks(angles[:-1], categories, colorgrey, size8) # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) plt.ylim(0, 40) # 绘制数据 values df.loc[row].drop(group).values.flatten().tolist() values values[:1] ax.plot(angles, values, colorcolor, linewidth2, linestylesolid) ax.fill(angles, values, colorcolor, alpha0.4) plt.title(title, size11, colorcolor, y1.1) # 添加标题 # ------- 第二部分:将函数应用到所有数据 # 初始化图形 my_dpi 96 plt.figure(figsize(1000 / my_dpi, 1000 / my_dpi), dpimy_dpi) my_palette plt.colormaps.get_cmap(Set2) # 创建颜色调色板 # 循环绘制雷达图 for row in range(0, len(df.index)): make_spider(rowrow, titlegroup df[group][row], colormy_palette(row)) # 保存图片时自动调整边界 plt.savefig(P123交互式雷达图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()交互式雷达图
Python数据可视化科技图表绘制系列教程（四）
目录带基线的棒棒糖图1带基线的棒棒糖图2带标记的棒棒糖图哑铃图1哑铃图2包点图1包点图2雷达图1雷达图2交互式雷达图【声明】未经版权人书面许可任何单位或个人不得以任何形式复制、发行、出租、改编、汇编、传播、展示或利用本博客的全部或部分内容也不得在未经版权人授权的情况下将本博客用于任何商业目的。但版权人允许个人学习、研究、欣赏等非商业性用途的复制和传播。非常推荐大家学习《Python数据可视化科技图表绘制》这本书籍。带基线的棒棒糖图1import matplotlib.pyplot as plt import numpy as np # 生成数据 x np.linspace(0, 2 * np.pi, 100) # 生成100个从0到2π的等间隔数据 y np.sin(x) np.random.uniform(sizelen(x)) - 0.2 # 根据正弦函数生成y值并添加一些随机噪声 my_color np.where(y 0, orange, skyblue) # 根据y的正负确定颜色 plt.vlines(xx, ymin0, ymaxy, colormy_color, alpha0.4) # 绘制垂直柱状图 plt.scatter(x, y, colormy_color, s1, alpha1) # 绘制散点图 # 添加标题和坐标轴标签 plt.title(Evolution of the value of ..., locleft) # 设置标题左对齐 plt.xlabel(Value of the variable) # x轴标签 plt.ylabel(Group) # y轴标签 # 保存图片 plt.savefig(P109带基线的棒棒糖图1.png, dpi600, transparentTrue) plt.show()带基线的棒棒糖图1带基线的棒棒糖图2import matplotlib.pyplot as plt import numpy as np # 创建数据 np.random.seed(19781101) # 固定随机种子以便结果可复现 values np.random.uniform(size80) # 生成80个0到1之间的随机数 positions np.arange(len(values)) # 生成与values长度相同的位置数组 plt.figure(figsize(10, 6)) # 创建图形窗口大小 # 使用bottom参数自定义位置 plt.subplot(2, 2, 1) # 创建一个2x2的子图矩阵并选择第1个子图 plt.stem(values, markerfmt , bottom0.5) # 绘制棒棒糖图设置基线位置 plt.title(Custom Bottom) # 设置子图标题 # 隐藏基线 plt.subplot(2, 2, 2) # 选择第2个子图 (markers, stemlines, baseline) plt.stem(values) # 获取stem图的组件 plt.setp(baseline, visibleFalse) # 隐藏基线 plt.title(Hide Baseline) # 设置子图标题 # 隐藏基线-第二种方法 plt.subplot(2, 2, 3) # 选择第3个子图 plt.stem(values, basefmt ) # 绘制棒棒糖图设置基线格式为空 plt.title(Hide Baseline-Method 2) # 设置子图标题 # 自定义基线的颜色和线型 plt.subplot(2, 2, 4) # 选择第4个子图 (markers, stemlines, baseline) plt.stem(values) # 获取棒棒糖图的组件 plt.setp(baseline, linestyle-, colorgrey, linewidth6) # 设置基线的颜色、线型和线宽 plt.title(Custom Baseline Color and Style) # 设置子图标题 plt.tight_layout() # 自动调整子图布局 # 保存图片时自动调整边界 plt.savefig(P111带基线的棒棒糖图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()带基线的棒棒糖图2带标记的棒棒糖图import pandas as pd import matplotlib.pyplot as plt import matplotlib.patches as patches df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv) # 读取数据 # 提取mpg列作为x变量并计算其标准化值 x df.loc[:, [mpg]] df[mpg_z] (x - x.mean()) / x.std() df[colors] black # 设置所有点的颜色为黑色 # 为Fiat X1-9设置不同的颜色 df.loc[df.cars Fiat X1-9, colors] darkorange # 根据mpg_z列的值对数据进行排序 df.sort_values(mpg_z, inplaceTrue) df.reset_index(inplaceTrue) plt.figure(figsize(14, 12), dpi80) # 绘制图形 plt.hlines(ydf.index, xmin0, xmaxdf.mpg_z, colordf.colors, alpha0.4, linewidth1) # 绘制水平线 # 绘制散点图并为Fiat X1-9设置不同的大小 plt.scatter(df.mpg_z, df.index, colordf.colors, s[600 if x Fiat X1-9 else 300 for x in df.cars], alpha0.6) plt.yticks(df.index, df.cars) # 设置y轴刻度标签 plt.xticks(fontsize12) # 设置x轴刻度字体大小 # 添加注释 plt.annotate(Mercedes Models, xy(0.0, 11.0), xytext(1.0, 11), xycoordsdata, fontsize15, hacenter, vacenter, bboxdict(boxstylesquare, fcfirebrick), arrowpropsdict(arrowstyle-[,widthB2.0,lengthB1.5, lw2.0, colorsteelblue), colorwhite) # 添加补丁 p1 patches.Rectangle((-2.0, -1), width0.3, height3, alpha0.2, facecolorred) p2 patches.Rectangle((1.5, 27), width0.8, height5, alpha0.2, facecolorgreen) plt.gca().add_patch(p1) plt.gca().add_patch(p2) # 图形修饰 plt.title(Diverging Bars of Car Mileage, fontdict{size: 20}) # 设置标题 plt.grid(linestyle--, alpha0.5) # 添加网格线 # 保存图片时自动调整边界 plt.savefig(P112带标记的棒棒糖图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()带标记的棒棒糖图哑铃图1import numpy as np import pandas as pd import matplotlib.pyplot as plt # 创建一个DataFrame value1 np.random.uniform(size20) # 生成第一组随机数 value2 value1 np.random.uniform(size20) / 4 # 生成第二组随机数基于第一组数据并加上一定随机量 df pd.DataFrame({ group: list(map(chr, range(65, 85))), # 创建从A到T的组标签 value1: value1, value2: value2 }) # 按照第一组值的大小对DataFrame进行排序 ordered_df df.sort_values(byvalue1) my_range range(1, len(df.index) 1) # 创建一个范围用于y轴坐标 # 使用hlines函数绘制水平线图 plt.hlines(ymy_range, xminordered_df[value1], xmaxordered_df[value2], colorgrey, alpha0.4) # 绘制水平线 plt.scatter(ordered_df[value1], my_range, colorskyblue, alpha1, labelvalue1) # 绘制value1的散点图 plt.scatter(ordered_df[value2], my_range, colorgreen, alpha0.4, labelvalue2) # 绘制value2的散点图 plt.legend() # 显示图例 # 添加标题和坐标轴名称 plt.yticks(my_range, ordered_df[group]) # 设置y轴标签和坐标 plt.title(Comparison of the value 1 and the value 2, locleft) # 设置标题 plt.xlabel(Value of the variables) # 设置x轴标签 plt.ylabel(Group) # 设置y轴标签 # 保存图片时自动调整边界 plt.savefig(P114哑铃图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()哑铃图1哑铃图2import pandas as pd import matplotlib.pyplot as plt import matplotlib.lines as mlines # 导入线段模块 df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\health.csv) # 导入数据 # 按 2014 年的数据进行排序 df.sort_values(pct_2014, inplaceTrue) df.reset_index(inplaceTrue) # 绘制线段的函数 def newline(p1, p2, colorblack): ax plt.gca() # 获取当前坐标轴 l mlines.Line2D([p1[0], p2[0]], [p1[1], p2[1]], colorskyblue) # 创建线段对象 ax.add_line(l) # 添加线段到坐标轴 return l # 创建图形和轴 fig, ax plt.subplots(1, 1, figsize(8, 5), facecolor#f7f7f7, dpi600) # 绘制垂直的参考线 # 绘制垂直的参考线用于标记百分比位置 ax.vlines(x.05, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.10, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.15, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) ax.vlines(x.20, ymin0, ymax26, colorblack, alpha1, linewidth1, linestylesdotted) # 绘制 2013 年和 2014 年的点 # 使用散点图绘制 2013 年和 2014 年的数据点 ax.scatter(ydf[index], xdf[pct_2013], s50, color#0e668b, alpha0.7, label2013) # 绘制 2013 年数据点 ax.scatter(ydf[index], xdf[pct_2014], s50, color#a3c4dc, alpha0.7, label2014) # 绘制 2014 年数据点 # 绘制线段 # 使用for循环遍历DataFrame的每一行并绘制相应的线段 for i, p1, p2 in zip(df[index], df[pct_2013], df[pct_2014]): newline([p1, i], [p2, i]) # 调用函数绘制线段 # 图形修饰 # 设置图形的背景颜色和标题 ax.set_facecolor(#f7f7f7) ax.set_title(Dumbbell Chart:Pct Change-2013 vs 2014, fontdict{size: 16}) # 设置标题 ax.set(xlim(0, .25), ylim(-1, 27), ylabelIndex, xlabelPercentage) # 设置坐标轴的范围和标签 ax.set_xticks([.05, .1, .15, .20]) # 设置x轴刻度位置 ax.set_xticklabels([5%, 10%, 15%, 20%]) # 设置x轴刻度标签 ax.legend() # 显示图例 # 保存图片时自动调整边界 plt.savefig(P115哑铃图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()哑铃图2包点图1import pandas as pd import matplotlib.pyplot as plt df_raw pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv) # 读取数据 # 按制造商分组并计算每个制造商的平均城市里程 df df_raw[[cty, manufacturer]].groupby(manufacturer).apply( lambda x: x.mean()) # 按城市里程排序数据 df.sort_values(cty, inplaceTrue) df.reset_index(inplaceTrue) fig, ax plt.subplots(figsize(8, 5), dpi600) # 绘图 # 使用hlines绘制水平线条代表每个制造商 ax.hlines(ydf.index, xmin11, xmax26, colorgray, alpha0.7, linewidth1, linestylesdashdot) # 使用scatter绘制点点的位置表示城市里程 ax.scatter(ydf.index, xdf.cty, s75, colorfirebrick, alpha0.7) # 设置标题、标签、刻度和x轴范围 ax.set_title(Dot Plot for Highway Mileage, fontdict{size: 16}) # 设置标题 ax.set_xlabel(Miles Per Gallon) # 设置横轴标签 ax.set_yticks(df.index) # 设置纵轴刻度 ax.set_yticklabels(df.manufacturer.str.title(), fontdict{ horizontalalignment: right}) # 设置纵轴标签 ax.set_xlim(10, 27) # 设置x轴范围 # 保存图片时自动调整边界 plt.savefig(P117包点图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()包点图1包点图2# 导入必要的库 import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv) # 读取数据 # 提取mpg列作为x变量并计算其标准化值 x df.loc[:, [mpg]] df[mpg_z] (x - x.mean()) / x.std() # 根据mpg_z列的值确定颜色 df[colors] [red if x 0 else darkgreen for x in df[mpg_z]] df.sort_values(mpg_z, inplaceTrue) # 根据mpg_z列的值对数据进行排序 df.reset_index(inplaceTrue) # 重置索引 # 绘制图形 plt.figure(figsize(14, 12), dpi600) plt.scatter(df.mpg_z, df.index, s450, alpha0.6, colordf.colors) # 在每个点上添加mpg_z的值作为标签 for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z): t plt.text(x, y, round(tex, 1), horizontalalignmentcenter, verticalalignmentcenter, fontdict{color: white}) # 轻化边框 plt.gca().spines[top].set_alpha(0.3) plt.gca().spines[bottom].set_alpha(0.3) plt.gca().spines[right].set_alpha(0.3) plt.gca().spines[left].set_alpha(0.3) plt.yticks(df.index, df.cars) # 设置y轴刻度标签 plt.title(Diverging Dotplot of Car Mileage, fontdict{size: 20}) # 设置标题 plt.xlabel($Mileage$) # 设置x轴标签 plt.grid(linestyle--, alpha0.5) # 添加网格线 plt.xlim(-2.5, 2.5) # 设置x轴范围 # 保存图片时自动调整边界 plt.savefig(P119包点图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()包点图2雷达图1import matplotlib.pyplot as plt import pandas as pd import numpy as np # 设置数据 df pd.DataFrame({group: [A, B, C, D, E], # 五组数据 var1: [38, 1.5, 30, 4, 29], var2: [29, 10, 9, 34, 18], var3: [8, 39, 23, 24, 19], var4: [7, 31, 33, 14, 33], var5: [28, 15, 32, 14, 22]}) # 每组数据的变量 # 获取变量列表 categories list(df.columns[1:]) N len(categories) # 通过复制第1个值来闭合雷达图 values df.loc[0].drop(group).values.flatten().tolist() values values[:1] # 计算每个变量的角度 angles [n / float(N) * 2 * np.pi for n in range(N)] angles angles[:1] # 初始化雷达图 fig, ax plt.subplots(figsize(4, 4), subplot_kwdict(polarTrue)) # 绘制每个变量的轴并添加标签 plt.xticks(angles[:-1], categories, colorgrey, size8) # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) plt.ylim(0, 40) ax.plot(angles, values, linewidth1, linestylesolid) # 绘制数据 ax.fill(angles, values, b, alpha0.1) # 填充区域 # 保存图片时自动调整边界 plt.savefig(P120雷达图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()雷达图1雷达图2import matplotlib.pyplot as plt import pandas as pd import numpy as np # 设置数据 df pd.DataFrame({group: [A, B, C, D, E], # 五组数据 var1: [38, 1.5, 30, 4, 29], var2: [29, 10, 9, 34, 18], var3: [8, 39, 23, 24, 19], var4: [7, 31, 33, 14, 33], var5: [28, 15, 32, 14, 22]}) # 每组数据的变量 # ------- 第一部分:创建背景 categories list(df)[1:] # 列出除了group列之外的所有列名 N len(categories) # 变量的数量 # 计算每个轴在图中的角度将图分成等份每个变量对应一个角度 angles [n / float(N) * 2 * 3.14 for n in range(N)] # 计算角度 angles angles[:1] # 为了闭合图形将第1个角度再次添加到列表末尾 # 初始化雷达图 ax plt.subplot(111, polarTrue) # 第1个轴在图的顶部 ax.set_theta_offset(3.14 / 2) ax.set_theta_direction(-1) # 为每个变量添加标签 plt.xticks(angles[:-1], categories) # 设置x轴标签 # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) # 设置y轴刻度 plt.ylim(0, 40) # 设置y轴范围 # ------- 第二部分:添加绘图 # 绘制第1个个体 values df.loc[0].drop(group).values.flatten().tolist() # 获取第一组的值 values values[:1] # 为了闭合图形将第1个值再次添加到列表末尾 ax.plot(angles, values, linewidth1, linestylesolid, labelgroup A) # 绘制线条 ax.fill(angles, values, b, alpha0.1) # 填充颜色 # 绘制第2个个体 values df.loc[1].drop(group).values.flatten().tolist() # 获取第二组的值 values values[:1] # 为了闭合图形将第1个值再次添加到列表末尾 ax.plot(angles, values, linewidth1, linestylesolid, labelgroup B) # 绘制线条 ax.fill(angles, values, r, alpha0.1) # 填充颜色 plt.legend(locupper right, bbox_to_anchor(0.1, 0.1)) # 添加图例 # 保存图片时自动调整边界 plt.savefig(P122雷达图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()雷达图2交互式雷达图import matplotlib.pyplot as plt import pandas as pd # 设置数据 df pd.DataFrame({group: [A, B, C, D], var1: [38, 1.5, 30, 4], var2: [29, 10, 9, 34], var3: [8, 39, 23, 24], var4: [7, 31, 33, 14], var5: [28, 15, 32, 14]}) # ------- 第一部分:定义一个函数来绘制数据集中的每一行 def make_spider(row, title, color): # 变量的数量 categories list(df)[1:] N len(categories) # 计算每个轴在图中的角度 angles [n / float(N) * 2 * 3.14 for n in range(N)] angles angles[:1] ax plt.subplot(1, 4, row 1, polarTrue) # 初始化雷达图 # 如果希望第1个轴在顶部 ax.set_theta_offset(3.14 / 2) ax.set_theta_direction(-1) # 为每个变量添加标签 plt.xticks(angles[:-1], categories, colorgrey, size8) # 添加y轴标签 ax.set_rlabel_position(0) plt.yticks([10, 20, 30], [10, 20, 30], colorgrey, size7) plt.ylim(0, 40) # 绘制数据 values df.loc[row].drop(group).values.flatten().tolist() values values[:1] ax.plot(angles, values, colorcolor, linewidth2, linestylesolid) ax.fill(angles, values, colorcolor, alpha0.4) plt.title(title, size11, colorcolor, y1.1) # 添加标题 # ------- 第二部分:将函数应用到所有数据 # 初始化图形 my_dpi 96 plt.figure(figsize(1000 / my_dpi, 1000 / my_dpi), dpimy_dpi) my_palette plt.colormaps.get_cmap(Set2) # 创建颜色调色板 # 循环绘制雷达图 for row in range(0, len(df.index)): make_spider(rowrow, titlegroup df[group][row], colormy_palette(row)) # 保存图片时自动调整边界 plt.savefig(P123交互式雷达图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()交互式雷达图 
