10：Matplotlib概述绘制直线图

JavaJuice约 3592 字大约 12 分钟

10：Matplotlib概述绘制直线图

以下是整理后的课程文档，已修正错别字并优化内容结构：

Python数据可视化课程 - Matplotlib基础

课程概述
学习建议

优先级说明
• Matplotlib和Pandas可暂缓学习，不影响机器学习/深度学习基础学习
• 可视化主要用于辅助分析，Pandas部分功能可通过NumPy替代
• 后续代码涉及相关库时再针对性学习
系统学习建议
• 时间充裕者可系统学习Matplotlib和Pandas
• 兼容性优势：Matplotlib与NumPy/Pandas无缝集成

Matplotlib核心知识

库简介
• 定位：Python主流2D绘图库

• 特点：

• 少量代码生成多种图表（直方图/条形图/散点图等）

• 支持与NumPy/Pandas协同工作

• 功能亮点：

• 数据直观呈现

• 支持三维图形绘制

• 高度可定制的样式与颜色

环境配置

# 安装（Anaconda环境已内置）
# conda install matplotlib

# 标准导入方式
import matplotlib.pyplot as plt

基础绘图实战

直线绘制

plt.plot([0, 2], [1, 4])  # 两点连线
plt.show()

折线图绘制

x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y, linewidth=3)  # 设置线宽
plt.show()

图表定制化

基础设置

plt.title("二次函数曲线", fontsize=14)  # 标题
plt.xlabel("X值", fontsize=12)        # X轴标签
plt.ylabel("Y值", fontsize=12)        # Y轴标签

中文显示配置

plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体
plt.rcParams['axes.unicode_minus'] = False    # 解决负号显示问题

高级示例：一元二次函数曲线

生成数据点

import numpy as np

x = np.linspace(-10, 10, 200)  # 生成200个数据点
y = x ** 2

绘制与保存

plt.plot(x, y)
plt.title("y = x² 函数曲线")
plt.savefig('quadratic.jpg', dpi=300)  # 保存高清图像
plt.show()

核心方法总结

方法	功能描述
plt.plot()	绘制线形图/散点图
plt.title()	设置图表标题
plt.xlabel/ylabel()	设置坐标轴标签
plt.xticks/yticks()	设置刻度及旋转角度
plt.legend()	显示图例
plt.text()	添加文字注释
plt.figure()	设置画布尺寸（figsize参数）
plt.savefig()	保存图像文件

学习建议

可视化应用场景：
• 模型效果验证（拟合曲线/决策边界）
• 数据分布分析（直方图/箱线图）
• 结果汇报展示（需配合完整图表元素）
进阶方向：
• 三维可视化（mplot3d工具包）
• 交互式图表（Plotly库）
• 高级样式定制（Seaborn库）

建议通过实际项目（如房价预测可视化、分类决策边界展示）巩固Matplotlib技能。

11：Matplotlib绘制正余弦曲线散点图_添加图例

Python数据可视化课程文档：绘制正弦曲线、余弦曲线与散点图

一、绘制正弦曲线与余弦曲线

生成数据点
• 核心函数：numpy.linspace()

• 参数说明：

• 起始值：0

• 终止值：10

• 生成点数：100

• 代码示例：

import numpy as np
x = np.linspace(0, 10, 100)

计算函数值
• 正弦函数：

y_sin = np.sin(x)

• 余弦函数：

y_cos = np.cos(x)

绘制图形

import matplotlib.pyplot as plt

plt.figure(figsize=(20, 16), dpi=80)  # 设置画布尺寸
plt.plot(x, y_sin, label='Sine Curve')  # 绘制正弦曲线
plt.plot(x, y_cos, label='Cosine Curve')  # 绘制余弦曲线
plt.legend(loc='lower right')           # 添加图例（需配合label参数）
plt.show()

关键说明
• 数据点越多曲线越平滑（推荐100-200个点）

• plt.figure()参数：

• figsize：画布尺寸（宽, 高，单位英寸）

• dpi：分辨率

• 图例需在plot()中使用label参数指定名称

二、绘制散点图

基础散点图

plt.scatter(x, y_sin)
plt.show()

高级散点图设置

np.random.seed(3)  # 设置随机种子保证结果可复现

x = np.random.randn(100)  # 生成100个标准正态分布随机数
y = np.random.randn(100)
colors = np.random.rand(100)  # 随机颜色
sizes = 1000 * np.random.rand(10)  # 随机尺寸

plt.scatter(x, y,
            c=colors,        # 颜色数组
            s=sizes,         # 尺寸数组
            alpha=0.5)       # 透明度（0-1）
plt.show()

三、线型与标记设置

格式字符串语法
[颜色][标记][线型] 示例：

plt.plot(x, y, 'g--')   # 绿色虚线
plt.plot(x, y, 'ro-')   # 红色圆点实线
plt.plot(x, y, 'c+:')   # 青色点划线，三角形标记

常用参数对照表
符号颜色符号标记符号线型
b 蓝色 o 圆圈 - 实线
g 绿色 x 叉号 -- 虚线
r 红色 d 菱形 : 点线
c 青色 + 加号 -. 点划线

符号	颜色	符号	标记	符号	线型
b	蓝色	o	圆圈	-	实线
g	绿色	x	叉号	--	虚线
r	红色	d	菱形	:	点线
c	青色	+	加号	-.	点划线

四、图例与样式优化

添加图例的正确方式

plt.plot(x, y_sin, label='Sin')  # 必须指定label
plt.plot(x, y_cos, label='Cos')
plt.legend(loc='upper left')     # 显示所有label对应的图例

常见图例位置参数

'upper right'   # 右上（默认）
'lower left'    # 左下
'center'        # 居中
'best'          # 自动选择最佳位置

五、注意事项

导入标准库时应使用正确缩写：

import numpy as np
import matplotlib.pyplot as plt

显示图形前需确保所有plot()操作已完成
当图形元素重叠时，使用alpha参数调整透明度
绘制多个图形时建议使用subplot创建子图

六、完整示例代码

import numpy as np
import matplotlib.pyplot as plt

# 生成数据
x = np.linspace(0, 10, 200)
y_sin = np.sin(x)
y_cos = np.cos(x)

# 创建画布
plt.figure(figsize=(12, 6), dpi=100)

# 绘制双曲线
plt.plot(x, y_sin, 'b-', label='Sine')
plt.plot(x, y_cos, 'r--', label='Cosine')

# 添加标签
plt.title('Sine & Cosine Waves')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.grid(True)

# 显示图例
plt.legend(loc='lower right')

# 显示图形
plt.show()

通过本课程内容，学员可以掌握使用matplotlib进行基础数据可视化的核心方法，包括曲线绘制、散点图制作，以及图形样式的自定义设置。

12：Matplotlib绘制柱状图画布切分多个子画布_柱状图对比

Matplotlib柱状图绘制教程

一、基础柱状图绘制

基本要素
• 核心函数：plt.bar()

• 必要参数：

• X轴坐标值（年份等分类数据）

• Y轴对应数值（销量等连续数据）

基础示例代码

import matplotlib.pyplot as plt
import numpy as np

# 设置中文显示
plt.rcParams['font.sans-serif'] = ['SimHei']

# 准备数据
years = np.arange(1980, 1985)  # X轴数据：1980-1984年
sales = [85, 92, 78, 105, 96]  # Y轴数据：对应年份销量

# 创建画布
plt.figure(figsize=(10, 6))

# 绘制柱状图
plt.bar(years, sales, width=1.5)

# 设置坐标轴标签
plt.xlabel("年份")
plt.ylabel("销量（万件）")
plt.title("1980-1984年度销售统计")

# 自定义X轴标签
plt.xticks(years, [f"{year}年" for year in years])

plt.show()

关键参数说明
• width：柱状宽度（默认0.8）

• color：柱体颜色（支持名称/十六进制/RGB值）

• edgecolor：边框颜色

• linewidth：边框线宽

二、水平柱状图（barh）

基础用法

# 使用相同数据
plt.barh(years, sales, height=0.8)
plt.yticks(years, [f"{year}年" for year in years])
plt.xlabel("销量（万件）")
plt.ylabel("年份")

注意事项
• X/Y轴对应关系与竖直柱状图相反

• 参数height对应竖直图的width

• 常见错误：got multiple values for argument 'width'

解决方法：检查参数顺序，正确格式为barh(Y, X)

三、多子图绘制

画布分割

plt.figure(figsize=(12, 6))

# 竖直柱状图（左侧）
plt.subplot(1, 2, 1)
plt.bar(years, sales, width=0.8)
plt.axhline(0, color='blue', linewidth=2)  # 添加水平参考线

# 水平柱状图（右侧）
plt.subplot(1, 2, 2)
plt.barh(years, sales, height=0.6)
plt.axvline(0, color='red', linewidth=2)   # 添加垂直参考线

四、分组柱状图案例（电影票房）

数据准备

days = ['第一天', '第二天', '第三天']
movies = {
    '千与千寻': [2800, 3150, 2900],
    '泰坦尼克号': [1950, 2200, 2400],
    '阿凡达': [3250, 3400, 3180]
}

绘制代码

x = np.arange(len(days))  # 生成坐标位置：[0, 1, 2]
width = 0.25  # 柱体宽度

plt.figure(figsize=(12, 6))

# 绘制三组柱状图
for i, (movie, values) in enumerate(movies.items()):
    offset = width * i
    plt.bar(x + offset, values, width=width, label=movie)

# 设置坐标轴
plt.xticks(x + width, days)
plt.xlabel("上映天数")
plt.ylabel("票房（万元）")
plt.title("三部电影首周票房对比")
plt.legend()

关键技巧
• 使用np.arange()生成基准位置

• 通过offset控制不同组的偏移量

• width参数需与分组数量配合（总宽度不宜超过1）

五、常见问题解决方案

中文显示问题：

plt.rcParams['font.sans-serif'] = ['SimHei']  # Windows系统
plt.rcParams['font.sans-serif'] = ['Arial Unicode MS']  # Mac系统

坐标轴重叠：
• 调整width和子图间距
• 使用plt.tight_layout()自动调整布局

数据标签添加：

for x, y in zip(x_pos, values):
    plt.text(x, y+50, str(y), ha='center')

本教程涵盖从基础到进阶的柱状图绘制方法，包含竖直/水平柱状图、分组对比、多子图布局等实用技巧。建议配合Jupyter Notebook实践操作，通过参数调整观察可视化效果变化。

13：Matplotlib绘制饼图直方图_同时绘制多组数据分布

Python数据可视化课程文档（校正版）

一、饼状图绘制方法

1.1 核心功能
• plt.pie()函数用于绘制饼状图，主要用于呈现比例数据

• 需要传入比例数据（百分比格式），可自定义标签、颜色、区块分离等参数

1.2 核心参数说明

plt.pie(sizes,
        labels=labels,
        colors=colors,
        explode=explode,
        autopct='%1.1f%%',
        textprops={'color':"w"})

• explode：区块分离度（示例调整为0.5时分离明显）

• autopct：百分比显示格式

• textprops：设置文本属性（如字体颜色）

1.3 性别比例示例

import matplotlib.pyplot as plt

# 数据准备
labels = ['男', '女']
sizes = [45, 55]
colors = ['#1f77b4', '#ff7f0e']
explode = (0.05, 0)  # 男性区块分离

# 绘制饼图
fig, ax = plt.subplots()
ax.pie(sizes, explode=explode, labels=labels, colors=colors,
       autopct='%1.1f%%', textprops={'color':'white'})
ax.axis('equal')  # 保持圆形

# 设置字体属性
plt.setp(ax.texts, size=12, weight='bold')
plt.show()

1.4 显示效果
• 区块分离效果随explode值增大而明显

• 中文标签需确保字体支持

• 百分比文本颜色通过textprops设置

二、直方图绘制方法

2.1 与柱状图的区别

	直方图	柱状图
关注点	数据分布	具体数值比较
X轴	连续数值区间	离散类别
函数	`plt.hist()`	`plt.bar()`

2.2 正态分布示例

import numpy as np

# 生成正态分布数据
mu, sigma = 0, 1
x = np.random.normal(mu, sigma, 1000)

# 绘制直方图
plt.hist(x, bins=30, alpha=0.7)
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.title('Normal Distribution Histogram')
plt.grid(True)
plt.show()

2.3 分箱参数（bins）
• 默认分箱数：10

• 增大分箱数（如100）可获得更精细的分布细节

• 分箱数越大，柱体越细，分布曲线越平滑

2.4 多分布对比

# 生成三种正态分布数据
x1 = np.random.normal(0, 1, 1000)
x2 = np.random.normal(5, 2, 1000)
x3 = np.random.normal(-3, 1.5, 1000)

# 绘制参数设置
params = {'bins': 50, 'alpha': 0.4}

# 绘制对比直方图
plt.hist(x1, **params, label='N(0,1)')
plt.hist(x2, **params, label='N(5,4)')
plt.hist(x3, **params, label='N(-3,2.25)')
plt.legend()
plt.show()

2.5 效果说明
• 不同均值（μ）影响分布中心位置

• 不同方差（σ²）影响分布宽度

• 透明度（alpha）参数实现分布重叠区域可视化

三、术语修正说明

"PLLTP" → 修正为plt（matplotlib.pyplot标准缩写）
"HIST" → 修正为hist（matplotlib直方图函数）
"RNDN" → 修正为np.random.randn（标准正态分布生成函数）
"装箱" → 专业术语应为"分箱"（binning）
"NP" → 修正为np（numpy标准缩写）

注：课程中提到的等高线图部分未完整展开，如需后续内容请提供完整录音材料。

14：Matplotlib绘制等高线图绘制三维图像

Matplotlib绘制等高线图与3D图教学文档

一、课程目标

掌握使用Matplotlib绘制等高线图（Contour Plot）
理解网格数据生成原理（meshgrid）
掌握三维曲面图的绘制方法
理解等高线图在机器学习中的应用（如损失函数可视化）

二、核心概念
2.1 等高线图原理
• 三维数据二维投影：通过俯视视角将三维曲面（X,Y,Z）投影为二维等高线

• 等高特性：同一等高线上的点Z值相等，颜色深度表示高度差异

• 典型应用：地形图、损失函数可视化、热力图

2.2 网格数据生成

import numpy as np

# 生成一维坐标序列
x = np.linspace(-10, 10, 100)
y = np.linspace(-10, 10, 100)

# 生成网格坐标矩阵
X, Y = np.meshgrid(x, y)

• linspace：在[-10,10]区间生成100个等距点

• meshgrid：生成100x100的网格矩阵，X/Y矩阵分别存储每个网格点的坐标

2.3 三维曲面函数

# 定义三维曲面函数（示例）
Z = np.sqrt(X**2 + Y**2)  # 圆形碗状曲面
# 修改示例：Z = X**3 + Y**2  # 非对称曲面

三、等高线图绘制
3.1 基础等高线图

import matplotlib.pyplot as plt

plt.figure(figsize=(10,6))
contour = plt.contour(X, Y, Z)
plt.clabel(contour, inline=True, fontsize=8)
plt.title('Basic Contour Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

3.2 填充式等高线图

plt.figure(figsize=(10,6))
contourf = plt.contourf(X, Y, Z, cmap='viridis')
plt.colorbar(contourf)
plt.title('Filled Contour Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

3.3 参数说明

参数	说明
levels	设置等高线数量/具体值
cmap	颜色映射（如'viridis','jet'）
alpha	透明度（0-1）
linewidths	等高线宽度

四、三维曲面图绘制
4.1 3D图绘制实现

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(12,8))
ax = fig.add_subplot(111, projection='3d')

surf = ax.plot_surface(X, Y, Z, cmap='coolwarm',
                      linewidth=0, antialiased=False)

fig.colorbar(surf, shrink=0.5, aspect=5)
ax.set_title('3D Surface Plot')
ax.set_xlabel('X Axis')
ax.set_ylabel('Y Axis')
ax.set_zlabel('Z Axis')
plt.show()

4.2 交互功能
• PyCharm用户需使用plt.show()激活交互窗口

• 支持鼠标拖拽旋转视角

• 支持滚轮缩放视图

五、应用实例：损失函数可视化

# 定义二次损失函数
def loss_function(x, y):
    return 0.5*x**2 + 2*y**2 + 3*x*y + 4

X, Y = np.meshgrid(np.linspace(-5,5,100),
                   np.linspace(-5,5,100))
Z = loss_function(X, Y)

# 绘制等高线图
plt.figure(figsize=(10,6))
CS = plt.contour(X, Y, Z, levels=20)
plt.clabel(CS, inline=1, fontsize=8)
plt.scatter([-3], [2], c='red')  # 标记最小值点
plt.title('Loss Function Contour')
plt.show()

六、常见问题
6.1 网格矩阵理解
• X矩阵：每行重复相同的x坐标值

• Y矩阵：每列重复相同的y坐标值

• 矩阵形状：100x100（与输入点数量一致）

6.2 可视化优化技巧

调整颜色映射：使用cmap参数增强对比度
动态视角调整：3D图支持多角度观察曲面特征
添加辅助标记：在等高线图中标注关键点（如最小值点）

七、扩展练习

尝试不同的曲面函数（如Rosenbrock函数）
实现交互式高度显示（鼠标悬停显示Z值）
结合梯度下降算法动态显示优化路径

注：完整代码示例需配合Jupyter Notebook环境运行，建议调整figsize参数获得最佳显示效果。数学公式建议使用LaTeX格式呈现，如损失函数可表示为：$L(x,y) = \frac{1}{2}x^2 + 2y^2 + 3xy + 4$