使用Python绘制图表大全 - 简书
使用Python绘制图表大全
在使用Python绘制图表前，我们需要先安装两个库文件numpy和matplotlib。Numpy是Python开源的数值计算扩展，可用来存储和处理大型矩阵，比Python自身数据结构要高效；matplotlib是一个Python的图像框架，使用其绘制出来的图形效果和MATLAB下绘制的图形类似。下面我通过一些简单的代码介绍如何使用 Python绘图。一、图形绘制
importmatplotlib.pyplotasplt
importnumpyasnp
x=mu+sigma*np.random.randn(20000)# 样本数量
plt.hist(x,bins=100,color='green',normed=True)# bins显示有几个直方,normed是否对数据进行标准化
plt.show()
importmatplotlib.pyplotasplt
importnumpyasnp
y=[20,10,30,25,15]
index=np.arange(5)
plt.bar(left=index,height=y,color='green',width=0.5)
plt.show()
importmatplotlib.pyplotasplt
importnumpyasnp
x=np.linspace(-10,10,100)
plt.plot(x,y,linestyle='--',color='green',marker='&')
plt.show()
importmatplotlib.pyplotasplt
importnumpyasnp
x=np.random.randn(1000)
y=x+np.random.randn(
plt.scatter(x,y,s=5,marker='&')# s表示面积，marker表示图形
plt.show()
importmatplotlib.pyplotasplt
importnumpyasnp
labels='A','B','C','D'
fracs=[15,30,45,10]
plt.axes(aspect=1)#使x y轴比例相同
explode=[0,0.05,0,0]# 突出某一部分区域
plt.pie(x=fracs,labels=labels,autopct='%.0f%%',explode=explode)#autopct显示百分比
plt.show()
箱形图主要用于显示数据的分散情况。图形分为上边缘、上四分位数、中位数、下四分位数、下边缘。外面的点时异常值
importmatplotlib.pyplotasplt
importnumpyasnp
np.random.seed(100)
data=np.random.normal(size=(1000,4),loc=0,scale=1)
labels=['A','B','C','D']
plt.boxplot(data,labels=labels)
plt.show()
二、图像的调整1、23种点形状
"."point","pixel"o"circle"v"triangle_down
"^"triangle_up"&"triangle_left"&"triangle_right"1"tri_down
"2"tri_up"3"tri_left"4"tri_right"8"octagon
"s"square"p"pentagon"*"star"h"hexagon1"H"hexagon2
"+"plus"x"x"D"diamond"d"thin_diamond
2、8种內建默认颜色的缩写
b:blueg:greenr:redc:cyan
m:magentay:yellowk:blackw:white
3、4种线性- 实线 --虚线 -.点划线 ：点线4、一张图上绘制子图
importmatplotlib.pyplotasplt
importnumpyasnp
x=np.arange(1,100)
plt.subplot(221)#2行2列第1个图
plt.plot(x,x)
plt.subplot(222)
plt.plot(x,-x)
plt.subplot(223)
plt.plot(x,x*x)
plt.subplot(224)
plt.plot(x,np.log(x))
plt.show()
5、生成网格
importmatplotlib.pyplotasplt
importnumpyasnp
y=np.arange(1,5)
plt.plot(y,y*2)
plt.grid(True,color='g',linestyle='--',linewidth='1')
plt.show()
6、生成图例
importmatplotlib.pyplotasplt
importnumpyasnp
x=np.arange(1,11,1)
plt.plot(x,x*2)
plt.plot(x,x*3)
plt.plot(x,x*4)
plt.legend(['Normal','Fast','Faster'])
plt.show()
本文来源自天善社区博客，转载请保留以下内容：本文作者：天善社区博客 超人Python原文链接：/blog/pythoncrawl/6195
欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区。学习、问答、求职一站式搞定！小编微信：TianshanCourse，加入讨论交流群。188543人阅读
Python 学习（7）
matplotlib 是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。而且也可以方便地将它作为绘图控件，嵌入GUI应用程序中。
它的文档相当完备，并且Gallery页面中有上百幅缩略图，打开之后都有源程序。因此如果你需要绘制某种类型的图，只需要在这个页面中浏览/复制/粘贴一下，基本上都能搞定。
在Linux下比较著名的数据图工具还有gnuplot，这个是免费的，Python有一个包可以调用gnuplot，但是语法比较不习惯，而且画图质量不高。
而&则比较强：Matlab的语法、python语言、latex的画图质量（还可以使用内嵌的latex引擎绘制的数学公式）。
Matplotlib.pyplot快速绘图
matplotlib实际上是一套面向对象的绘图库，它所绘制的图表中的每个绘图元素，例如线条Line2D、文字Text、刻度等在内存中都有一个对象与之对应。
为了方便快速绘图matplotlib通过pyplot模块提供了一套和MATLAB类似的绘图API，将众多绘图对象所构成的复杂结构隐藏在这套API内部。我们只需要调用pyplot模块所提供的函数就可以实现快速绘图以及设置图表的各种细节。pyplot模块虽然用法简单，但不适合在较大的应用程序中使用。
为了将面向对象的绘图库包装成只使用函数的调用接口，pyplot模块的内部保存了当前图表以及当前子图等信息。当前的图表和子图可以使用plt.gcf()和plt.gca()获得，分别表示&Get Current Figure&和&Get Current Axes&。在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：
plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图。
可以在Ipython中输入类似&plt.plot??&的命令查看pyplot模块的函数是如何对各种绘图对象进行包装的。
matplotlib所绘制的图表的每个组成部分都和一个对象对应，我们可以通过调用这些对象的属性设置方法set_*()或者pyplot模块的属性设置函数setp()设置它们的属性值。
因为matplotlib实际上是一套面向对象的绘图库，因此也可以直接获取对象的属性
绘制一幅图需要对许多对象的属性进行配置，例如颜色、字体、线型等等。我们在绘图时，并没有逐一对这些属性进行配置，许多都直接采用了matplotlib的缺省配置。
matplotlib将这些缺省配置保存在一个名为“matplotlibrc”的配置文件中，通过修改配置文件，我们可以修改图表的缺省样式。配置文件的读入可以使用rc_params()，它返回一个配置字典；在matplotlib模块载入时会调用rc_params()，并把得到的配置字典保存到rcParams变量中；matplotlib将使用rcParams字典中的配置进行绘图；用户可以直接修改此字典中的配置，所做的改变会反映到此后创建的绘图元素。
（快速绘图）
Matplotlib 里的常用类的包含关系为&Figure -& Axes -& (Line2D, Text, etc.)一个Figure对象可以包含多个子图(Axes)，在matplotlib中用Axes对象表示一个绘图区域，可以理解为子图。
可以使用subplot()快速绘制包含多个子图的图表，它的调用形式如下：
subplot(numRows, numCols, plotNum)
subplot将整个绘图区域等分为numRows行* numCols列个子区域，然后按照从左到右，从上到下的顺序对每个子区域进行编号，左上的子区域的编号为1。如果numRows，numCols和plotNum这三个数都小于10的话，可以把它们缩写为一个整数，例如subplot(323)和subplot(3,2,3)是相同的。subplot在plotNum指定的区域中创建一个轴对象。如果新创建的轴和之前创建的轴重叠的话，之前的轴将被删除。
subplot()返回它所创建的Axes对象，我们可以将它用变量保存起来，然后用sca()交替让它们成为当前Axes对象，并调用plot()在其中绘图。
（快速绘图）
如果需要同时绘制多幅图表，可以给figure()传递一个整数参数指定Figure对象的序号，如果序号所指定的Figure对象已经存在，将不创建新的对象，而只是让它成为当前的Figure对象。
import numpy as np
import matplotlib.pyplot as plt
plt.figure(1) # 创建图表1
plt.figure(2) # 创建图表2
ax1 = plt.subplot(211) # 在图表2中创建子图1
ax2 = plt.subplot(212) # 在图表2中创建子图2
x = np.linspace(0, 3, 100)
for i in xrange(5):
plt.figure(1)
#? # 选择图表1
plt.plot(x, np.exp(i*x/3))
plt.sca(ax1)
#? # 选择图表2的子图1
plt.plot(x, np.sin(i*x))
plt.sca(ax2)
# 选择图表2的子图2
plt.plot(x, np.cos(i*x))
plt.show()
matplotlib的缺省配置文件中所使用的字体无法正确显示中文。为了让图表能正确显示中文，可以有几种解决方案。
在程序中直接指定字体。在程序开头修改配置字典rcParams。修改配置文件。
面向对象画图
matplotlib API包含有三层，Artist层处理所有的高层结构，例如处理图表、文字和曲线等的绘制和布局。通常我们只和Artist打交道，而不需要关心底层的绘制细节。
直接使用Artists创建图表的标准流程如下：
创建Figure对象用Figure对象创建一个或者多个Axes或者Subplot对象调用Axies等对象的方法创建各种简单类型的Artists
import matplotlib.pyplot as plt
X1 = range(0, 50)
Y1 = [num**2 for num in X1] # y = x^2
X2 = [0, 1]
Y2 = [0, 1]
Fig = plt.figure(figsize=(8,4))
# Create a `figure' instance
Ax = Fig.add_subplot(111)
# Create a `axes' instance in the figure
Ax.plot(X1, Y1, X2, Y2)
# Create a Line2D instance in the axes
Fig.show()
Fig.savefig(&test.pdf&)
《Python科学计算》()&（深入浅出适合系统学习）
&（主要讲面向对象绘图，对于新手可能有点乱）
Matplotlib.pylab快速绘图
matplotlib还提供了一个名为pylab的模块，其中包括了许多NumPy和pyplot模块中常用的函数，方便用户快速进行计算和绘图，十分适合在IPython交互式环境中使用。这里使用下面的方式载入pylab模块：
&&& import pylab as pl
1 安装numpy和matplotlib
&&& import numpy
&&& numpy.__version__
&&& import matplotlib
&&& matplotlib.__version__
2 两种常用图类型：Line and scatter plots(使用plot()命令), histogram(使用hist()命令)
2.1 折线图&散点图&Line and scatter plots
2.1.1 折线图 Line plots(关联一组x和y值的直线)
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.show()# show the plot on the screen
2.1.2 散点图 Scatter plots
把pl.plot(x, y)改成pl.plot(x, y, 'o')即可，下图的蓝色版本
2.2& 美化 Making things look pretty
2.2.1 线条颜色&Changing the line&color
红色：把pl.plot(x, y, 'o')改成pl.plot(x, y, ’or’)
2.2.2 线条样式 Changing the line style
虚线:plot(x,y, '--')
2.2.3 marker样式 Changing the marker style
蓝色星型markers：plot(x,y, ’b*’)
2.2.4 图和轴标题以及轴坐标限度 Plot and axis titles and limits
import numpy as np
import pylab as pl
x = [1, 2, 3, 4, 5]# Make an array of x values
y = [1, 4, 9, 16, 25]# Make an array of y values for each x value
pl.plot(x, y)# use pylab to plot x and y
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 7.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
2.2.5&在一个坐标系上绘制多个图 Plotting more than one plot on the same set of axes
做法是很直接的，依次作图即可:
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
pl.plot(x1, y1, ’r’)# use pylab to plot x and y
pl.plot(x2, y2, ’g’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.show()# show the plot on the screen
2.2.6& 图例 Figure legends
pl.legend((plot1, plot2), (’label1, label2’), 'best’, numpoints=1)
其中第三个参数表示图例放置的位置:'best’‘upper right’, ‘upper left’, ‘center’, ‘lower left’, ‘lower right’.
如果在当前figure里plot的时候已经指定了label，如plt.plot(x,z,label=&$cos(x^2)$&)，直接调用plt.legend()就可以了哦。
import numpy as np
import pylab as pl
x1 = [1, 2, 3, 4, 5]# Make x, y arrays for each graph
y1 = [1, 4, 9, 16, 25]
x2 = [1, 2, 4, 6, 8]
y2 = [2, 4, 8, 12, 16]
plot1 = pl.plot(x1, y1, ’r’)# use pylab to plot x and y : Give your plots names
plot2 = pl.plot(x2, y2, ’go’)
pl.title(’Plot of y vs. x’)# give plot a title
pl.xlabel(’x axis’)# make axis labels
pl.ylabel(’y axis’)
pl.xlim(0.0, 9.0)# set axis limits
pl.ylim(0.0, 30.)
pl.legend([plot1, plot2], (’red line’, ’green circles’), ’best’, numpoints=1)# make legend
pl.show()# show the plot on the screen
2.3 直方图 Histograms
import numpy as np
import pylab as pl
# make an array of random numbers with a gaussian distribution with
# mean = 5.0
# rms = 3.0
# number of points = 1000
data = np.random.normal(5.0, 3.0, 1000)
# make a histogram of the data array
pl.hist(data)
# make plot labels
pl.xlabel(’data’)
如果不想要黑色轮廓可以改为pl.hist(data, histtype=’stepfilled’)
2.3.1 自定义直方图bin宽度 Setting the width of the histogram bins manually
增加这两行
bins = np.arange(-5., 16., 1.) #浮点数版本的range
pl.hist(data, bins, histtype=’stepfilled’)
3 同一画板上绘制多幅子图 Plotting more than one axis per canvas
如果需要同时绘制多幅图表的话，可以是给figure传递一个整数参数指定图标的序号，如果所指定
序号的绘图对象已经存在的话，将不创建新的对象，而只是让它成为当前绘图对象。
fig1 = pl.figure(1)
pl.subplot(211)
subplot(211)把绘图区域等分为2行*1列共两个区域, 然后在区域1(上区域)中创建一个轴对象. pl.subplot(212)在区域2(下区域)创建一个轴对象。
You can play around with plotting a variety of layouts. For example, Fig. 11 is created using the following commands:
f1 = pl.figure(1)
pl.subplot(221)
pl.subplot(222)
pl.subplot(212)
当绘图对象中有多个轴的时候，可以通过工具栏中的Configure Subplots按钮，交互式地调节轴之间的间距和轴与边框之间的距离。如果希望在程序中调节的话，可以调用subplots_adjust函数，它有left, right, bottom, top, wspace, hspace等几个关键字参数，这些参数的值都是0到1之间的小数，它们是以绘图区域的宽高为1进行正规化之后的坐标或者长度。
pl.subplots_adjust(left=0.08, right=0.95, wspace=0.25, hspace=0.45)
4 绘制文件中的数据Plotting data contained in files
4.1 从Ascii文件中读取数据 Reading data from ascii files
读取文件的方法很多，这里只介绍一种简单的方法，更多的可以参考官方文档和。
numpy的loadtxt方法可以直接读取如下文本数据到numpy二维数组
**********************************************
# fakedata.txt
**********************************************
import numpy as np
import pylab as pl
# Use numpy to load the data contained in the file
# ’fakedata.txt’ into a 2-D array called data
data = np.loadtxt(’fakedata.txt’)
# plot the first column as x, and second column as y
pl.plot(data[:,0], data[:,1], ’ro’)
pl.xlabel(’x’)
pl.ylabel(’y’)
pl.xlim(0.0, 10.)
4.2 写入数据到文件 Writing data to a text file
写文件的方法也很多，这里只介绍一种可用的写入文本文件的方法，更多的可以参考官方文档。
import numpy as np
# Let’s make 2 arrays (x, y) which we will write to a file
# x is an array containing numbers 0 to 10, with intervals of 1
x = np.arange(0.0, 10., 1.)
# y is an array containing the values in x, squared
print ’x = ’, x
print ’y = ’, y
# Now open a file to write the data to
# ’w’ means open for ’writing’
file = open(’testdata.txt’, ’w’)
# loop over each line you want to write to file
for i in range(len(x)):
# make a string for each line you want to write
# ’\t’ means ’tab’
# ’\n’ means ’newline’
# ’str()’ means you are converting the quantity in brackets to a string type
txt = str(x[i]) + ’\t’ + str(y[i]) + ’ \n’
# write the txt to the file
file.write(txt)
# Close your file
file.close()
这部分是翻译自：
对LaTeX数学公式的支持
Matlplotlib对LaTeX有一定的支持，如果记得使用raw字符串语法会很自然：
xlabel(r&$\frac{x^2}{y^4}$&)
在matplotlib里面，可以使用LaTex的命令来编辑公式，只需要在字符串前面加一个“r”即可
Here is a simple example:
# plain text
plt.title('alpha & beta')
produces “alpha & beta”.
Whereas this:
# math text
plt.title(r'$\alpha & \beta$')
produces &&.
这里给大家看一个简单的例子。
import matplotlib.pyplot as plt
x = arange(1,1000,1)
y = [5*(a**r) for a in x]
fig = plt.figure()
ax = fig.add_subplot(111)
ax.loglog(x,y,label = r&$y = \frac{1}{2\sigma_1^2}, c=5,\sigma_1=-2$&)
ax.legend()
ax.set_xlabel(r&x&)
ax.set_ylabel(r&y&)
程序执行结果如图3所示，这实际上是一个power-law的例子，有兴趣的朋友可以继续google之。
再看一个《用Python做科学计算》中的简单例子，下面的两行程序通过调用plot函数在当前的绘图对象中进行绘图：
plt.plot(x,y,label=&$sin(x)$&,color=&red&,linewidth=2)
plt.plot(x,z,&b--&,label=&$cos(x^2)$&)
plot函数的调用方式很灵活，第一句将x,y数组传递给plot之后，用关键字参数指定各种属性：
label&: 给所绘制的曲线一个名字，此名字在图示(legend)中显示。只要在字符串前后添加&$&符号，matplotlib就会使用其内嵌的latex引擎绘制的数学公式。color&: 指定曲线的颜色linewidth&: 指定曲线的宽度
详细的可以参考matplotlib官方教程:
有几个问题：
matplotlib.rcParams属性字典想要它正常工作，在matplotlibrc配置文件中需要设置text.markup = &tex&。如果你希望图表中所有的文字（包括坐标轴刻度标记）都是LaTeX'd,需要在matplotlibrc中设置text.usetex = True。如果你使用LaTeX撰写论文，那么这一点对于使图表和论文中其余部分保持一致是很有用的。在matplotlib中使用中文字符串时记住要用unicode格式，例如：u''测试中文显示''
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：474981次
积分：3912
积分：3912
排名：第8555名
原创：77篇
转载：78篇
评论：48条
(1)(2)(6)(2)(1)(1)(1)(6)(1)(13)(9)(1)(2)(1)(8)(1)(5)(1)(1)(1)(17)(9)(9)(1)(10)(21)(24)
(window.slotbydup = window.slotbydup || []).push({
id: '4740881',
container: s,
size: '200,200',
display: 'inlay-fix'python绘制图
时间： 17:16:37
&&&& 阅读：60
&&&& 评论：
&&&& 收藏：0
标签：&&&&&&&&&&&&&&&&&&&&&&&&&&&如何用python绘制图表
摘要: 使用python绘制简单的图表，包括折线图、柱状图、条形图、饼图、散点图、气泡图、箱线图、直方图等。
本文介绍如果使用python汇总常用的图表，与Excel的点选操作相比，用python绘制图表显得比较比较繁琐，尤其提现在对原始数据的处理上。但两者在绘制图表过程中的思路大致相同，Excel中能完成的工作python大多也能做到。为了能够更好使用python绘制图表，我们需要导入几个 Python 的基本软件包NumPy，Pandas，matplotlib。
NumPy 是用于科学计算与 Python 的基本软件包。它包含除其他外：
&&& 一个强大的 N 维数组对象
&&& 复杂的 （广播） 功能
&&& 为集成 C/c + + 和 Fortran 代码工具
&&& 有用的线性代数、 傅里叶变换和随机编号功能
除了其明显的科学用途，NumPy 也可以用作泛型数据高效多维容器。可以定义任意数据类型。这允许 NumPy 迅速、 无缝集成与各种各样的数据库。
Pandas 是连接 SciPy 和 NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。Comma-separated values (CSV) 文件表示在有关各方之间分发数据的最常见的方法之一。Pandas 提供了一种优化库功能来读写多种文件格式，包括 CSV 和高效的 HDF5 格式。
Matplotlib是一个Python的图形框架，类似于MATLAB和R语言。
在使用NumPy进行学习统计计算时是枯燥的，大量的数据令我们很头疼，所以我们需要把它图形化显示。
接下来我们进行实战
1，数据如下
emp_length
annual_inc
loan_status
total_pymnt_inv
total_rec_int
Fully Paid
Charged Off
Fully Paid
Fully Paid
Fully Paid
Fully Paid
Fully Paid
Charged Off
Charged Off
Fully Paid
Fully Paid
Charged Off
Fully Paid
Charged Off
# coding=utf-8
__author__ = ‘Jay‘
import pandas as pd
# 导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘] = False
# 用控制中文乱码
loandata = pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
# 按用户等级grade字段对贷款金额进行求和汇总
loan_grade = loandata.groupby(‘grade‘)[‘loan_amnt‘].agg(sum)
# 设置饼图中每个数据分类的颜色
colors = ["#99CC01", "#FFFF01", "#0000FE", "#FE0000", "#A6A6A6", "#D9E021"]
# 设置饼图中每个数据分类的名称
name = [u‘A级‘, u‘B级‘, u‘C级‘, u‘D级‘, u‘E级‘, u‘F级‘]
# 创建饼图，设置分类标签，颜色和图表起始位置等，
(每一块)饼图外侧显示的说明文字
# loan_grade
(每一块)的比例，如果sum(x) & 1会使用sum(x)归一化
explode (每一块)离开中心距离
plt.pie(loan_grade, labels=name, colors=colors, explode=(0, 0, 0.1, 0, 0.1, 0), startangle=60, autopct=‘%1.1f%%‘)
# 添加图表标题
plt.title(u‘不同用户等级的贷款金额占比‘)
# 添加图例，并设置显示位置
plt.legend(name, loc=‘upper left‘)
# 显示图表
plt.show()
# coding=utf-8
# LOCALTION = [3, 4, 5, 6, 7, 8]
__author__ = ‘Jay‘
import numpy as np
import pandas as pd
# 导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘] = False
# 用控制中文乱码
loandata = pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
# 按用户等级grade字段对贷款金额进行求和汇总
loan_grade = loandata.groupby(‘grade‘)[‘loan_amnt‘].agg(sum)
# 定义数据分类名称
LOCALTIONS = [u‘A级‘, u‘B级‘, u‘C级‘, u‘D级‘, u‘E级‘, u‘F级‘]
# 创建一个一维数组赋值给LOCALTION
LOCALTION = np.arange(len(LOCALTIONS))
# 设置饼图中每个数据分类的颜色
colors = ["#99CC01", "#FFFF01", "#0000FE", "#FE0000", "#A6A6A6", "#D9E021"]
# a=np.array(LOCALTION)
# 创建柱状图，数据源为按用户等级汇总的贷款金额，设置颜色，透明度和外边框颜色
plt.barh(LOCALTION, loan_grade, color=colors, alpha=0.8, align=‘center‘, edgecolor=‘white‘)
# 设置x轴标签
plt.ylabel(u‘用户等级‘)
# 设置y周标签
plt.xlabel(u‘贷款金额‘)
# 设置图表标题
plt.title(u‘不同用户等级的贷款金额分布‘)
# 设置图例的文字和在图表中的位置
plt.legend([u‘贷款金额‘], loc=‘upper right‘)
# 设置背景网格线的颜色，样式，尺寸和透明度
plt.grid(color=‘#95a5a6‘, linestyle=‘--‘, linewidth=1, axis=‘y‘, alpha=0.4)
# 设置数据分类名称
plt.yticks(LOCALTION + 0.4, LOCALTIONS)
# 显示图表
plt.show()
# coding=utf-8
__author__ = ‘Jay‘
import pandas as pd
# 导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘] = False
# 用控制中文乱码
loandata = pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
# 创建箱线图，数据源为贷款来源，设置横向显示
plt.boxplot(loandata[‘loan_amnt‘], 1, ‘rs‘, vert=False)
# 添加x轴标题
plt.xlabel(u‘贷款金额‘)
# 添加图表标题
plt.title(u‘贷款金额分布‘)
# 设置背景网格线的颜色，样式，尺寸和透明度
plt.grid(color=‘#95a5a6‘, linestyle=‘--‘, linewidth=1, axis=‘both‘, alpha=0.4)
# 显示图表
plt.show()
# coding=utf-8
__author__ = ‘Jay‘
import pandas as pd
# 导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘] = False
# 用控制中文乱码
loandata = pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
# 按月汇总贷款金额及利息
loan_x = loandata[‘loan_amnt‘]
loan_y = loandata[‘total_rec_int‘]
loan_z = loandata[‘total_rec_int‘]
# 设置气泡图颜色
colors = ["#99CC01", "#FFFF01", "#0000FE", "#FE0000", "#A6A6A6", "#D9E021", ‘#FFF16E‘, ‘#0D8ECF‘, ‘#FA4D3D‘, ‘#D2D2D2‘,
‘#FFDE45‘, ‘#9b59b6‘]
# 创建气泡图贷款金额为x，利息金额为y，同时设置利息金额为气泡大小，并设置颜色透明度等。
plt.scatter(loan_x, loan_y, s=loan_z, color=colors, alpha=0.8)
# 添加x轴标题
plt.xlabel(u‘贷款金额‘)
# 添加y轴标题
plt.ylabel(u‘利息收入‘)
# 添加图表标题
plt.title(u‘贷款金额与利息收入‘)
# 设置背景网格线的颜色，样式，尺寸和透明度
plt.grid(color=‘#95a5a6‘, linestyle=‘--‘, linewidth=1, axis=‘both‘, alpha=0.4)
# 显示图表
plt.show()
# coding=utf-8
__author__ = ‘Jay‘
import numpy as np
import pandas as pd
#导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘]=False #用控制中文乱码
loandata=pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
#按用户等级grade字段对贷款金额进行求和汇总
loan_grade=loandata.groupby(‘grade‘)[‘loan_amnt‘].agg(sum)
#创建一个一维数组赋值给a
a=np.array([1,2,3,4,5,6])
#创建柱状图，数据源为按用户等级汇总的贷款金额，设置颜色，透明度和外边框颜色
plt.bar([1,2,3,4,5,6],loan_grade,color=‘#99CC01‘,alpha=0.8,align=‘center‘,edgecolor=‘white‘)
#设置x轴标签
plt.xlabel(u‘用户等级‘)
#设置y周标签
plt.ylabel(u‘贷款金额‘)
#设置图表标题
plt.title(u‘不同用户等级的贷款金额分布‘)
#设置图例的文字和在图表中的位置
plt.legend([u‘贷款金额‘], loc=‘upper right‘)
#设置背景网格线的颜色，样式，尺寸和透明度
plt.grid(color=‘#95a5a6‘,linestyle=‘--‘, linewidth=1,axis=‘y‘,alpha=0.4)
#设置数据分类名称
plt.xticks(a,(u‘A级‘,u‘B级‘,u‘C级‘,u‘D级‘,u‘E级‘,u‘F级‘))
plt.show()
# coding=utf-8
__author__ = ‘Jay‘
import pandas as pd
#导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘]=False #用控制中文乱码
loandata=pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
#按月汇总贷款金额，以0填充空值
loan_x=loandata[‘loan_amnt‘]
#按月汇总利息金额，以0填充空值
loan_y=loandata[‘total_rec_int‘]
#创建散点图，贷款金额为x，利息金额为y，设置颜色，标记点样式和透明度等
plt.scatter(loan_x,loan_y,60,color=‘white‘,marker=‘*‘,edgecolors=‘#0D8ECF‘,linewidth=3,alpha=0.8)
#添加x轴标题
plt.xlabel(u‘贷款金额‘)
#添加y轴标题
plt.ylabel(u‘利息收入‘)
#添加图表标题
plt.title(u‘贷款金额与利息收入‘)
#设置背景网格线的颜色，样式，尺寸和透明度
plt.grid(color=‘#95a5a6‘,linestyle=‘--‘, linewidth=1,axis=‘both‘,alpha=0.4)
plt.show()
# coding=utf-8
__author__ = ‘Jay‘
import numpy as np
import pandas as pd
#导入图表库以进行图表绘制
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif‘] = [‘SimHei‘]
plt.rcParams[‘font.serif‘] = [‘SimHei‘]
plt.rcParams[‘axes.unicode_minus‘]=False #用来正常显示负号
loandata=pd.DataFrame(pd.read_excel(‘loan_data.xlsx‘))
loandata.set_index(‘issue_d‘)
#按月对贷款金额loan_amnt求均值
loan_plot=loandata[‘loan_amnt‘]
#创建一个一维数组赋值给a
a=np.array([1,2,3,4,5,6,7,8,9,10,11,12])
#创建折线图，数据源为按月贷款均值，标记点，标记线样式，线条宽度，标记点颜色和透明度
plt.plot(loan_plot,‘g^‘,loan_plot,‘g-‘,color=‘#99CC01‘,linewidth=3,markeredgewidth=3,markeredgecolor=‘#99CC01‘,alpha=0.8)
#添加x轴标签
plt.xlabel(u‘月份‘)
#添加y周标签
plt.ylabel(u‘贷款金额‘)
#添加图表标题
plt.title(u‘分月贷款金额分布‘)
#添加图表网格线，设置网格线颜色，线形，宽度和透明度
plt.grid( color=‘#95a5a6‘,linestyle=‘--‘, linewidth=1 ,axis=‘y‘,alpha=0.4)
#设置数据分类名称
plt.xticks(a, (u‘1月‘,u‘2月‘,u‘3月‘,u‘4月‘,u‘5月‘,u‘6月‘,u‘7月‘,u‘8月‘,u‘9月‘,u‘10月‘,u‘11月‘,u‘12月‘) )
plt.show()
自定义字体及配色
图表中所使用的字体，可以使用下面的字体名称替换family=后面的内容以改变图表中所显示的字体。
图表中的颜色，可以直接使用颜色名称，也可以使用简称来设置图表中使用的颜色，本文中没有使用默认的颜色，而是使用了自定义颜色。
自定义颜色的色号，本文中使用的是Hex色号，下面给出了Hex和RGB的对应关系，以及相应的颜色。可以使用下面的Hex色号替换本文中图表的颜色。
emp_length
annual_inc
loan_status
total_pymnt_inv
total_rec_int
Fully Paid
Charged Off
Fully Paid
Fully Paid
Fully Paid
Fully Paid
Fully Paid
Charged Off
Charged Off
Fully Paid
Fully Paid
Charged Off
Fully Paid
Charged Off
标签：&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&国之画&&&& &&&&chrome插件&&
版权所有 京ICP备号-2
迷上了代码！}