Matplotlib 是一个用于绘制二维图形的 Python 库，广泛用于数据可视化。它提供了一个类似于 MATLAB 的绘图接口，使得用户可以轻松地创建各种静态、动态、交互式的图形。
以下是 Matplotlib 的一些主要特点和组件：
简单易用： Matplotlib 提供了一个简单的 API，使得用户可以轻松创建图形，而无需深入了解图形学或复杂的绘图原理。
多种图形类型： Matplotlib 支持各种常见的图形类型，包括线图、散点图、柱状图、饼图、等高线图等。
定制性强： 用户可以对图形的各个方面进行精细的定制，包括线型、颜色、标签、标题等。
支持 LaTeX： Matplotlib 支持使用 LaTeX 标记在图形中添加数学公式。
多平台支持： Matplotlib 可以在多个平台上运行，包括 Windows、Linux 和 macOS。
图形导出： 用户可以将图形以多种格式导出，包括 PNG、PDF、SVG 等。
面向对象的接口： Matplotlib 提供了一个面向对象的接口，允许用户更灵活地控制图形的各个元素。
Matplotlib 的强大之处在于它的灵活性和广泛的应用领域，从简单的图形到复杂的数据可视化，都可以通过 Matplotlib 轻松实现。 以下是 Matplotlib 的一些主要功能：
1. 折线图使用 plot 函数可以创建折线图，用于表示数据的趋势和变化。
import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.plot(x, y)plt.show() 2. 散点图使用 scatter 函数可以创建散点图，用于显示两个变量之间的关系。
import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.scatter(x, y)plt.show() 3. 柱状图使用 bar 或 barh 函数可以创建垂直或水平的柱状图，用于比较不同类别的数据。
import matplotlib.pyplot as pltcategories = ['A', 'B', 'C', 'D']values = [3, 7, 2, 5]plt.bar(categories, values)plt.show() 4. 饼图使用 pie 函数可以创建饼图，用于显示各部分在整体中的占比。
import matplotlib.pyplot as pltsizes = [30, 20, 25, 15, 10]plt.pie(sizes, labels=['A', 'B', 'C', 'D', 'E'])plt.show() 5. 直方图使用 hist 函数可以创建直方图，用于显示数据的分布情况。
import matplotlib.pyplot as pltdata = [1, 2, 2, 3, 3, 3, 4, 4, 5]plt.hist(data, bins=5)plt.show() 6. 等高线图使用 contour 函数可以创建等高线图，用于表示二维数据的等高线。
import numpy as npimport matplotlib.pyplot as pltx = np.linspace(-5, 5, 100)y = np.linspace(-5, 5, 100)X, Y = np.meshgrid(x, y)Z = np.sin(np.sqrt(X**2 + Y**2))plt.contour(X, Y, Z, cmap='viridis')plt.show() 7. 图形定制用户可以定制图形的各个方面，包括颜色、线型、标签、标题等。
import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5]y = [2, 4, 6, 8, 10]plt.plot(x, y, color='red', linestyle='--', marker='o', label='Line A')plt.title('Customized Line Plot')plt.xlabel('X-axis')plt.ylabel('Y-axis')plt.legend()plt.show()这些只是 Matplotlib 的一小部分功能，该库还支持更多高级的功能，如图形的注释、图形的嵌套、3D 图形、动画等。Matplotlib 的文档和示例库是学习和探索更多功能的好资源。 访问以下链接https://matplotlib.org/stable/gallery/index.html可以了解到更多功能并获取官方教程。
掌握数据处理的基本方法 1. 数据筛选使用 Pandas 进行数据筛选，例如选择满足某个条件的行。
import pandas as pd# 假设 df 是一个数据框filtered_data = df[df['column'] > 10] 2. 缺失值处理处理缺失值，可以使用 Pandas 的 dropna() 或 fillna() 方法。
import pandas as pd# 删除包含缺失值的行df.dropna()# 使用特定值填充缺失值df.fillna(0) 3. 异常值处理识别和处理异常值，可以通过统计方法或可视化方法来检测异常值。
import pandas as pd# 使用描述性统计分析识别异常值mean = df['column'].mean()std = df['column'].std()threshold = mean + 3 * std# 删除超过阈值的异常值df = df[df['column'] < threshold] 理解数据可视化的原则和方法 1. 选择合适的图表类型根据数据的特性和目标，选择合适的图表类型，例如使用折线图表示趋势，柱状图比较类别等。
2. 避免数据混淆确保图表清晰易懂，避免使用过于复杂的图表或颜色，以防止数据混淆。
3. 突出重要信息通过调整图表的样式，突出重要的数据信息，如使用颜色或标签来强调关键数据点。
能够根据实际需求选择合适的图表类型 选择适当的图表类型，考虑数据的结构和目标，例如使用散点图展示相关性，饼图表示比例，柱状图比较类别等。
能够根据实际需求调整图表的属性和样式 根据图表的目标和观众，调整图表的属性和样式，包括颜色、线型、标签、标题等，以提高图表的可读性和美观性。
内容 1、从网站中选取三个国家的从1960-2022年的GDP值，绘制一幅折线图。数据来自网站，点击以下链接可查看原网页： https://www.kylc.com/stats/global/yearly_overview/g_gdp.html 网址内容截图（查看数据）：
方法1
部分代码截图：
运行结果（折线图）：
方法2部分代码截图：
运行结果（折线图）：
2、在一幅图中绘制四幅子图 反映国内或者国际上主要手机品牌在某年或者某季度的销量的饼图。 反映广东省各市的GDP。横 广州市房价平均值的柱状图。 绘制广东省2022年的高考一分段的散点图。部分代码截图：
运行结果：
附录 从网站中选取三个国家的从1960-2022年的GDP值，绘制一幅折线图。:方法1：
import osimport matplotlib.pyplot as pltimport pandas as pd# 设置支持中文的Matplotlib字体plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']# 读取数据file_path = os.path.abspath('GDP.csv')data = pd.read_csv(file_path, encoding='gbk')# 提取数据years = data['年份']usa_gdp = data['美国GDP(万亿)']uk_gdp = data['英国GDP(万亿)']china_gdp = data['中国GDP (万亿)']# 绘制折线图fig, ax = plt.subplots()ax.plot(years, usa_gdp, Label='美国')ax.plot(years, uk_gdp, Label='英国')ax.plot(years, china_gdp, label='中国')ax.set_xlabel('年份')ax.set_ylabel('GDP (万亿)')ax.set_title('1960-2022年各国GDP')ax.Tegend()plt.show()方法2：
import urllib.requestimport reimport pandas as pdimport csvimport matplotlib.pyplot as pltfrom matplotlib import font_managermy_font = font_manager.FontProperties(fname="/System/Library/Fonts/PingFang.ttc")#网页数据分析def getdata(url):req = urllib.request.Request(url)req.add_header('User-Agent',' Mozilla/5.0 (Windows NT 6.3; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/74.0.3729.169 Safari/537.36')#设置请求头信息data = urllib.request.urlopen(req).read().decode('utf-8')str1 = str(data)pat = '''<tr><td>(.*?)</td><td>(.*?)</td><td>(.*?)</td><td>(.*?)\(.*?</td><td>.*?</td></tr>'''#网页分析进行选定内容，正则表达result = re.compile(pat).findall(str1)return result#网页数据存储def datastorage():for i in range(1960, 2023):print('正在收集第%d年数据' % i)rank = []country = []zhou = []total = []url = 'https://www.kuaiyilicai.com/stats/global/yearly/g_gdp/' + str(i) + '.html'data = getdata(url)for j in range(0, len(data)):rank.append(data[j][0])#当页排名country.append(data[j][1])#国家zhou.append(data[j][2])#所在州total.append(data[j][3])#GDPdataframe = pd.DataFrame({'排名': rank, '国家/地区': country, '所在洲': zhou, 'GDP(美元计)': total})dataframe.to_csv(str(i) + "年世界gdp排名.csv", index=False, sep=',', encoding="utf_8_sig", mode="a+")print(i, '年数据收集完成')datastorage()#文字转数字def str2value(valueStr):valueStr = re.sub(r'亿', '00000000', valueStr) # 将"亿"替换为8个零valueStr = re.sub(r'万', '0000', valueStr) # 将"万"替换为4个零valueStr = re.sub(r'\.|,', '', valueStr) # 去除小数点和逗号return int(valueStr)timegdp = list(range(1960,2023))zhongdata = []meidata = []yingdata = []print("打开文件，搜索需要内容中.....")for i in range(1960,2023):csv_reader = csv.reader(open(str(i) + "年世界gdp排名.csv",encoding="utf-8"))for row in csv_reader:if row[1]=='中国':zhongdata.append(row[3])if row[1]=='美国':meidata.append(row[3])if row[1]=='英国':yingdata.append(row[3])result = [str2value(valueStr) for valueStr in zhongdata]result1 = [str2value(valueStr) for valueStr in meidata]result2 = [str2value(valueStr) for valueStr in yingdata]# 画图plt.plot(timegdp, result, 'b*--', alpha=0.5, linewidth=1, label='PRC')plt.plot(timegdp, result1, 'rs--', alpha=0.5, linewidth=1, label='USA')plt.plot(timegdp, result2, 'go--', alpha=0.5, linewidth=1, label='UK')plt.legend() # 显示上面的labelplt.xlabel('时间')plt.ylabel('GDP') # accuracy# plt.ylim(-1,1)#仅设置y轴坐标范围plt.show() 在一幅图中绘制四幅子图 import matplotlibimport matplotlib.pyplot as pltimport numpy as npimport pandas as pdmatplotlib.use('TkAgg')# 设置Matplotlib的默认字体，并忽略警告plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']plt.rcParams['axes.unicode_minus'] = Falsephone_brands = ['Apple(苹果)', 'samsung(三星)', 'Xiaomi(小米)', 'OPPO(欧珀)', 'vivo(维沃)', '其他']phone_sales = [19, 22, 13, 9, 9, 28]cities = ['深圳', '广州', '佛山', '东莞', '惠州', '珠海', '茂名', '江门', '湛江', '中山', '汕头', '肇庆', '揭阳','清远', '韶关', '阳江', '汕尾', '梅州', '潮州', '河源', '云浮']gdp_values = [32387.68, 28839, 12698.39, 11200.32, 5401.24, 4045.45, 3904.63, 3773.41, 3712.56, 3631.28, 3017.44,2705.05, 2260.98, 2032.02, 1563.93, 1535.02, 1322.02, 1318.21, 1312.98, 1294.57, 1162.43]districts = ['天河区', '越秀区', '海珠区', '荔湾区', '白云区', '番禺区', '黄埔区', '南沙区', '增城区', '花都区','从化区']house_prices = [74723, 72121, 58268, 50631, 49639, 38788, 28890, 23567, 21942, 19420, 16160]# 柱状图fig, axes = plt.subplots(2, 2, figsize=(18, 10))# 饼图 - 手机销量axes[0, 0].pie(phone_sales, labels=phone_brands, autopct='%1.1f%%', startangle=90)axes[0, 0].set_title('2022 年全年手机市场销售份额')# 柱状图 - GDPaxes[0, 1].bar(cities, gdp_values, color='skyblue')axes[0, 1].set_title('2022年广东省21市GDP排名')axes[0, 1].set_xlabel('城市')axes[0, 1].set_ylabel('GDP (亿元)')# 柱状图 - 房价axes[1, 0].barh(districts, house_prices, color='salmon')axes[1, 0].set_title('广州市各区平均房价')axes[1, 0].set_xlabel('房价 (元/平方米)')axes[1, 0].set_ylabel('区域')# 散点图 - 高考一分段df = pd.read_excel('分数.xlsx', engine='openpyxl')# # 显示数据# print(df)# 提取需要绘制的数据列province_scores = df['分数'] # np.random.randint(400, 700, 100)province_ranks = df['人数'] # np.random.randint(1, 101, 100)axes[1, 1].scatter(province_scores, province_ranks, color='green', alpha=0.4)axes[1, 1].set_title('广东省2022年历史类一分一段统计')axes[1, 1].set_xlabel('分数')axes[1, 1].set_ylabel('人数')# 设置X轴刻度位置和标签xticks = np.arange(0, 800, 50)axes[1, 1].set_xticks(xticks)axes[1, 1].set_xticklabels([str(x) for x in xticks])# 设置Y轴刻度位置和标签yticks = np.arange(0, 1300, 100)axes[1, 1].set_yticks(yticks)axes[1, 1].set_yticklabels([str(y) for y in yticks])plt.tight_layout()plt.show()
