极客笔记Matplotlib折线图
在数据可视化中，折线图（line plot）是一种常用的图表类型，用于展示数据随时间或其他变量的变化趋势。Python中的Matplotlib库是一个强大的绘图工具，可以用来创建各种类型的图表，包括折线图。本文将详细介绍如何使用Matplotlib创建折线图，并提供多个示例代码来演示不同情况下的折线图绘制。
1. 绘制基本折线图
首先，让我们从绘制一个简单的基本折线图开始。我们准备了一个包含10个随机数的数据集，用于展示折线的变化趋势。
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(10)
y = np.random.randint(1, 10, 10)
plt.plot(x, y)
plt.title('Basic Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
Output:
这是一个简单的折线图，显示了随机数据集中y值的变化趋势。
2. 自定义折线图样式
Matplotlib提供了丰富的方法来自定义折线图的样式，包括线型、颜色、标记等。接下来，我们将演示如何自定义折线图的样式。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y, linestyle='--', color='red', marker='o', markersize=5)
plt.title('Custom Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
Output:
上述代码中，我们使用了不同的参数来定义折线的样式，包括虚线、红色、圆形标记等。
通过自定义折线图的样式，我们可以更直观地展现数据的特点。
3. 多条折线图
除了单条折线图外，Matplotlib还支持同时绘制多条折线图。我们可以在同一个图表中展示多组数据的变化趋势。
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(10)
y1 = np.random.randint(1, 10, 10)
y2 = np.random.randint(1, 10, 10)
plt.plot(x, y1, label='Line 1')
plt.plot(x, y2, label='Line 2')
plt.title('Multiple Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()
Output:
在这个图表中，我们同时展示了两组数据的变化情况，并使用图例区分不同的折线。
4. 添加注释和标签
为了更好地说明数据的变化趋势，我们可以在折线图中添加注释和标签。这有助于观众更清晰地理解图表所表达的信息。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Line Plot with Annotation and Label')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.annotate('Peak', xy=(np.pi/2, 1), xytext=(np.pi/2+1, 1.5),
arrowprops=dict(facecolor='black'))
plt.text(3, 0, 'Sine Curve', fontsize=12, style='italic')
plt.show()
Output:
在这个图表中，我们使用了注释和标签来说明数据的特点，使得图表更加易于理解。
5. 3D折线图
除了在二维平面上绘制折线图外，Matplotlib还支持在三维空间中绘制折线图。下面我们演示如何创建一个简单的3D折线图。
import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.linspace(-5, 5, 100)
y = np.sin(x)
z = np.cos(x)
ax.plot(x, y, z)
plt.title('3D Line Plot')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.show()
Output:
通过在三维空间中绘制折线图，我们可以更直观地展示数据在不同维度上的变化趋势。
6. 动态折线图
有时候，我们需要实时展示数据的变化情况。Matplotlib也提供了实时更新图表的功能，可以用来创建动态折线图。
import matplotlib.pyplot as plt
import numpy as np
plt.ion()
x = np.arange(10)
y = np.random.randint(1, 10, 10)
for i in range(10):
y[i] = np.random.randint(1, 10)
plt.plot(x[:i+1], y[:i+1], color='blue')
plt.title('Dynamic Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.draw()
plt.pause(1)
plt.ioff()
plt.show()
Output:
运行上述代码，可以看到一个动态折线图，每秒更新一次数据
动态折线图可以帮助我们实时监测数据的变化情况，对于一些需要即时反馈的场景非常有用。
7. 折线图与散点图结合
除了纯折线图外，有时候也需要在同一个图表中展示折线图和散点图。下面演示如何将折线图和散点图结合在一起。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y, label='Line Plot', color='blue')
plt.scatter(x[::10], y[::10], label='Scatter Plot', color='red', marker='o')
plt.title('Line and Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()
Output:
在这个图表中，我们同时展示了折线图和散点图，帮助观众更全面地理解数据的变化趋势。
8. 指定折线图范围
有时候，我们需要将折线图的显示范围限制在特定的区间内，以便更清晰地观察数据细节。Matplotlib提供了设置坐标轴范围的方法，可以帮助我们实现这一需求。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title('Line Plot with Specified Range')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.xlim(2, 8)
plt.ylim(-1, 1)
plt.show()
Output:
通过指定折线图的范围，我们可以更准确地观察数据在指定区间内的变化情况。
9. 不同风格的折线图
除了基本的线性折线图外，Matplotlib还支持绘制其他类型的折线图，比如阶梯线图、面积图等。下面我们演示不同风格的折线图。
阶梯线图
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.step(x, y, label='Step Line', linestyle='-.', color='green')
plt.title('Step Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()
Output:
通过设置linestyle='-'，我们实现了阶梯线图的效果。
面积图
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.fill_between(x, y, color='skyblue', alpha=0.5)
plt.plot(x, y, label='Area Plot', color='blue')
plt.title('Area Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.show()
Output:
通过使用fill_between方法，我们实现了面积图的效果，直观地展示了数据的分布情况。
10. 多子图折线图
有时候，我们需要在同一个图表中展示多个子图，比较不同数据集之间的关系。Matplotlib支持创建多个子图，下面演示如何绘制多个子图的折线图。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
plt.subplot(2, 1, 1)
plt.plot(x, y1, label='Sin Line', color='blue')
plt.title('Subplot 1')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.subplot(2, 1, 2)
plt.plot(x, y2, label='Cos Line', color='red')
plt.title('Subplot 2')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.legend()
plt.tight_layout()
plt.show()
Output:
通过创建多个子图，我们可以方便地比较不同数据之间的关系，更清晰地了解数据的特点。