内容简介：Matplotlib绘图库入门（七）：高效使用
原文地址： !()[ http://www.bugingcode.com/blog/Matplotlib_7_Effectively_Using.html ]
这是一篇关于如何高效的使用 Matplotlib 的文章，文章的地址在 原文 ，但是这里不准备一行一行的对文章的内容进行翻译，而是把主要的步骤和思想都记录下来，在进行项目绘制的时候能够有很好的帮助。
获取数据和数据格式
要进行数据的绘制时，数据一般存放在文档里，比如cvs或者是excel中，读取时使用 pandas 进行操作， 这里 下有专门的介绍，这里不在详细的介绍了。
数据从 https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true 中得到，这里看看数据的读取和格式：
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats
import pandas as pd
from matplotlib.ticker import FuncFormatter
df = pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")
print df.head()
这里打印出sample-salesv3.xlsx 中前面4行的数据，数据的格式如下所示：
商品id，商品名称，商品sku，销售数量，销售单价，产品销售额，时间。
数据排行和展示
我们想知道哪些商品的销售最高，需要对数据进行排序，并取到前10位：
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats
import pandas as pd
from matplotlib.ticker import FuncFormatter
df = pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")
#对ext price 进行排序，并取得前10位
top_10 = (df.groupby('name')['ext price', 'quantity'].agg({'ext price': 'sum', 'quantity': 'count'})
.sort_values(by='ext price', ascending=False))[:10].reset_index()
#重新命名 ext price 换成 Sales，quantity 换成 Purchases
top_10.rename(columns={'name': 'Name', 'ext price': 'Sales', 'quantity': 'Purchases'}, inplace=True)
print top_10
结果如下：
Name Sales Purchases 0 Kulas Inc 137351.96 94 1 White-Trantow 135841.99 86 2 Trantow-Barrows 123381.38 94 3 Jerde-Hilpert 112591.43 89 4 Fritsch, Russel and Anderson 112214.71 81 5 Barton LLC 109438.50 82 6 Will LLC 104437.60 74 7 Koepp Ltd 103660.54 82 8 Frami, Hills and Schmidt 103569.59 72 9 Keeling LLC 100934.30 74
取出了前面10名的销售额，第一位为 Kulas Inc，第二位White-Trantow ，等。
在图表上对这些数据进行绘制：
import matplotlib.pyplot as plt
import numpy as np
from scipy import stats
import pandas as pd
from matplotlib.ticker import FuncFormatter
df = pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")
#对ext price 进行排序，并取得前10位
top_10 = (df.groupby('name')['ext price', 'quantity'].agg({'ext price': 'sum', 'quantity': 'count'})
.sort_values(by='ext price', ascending=False))[:10].reset_index()
#重新命名 ext price 换成 Sales，quantity 换成 Purchases
top_10.rename(columns={'name': 'Name', 'ext price': 'Sales', 'quantity': 'Purchases'}, inplace=True)
plt.style.use('ggplot')
top_10.plot(kind='barh', y="Sales", x="Name")
plt.show()
得到各个商品的销售额：
图表自定义
自定义在图表的绘制中起到了美化和增强可读性的作用，对图表的说明和样式的改变，能够使你的图表看上去专业很多。
对图表的说明和坐标范围限制：
把上面 top_10.plot(kind='barh', y="Sales", x="Name") 代码更换为以下的代码，代码的功能也很清楚，限制x轴坐标，设置标题，x轴说明：
fig, ax = plt.subplots(figsize=(5, 6)) top_10.plot(kind='barh', y="Sales", x="Name", ax=ax) ax.set_xlim([-10000, 140000]) ax.set(title='2014 Revenue', xlabel='Total Revenue') ax.legend().set_visible(False)
得到的结果图如下：
要想修改这个图像，你可能需要执行很多操作。图中最碍眼的可能是总收益额的格式。Matplotlib 可以使用 FuncFormatter 解决这一问题。该函数用途多样，允许用户定义的函数应用到值，并返回格式美观的字符串。
以下是货币格式化函数，用于处理数十万美元区间的数值：
def currency(x, pos):
'The two args are the value and tick position'
if x >= 1000000:
return '${:1.1f}M'.format(x*1e-6)
return '${:1.0f}K'.format(x*1e-3)
对x轴数据格式进行说明：
formatter = FuncFormatter(currency) ax.xaxis.set_major_formatter(formatter)
同样的总的代码是把plot的代码替换为如下：
fig, ax = plt.subplots() top_10.plot(kind='barh', y="Sales", x="Name", ax=ax) ax.set_xlim([-10000, 140000]) ax.set(title='2014 Revenue', xlabel='Total Revenue', ylabel='Customer') formatter = FuncFormatter(currency) ax.xaxis.set_major_formatter(formatter) ax.legend().set_visible(False)
对x轴进行修饰以后的图表：
多图表对比
各个销售的对比和各个商品在整体中是处于哪个地位是较为关心的话题。把平均值也绘制在图表中，可以很方便的进行对比。
# Create the figure and the axes fig, ax = plt.subplots() # Plot the data and get the averaged top_10.plot(kind='barh', y="Sales", x="Name", ax=ax) avg = top_10['Sales'].mean() # Set limits and labels ax.set_xlim([-10000, 140000]) ax.set(title='2014 Revenue', xlabel='Total Revenue', ylabel='Customer') # Add a line for the average ax.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1) # Format the currency formatter = FuncFormatter(currency) ax.xaxis.set_major_formatter(formatter) # Hide the legend ax.legend().set_visible(False)
图表如下：
目前，我们所做的所有改变都是针对单个图表。我们还能够在图像上添加多个表，使用不同的选项保存整个图像。
在这个例子中，我使用 nrows 和 ncols 指定大小，这对新用户来说比较清晰易懂。我还使用 sharey=True 以使 y 轴共享相同的标签。
该示例很灵活，因为不同的轴可以解压成 ax0 和 ax1。现在我们有了这些轴，就可以像上述示例中那样绘图，然后把一个图放在 ax0 上，另一个图放在 ax1。
# Get the figure and the axes
fig, (ax0, ax1) = plt.subplots(nrows=1,ncols=2, sharey=True, figsize=(7, 4))
top_10.plot(kind='barh', y="Sales", x="Name", ax=ax0)
ax0.set_xlim([-10000, 140000])
ax0.set(title='Revenue', xlabel='Total Revenue', ylabel='Customers')
# Plot the average as a vertical line
avg = top_10['Sales'].mean()
ax0.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1)
# Repeat for the unit plot
top_10.plot(kind='barh', y="Purchases", x="Name", ax=ax1)
avg = top_10['Purchases'].mean()
ax1.set(title='Units', xlabel='Total Units', ylabel='')
ax1.axvline(x=avg, color='b', label='Average', linestyle='--', linewidth=1)
# Title the figure
fig.suptitle('2014 Sales Analysis', fontsize=14, fontweight='bold');
# Hide the legends
ax1.legend().set_visible(False)
ax0.legend().set_visible(False)
保存图表
Matplotlib 支持多种不同文件保存格式。你可以使用 fig.canvas.get_supported_filetypes() 查看系统支持的文件格式：
fig.canvas.get_supported_filetypes()
{'eps': 'Encapsulated Postscript',
'jpeg': 'Joint Photographic Experts Group',
'jpg': 'Joint Photographic Experts Group',
'pdf': 'Portable Document Format',
'pgf': 'PGF code for LaTeX',
'png': 'Portable Network Graphics',
'ps': 'Postscript',
'raw': 'Raw RGBA bitmap',
'rgba': 'Raw RGBA bitmap',
'svg': 'Scalable Vector Graphics',
'svgz': 'Scalable Vector Graphics',
'tif': 'Tagged Image File Format',
'tiff': 'Tagged Image File Format'}
我们有 fig 对象，因此我们可以将图像保存成多种格式：
fig.savefig('sales.png', transparent=False, dpi=80, bbox_inches="tight")
转载请标明来之： http://www.bugingcode.com/
更多教程： 阿猫学编程
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
