前言

本文其实属于：Python的进阶之道【AIoT阶段一】的一部分内容，本篇把这部分内容单独截取出来，方便大家的观看，本文介绍Matplotlib数据可视化高级，读本文之前，如果没有 Matplotlib基础建议先看博客：Matplotlib数据可视化入门，后续还会单独发一篇Matplotlib数据可视化进阶内容供读者学习。

🌟 学习本文之前，需要先自修：NumPy从入门到进阶，pandas从入门到进阶本文中很多的操作在 NumPy从入门到进阶 ，pandas从入门到进阶二文中有详细的介绍，包含一些软件以及扩展库，图片的安装和下载流程，本文会直接进行使用。

下载 见博客：matplotlib的安装教程以及简单调用，这里不再赘述

1.多图布局

1.1 子视图

🚩创建子视图可以一个视图一个视图的创建，也可以多个视图一起创建：
单图创建：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi)

# 创建子视图：2行1列第1个视图
ax = plt.subplot(2, 1, 1)
ax.plot(x, np.sin(x))

# 创建子视图：2行1列第2个视图
ax = plt.subplot(2, 1, 2)
ax.plot(x, np.cos(x))

多图一起创建：

# 一次创造多个视图
fig, axes = plt.subplots(2, 2) # 2行2列:四个图
# 索引从0开始
axes[0, 0].plot(x, np.sin(x), color = 'red')
axes[0, 1].plot(x, np.sin(x), color = 'green')
axes[1, 0].plot(x, np.cos(x), color = 'purple')
axes[1, 1].plot(x, np.cos(x))

下面附上一个完整的代码供读者理解：
遇到无法理解的地方可以看后面的代码解释，还是不理解的地方可以评论区留言（有问必答）

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line.set_marker('*') # 调用对象设置方法，设置属性
line.set_markerfacecolor('red')
line.set_markeredgecolor('green')
line.set_markersize(10)

# 子视图3
ax = plt.subplot(2, 1, 2) # 两行一列第二行视图
plt.sca(ax) # 设置当前视图
x = np.linspace(-np.pi, np.pi, 200)
plt.plot(x, np.sin(x * x), color = 'red')

对上述代码的部分进行讲解：

# 第15行
# line, = ax.plot(x, -y) # 返回绘制对象

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
ax.plot(x, -y) # 返回绘制对象

ax.plot(x, -y)其实就是返回了一句话：[<matplotlib.lines.Line2D at 0x1914fb1d250>]
我们可以发现这句话使用的是列表，我们取出这句话可以用：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line = ax.plot(x, -y) # 返回绘制对象
line[0]

我们也可以使用 , 去取：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子视图1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 两行两列第一个子视图
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 调用子视图设置方法，设置子视图整体属性

# 子视图2
ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图
line, = ax.plot(x, -y) # 返回绘制对象
line

还有一个很容易晕掉的细节：就是我们在绘图的时候几行几列第几个是什么意识：
我们就拿上述代码去说明：
我们假想有一块空白的板子是供我们绘图的，下面来看上述代码：

ax = plt.subplot(221) # 两行两列第一个子视图

这行代码的意思是把我们假想的这块白板，划分称为两行两列的板子：

然后这个图片占据的是第一个板子的位置，对于板子位置我们有如下规定：

板子的编号从1开始，而非从0开始，从左至右，从上至下依次命名板子

所以对上面这个板子，板子的编号为：

所以我们最后图像所显示的其实就是左上角的位置。

接着来看我们的第二个图：

ax = plt.subplot(2, 2, 2) # 两行两列第二个子视图

这下就好理解啦，还是把之前的空白板子分成两行两列，然后编号为2，即右上角。

接着我们来看第三个图：

ax = plt.subplot(2, 1, 2) # 两行一列第二行视图

把我们的空白板子分成两行一列，那么就是下图的形式：

然后我们把第三个图片放到第二个位置，不难想到，该图的第二个位置其实就是对应的我们分成两行两列的 3,4 位置，所以三个图像最终绘制的结果就是：

1.2 嵌套

🚩所谓嵌套，其实就是在图形中继续画图：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 25)
y = np.sin(x)
fig = plt.figure(figsize = (9, 6)) # 创建视图

plt.plot(x,y)

# 嵌套方式一，axes轴域（横纵坐标范围），子视图
# x,y,width,height
ax = plt.axes([0.2, 0.55, 0.3, 0.3]) # 参数含义[left, bottom, width, height]
ax.plot(x, y, color = 'g')

# 嵌套方式二
ax = fig.add_axes([0.55, 0.2, 0.3, 0.3]) # 使用视图对象添加子视图
ax.plot(x, y, color = 'r')

1.3 多图布局分格显示

1.3.1 均匀布局

🚩每张图片都是均匀展示的

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,2*np.pi)
# sharex:所有小图共享x轴  sharey:表示所有小图共享y轴  坐标轴以所有小图中范围最大的进行显示
fig, ((ax11,ax12,ax13), (ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3, 3)
# 也可通过plt.subplot() 一个个添加子视图
fig.set_figwidth(9)
fig.set_figheight(6)
ax11.plot(x,np.sin(x))
ax12.plot(x,np.cos(x))
ax13.plot(x,np.tanh(x))
ax21.plot(x,np.tan(x))
ax22.plot(x,np.cosh(x))
ax23.plot(x,np.sinh(x))
ax31.plot(x,np.sin(x) + np.cos(x))
ax32.plot(x,np.sin(x * x) + np.cos(x * x))
ax33.plot(x,np.sin(x) * np.cos(x))
# 紧凑显示，边框会比较小，可以注释掉该行查看效果
plt.tight_layout()
plt.show()

1.3.2 不均匀分布

🚩上图中代码运行所展示的就是均匀分布的结果，可以看出每张图片所占的空间大小都是均等的，如下面图片的展示结果，就是不均匀分布：

为显示如上图的不均匀分布，我们有三种方法

方法一：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 使用切片方式设置子视图
ax1 = plt.subplot(3, 1, 1) # 视图对象添加子视图
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(3, 3, (4, 5))
ax2.set_facecolor('green')
ax2.plot(x, np.cos(x),color = 'red')
ax3 = plt.subplot(3, 3, (6, 9))
ax3.plot(x,np.sin(x) + np.cos(x))
ax4 = plt.subplot(3, 3, 7)
ax4.plot([1, 3], [2, 4])
ax5 = plt.subplot(3, 3, 8)
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

方法二：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
plt.figure(figsize = (12, 9))
# 子视图1
ax1 = plt.subplot2grid(shape = (3, 3),# 布局形状
                       loc =  (0, 0), # 布局绘制位置
                       colspan = 3) # 跨几列
ax1.plot(x, np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
# 子视图2
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan = 2) # 跨两列
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x),color = 'red')
# 子视图3
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan = 2) # 跨两行
ax3.plot(x,np.sin(x) + np.cos(x))
# 子视图4
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax4.plot([1, 3], [2, 4])
# 子视图5
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)

方法三：

import numpy as np
import matplotlib.pyplot as plt
# 需要导入gridspec模块
import matplotlib.gridspec as gridspec
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 将整个视图分成3x3布局
gs = gridspec.GridSpec(3, 3)
# 使用切片方式设置子视图
ax1 = fig.add_subplot(gs[0, :]) # 视图对象添加子视图
ax1.plot(x,np.sin(10 * x))
# 设置ax1的标题，xlim、ylim、xlabel、ylabel等所有属性现在只能通过set_属性名的方法设置
ax1.set_title('ax1_title')  # 设置小图的标题
ax2 = plt.subplot(gs[1, :2]) # 模块调用
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x), color = 'red')
# 从第一行到最后，占1、2两行，后面的2表示只占用第二列，也就是最后的一列
ax3 = plt.subplot(gs[1:, 2])
ax3.plot(x,np.sin(x) + np.cos(x))
# 倒数第一行，只占第0列这一列
ax4 = plt.subplot(gs[-1, 0])
ax4.plot([1, 3], [2, 4])
# 倒数第一行，只占倒数第二列，由于总共三列，所以倒数第二列就是序号1的列
ax5 = plt.subplot(gs[-1, -2])
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

1.4 双轴显示

🚩有时候，有两个轴是不够用的，我们经常会见到如下的图形，下述图形的样式就是双轴显示：

就比如我们在绘制正弦波和指数函数的时候，让他们在一个 轴上显示是不合理的：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

所以，这个时候就需要我们的双轴显示：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 获取当前视图
ax = plt.gca()

# 双胞胎,相当于两个x轴,并且是合到一起的
# 这两个x轴对应的是两个y轴
ax2 = ax.twinx()
# 其中一个视图纵坐标范围是 -1~1.0,另一个视图范围是0~25
# 刻度是自适应的,当然也可以进行调整

# 默认向 ax2这个子视图中绘制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

坐标是虽然是自适应的，但是我们也可以对其进行调整：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 获取当前视图
ax = plt.gca()

# 双胞胎,相当于两个x轴,并且是合到一起的
# 这两个x轴对应的是两个y轴
ax2 = ax.twinx()
# 其中一个视图纵坐标范围是 -1~1.0,另一个视图范围是0~25
# 刻度是自适应的,当然也可以进行调整

# 默认向 ax2这个子视图中绘制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')
# 规定刻度
_ = plt.yticks(np.arange(0, 26, 5), color = 'red')

2.文本、注释、箭头

🚩常用函数如下：

2.1 文本

import numpy as np
import matplotlib.pyplot as plt

# 字体属性
font = {'fontsize': 20,
        'family': 'KaiTi',
        'color':  'red',
        'weight': 'bold'}  # bold表示字体加粗

x = np.linspace(0.0, 5.0, 100)
y = np.cos(2 * np.pi * x) * np.exp(-x)

plt.figure(figsize = (9, 6))
plt.plot(x, y, 'k')  # k代表黑色

# 视图的标题
plt.title('exponential decay', fontdict = font, pad = 20)

# figure的大标题
plt.suptitle('指数衰减', y = 1.05, fontdict = font, fontsize = 30)

# 向图片中绘制文本
plt.text(x = 2, y = 0.65, # 横纵坐标位置
         s = r'$\cos(2 \pi t) \exp(-t)$', # 文本内容
         fontsize = 25)   # 文本大小

plt.xlabel('time (s)')
plt.ylabel('voltage (mV)')
plt.show()

2.2 箭头

import matplotlib.pyplot as plt
import numpy

# 随机生成数字，10行2列(x,y)
loc = np.random.randint(0, 10,size = (10, 2))
plt.figure(figsize=(10, 10))

# 画图: loc[:, 0]:所有行都获取,索引0--->横坐标
#       loc[:, 1]:所有行都获取,索引1--->纵坐标
#       g*:g代表的是绿色,*代表的是点的形状是五角星
#       ms = 20:点的大小
plt.plot(loc[:, 0], loc[:, 1], 'g*', ms = 20)
plt.grid(True)

# 路径
way = np.arange(10) # 0、1、2、...、9索引
np.random.shuffle(way) # 洗牌，打乱顺序

# 开始连点:0-->1-->2-->...-->9
# for 循环:少一个:10个点连9条线
for i in range(0, len(way) - 1):
    start = loc[way[i]]    # 起点
    end = loc[way[i + 1]]  # 终点
    # 画箭头:
    plt.arrow(start[0], start[1], # x = start[0], y = start[1]:起点的(x, y)
              end[0] - start[0],  # 水平方向上移动的距离
              end[1] - start[1],  # 竖直方向上移动的距离
              head_width = 0.2, lw = 2,# 箭头长度，箭尾线宽
              length_includes_head = True) # 长度计算包含箭头箭尾
    # 绘制编号:0 1 2 3... 8
    plt.text(start[0], start[1], s = i, fontsize = 18, color = 'red')
    # 绘制编号:9
    if i == len(way) - 2:
        plt.text(end[0], end[1], s = i + 1, fontsize = 18, color = 'red')

2.3 注释

import numpy as np
import matplotlib.pyplot as plt

# 数据创建
fig, ax = plt.subplots()
x = np.arange(0.0, 5.0, 0.01)
y = np.cos(2 * np.pi * x)
line, = ax.plot(x, y, lw = 2)

# 注释:
ax.annotate('local max',       # 文本内容
            xy = (2, 1),       # 箭头指向位置
            xytext = (3, 1.5), # 文本位置
            # 箭头属性
            arrowprops = dict(facecolor = 'black', # 箭头的颜色
                              shrink = 0.05)) # 箭头两端收缩的百分比（占总长）
ax.annotate('local min',
            xy = (2.5, -1),
            xytext = (4, -1.8),
            arrowprops = dict(facecolor = 'black',
                              width = 2,       # 箭头宽度
                              headwidth = 10,  # 箭头头部宽度
                              headlength = 10, # 箭头头部长度
                              shrink = 0.1)) # 箭头两端收缩的百分比（占总长）
ax.annotate('median',
            xy = (2.25, 0),
            xytext = (0.5, -1.8),
            arrowprops = dict(arrowstyle = '-|>'), # 箭头样式
            # 按下 Shift+Tab查看提示:-|>:head_length=0.4,head_width=0.2
            fontsize = 20)

# y轴范围调为(-2, 2)
ax.set_ylim(-2, 2)  

2.4 注释箭头连接形状

import matplotlib.pyplot as plt

def annotate_con_style(ax, connectionstyle):
    x1, y1 = 3,2
    x2, y2 = 8,6
    ax.plot([x1, x2], [y1, y2], ".")
    ax.annotate(text = '',
                xy = (x1, y1),     # 相当于B点，arrow head
                xytext = (x2, y2), # 相当于A点，arrow tail
                arrowprops = dict(arrowstyle = '->', color = 'red',
                                shrinkA = 5,shrinkB = 5,
                                connectionstyle = connectionstyle))

    ax.text(.05, 0.95, connectionstyle.replace(",", "\n"),
            transform = ax.transAxes, # 相对坐标
            ha = "left", va = "top")  # 指定对齐方式

# 常用箭头连接样式
fig, axs = plt.subplots(3, 5, figsize = (9, 6))
annotate_con_style(axs[0, 0], "angle3,angleA=90,angleB=0")
annotate_con_style(axs[1, 0], "angle3,angleA=0,angleB=90")
annotate_con_style(axs[2, 0], "angle3,angleA = 0,angleB=150")
annotate_con_style(axs[0, 1], "arc3,rad=0.")
annotate_con_style(axs[1, 1], "arc3,rad=0.3")
annotate_con_style(axs[2, 1], "arc3,rad=-0.3")
annotate_con_style(axs[0, 2], "angle,angleA=-90,angleB=180,rad=0")
annotate_con_style(axs[1, 2], "angle,angleA=-90,angleB=180,rad=5")
annotate_con_style(axs[2, 2], "angle,angleA=-90,angleB=10,rad=5")
annotate_con_style(axs[0, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=0")
annotate_con_style(axs[1, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=5")
annotate_con_style(axs[2, 3], "arc,angleA=-90,angleB=0,armA=0,armB=40,rad=0")
annotate_con_style(axs[0, 4], "bar,fraction=0.3")
annotate_con_style(axs[1, 4], "bar,fraction=-0.3")
annotate_con_style(axs[2, 4], "bar,angle=180,fraction=-0.2")

for ax in axs.flat:
    # 设置轴域刻度
    ax.set(xlim = (0, 10), ylim = (0, 10), xticks = [], yticks = [], aspect = 1)
fig.tight_layout(pad = 0.2)

3.训练场

3.1 绘制如下子图

要求：

• 设置中文字体并设置字体大小
• 分别计算每个城市年份、季度、月份、小时的PM2.5数据
• 会用到分组求平均值操作
• 进行数据重塑
• 根据需要调整行索引或者列索引
• 创建子视图2行2列
• 向子视图分别绘制年份、季度、月份、小时的各城市PM2.5走势数据
• 根据需要设置坐标轴标签（比如月份、小时）

首先我们需要下载一个 Excel 文件：

链接: https://pan.baidu.com/s/1nSw6wbOEg8GpP19WQ7ggxw?pwd=53ph
提取码: 53ph

下载完成之后，把该文件和我们的代码放到同一个文件夹下，这一操作我们在之前的博客中已经反复说到，这里就不再进行演示

注：代码处于运行中将显示：

下列代码运行几十秒甚至几分钟都是正常的，耐心等待运行结果即可。

我们先来加载我们的数据

%%time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['font.size'] = 18
df = pd.read_excel('./PM2.5.xlsx')

接下来绘制年份的数据：

# 添加子视图
fig, axes = plt.subplots(2, 2, figsize = (16, 12))

# 按照城市年份分组,获取PM2.5,计算平均值并保留2位小数
df2 = df.groupby(by = ['城市', '年份'])[['PM2.5']].mean().round(2)

# 数据重塑
df2 = df2.unstack(level = 0)   # 城市作为列索引
df2.columns = df2.columns.droplevel(0) # 删除 PM2.5 这个列索引
df2 = df2[['北京', '上海', '广州', '沈阳', '成都']]  # 调整列索引的顺序
df2.plot(ax = axes[0, 0])   # 左上角

绘制季度：

df3 = df.groupby(by = ['城市', '季节'])[['PM2.5']].mean().round(2)
# 数据重塑
df3 = df3.unstack(level = 0)
# 调整行索引顺序
df3 = df3.loc[list('春夏秋冬')]
# 删除列索引 PM2.5
df3.columns = df3.columns.droplevel(0)
# 调整列索引顺序
df3 = df3[['北京', '上海', '广州', '沈阳', '成都']]
# 第一行第二列的子视图(右上角)
df3.plot(ax = axes[0, 1])

绘制月份：

df4 = df.groupby(by = ['城市', '月份'])[['PM2.5']].mean().round(2)
# 数据重塑
df4 = df4.unstack(level = 0)
df4.columns = df4.columns.droplevel(0)
df4 = df4[['北京', '上海', '广州', '沈阳', '成都']]
ax = df4.plot(ax = axes[1, 0])

# 设置
months = ['一月', '二月', '三月', '四月', '五月', '六月', 
          '七月', '八月', '九月', '十月', '十一月', '十二月']
ax.set_xticks(np.arange(1, 13))   # 设置刻度(x轴)
_ = ax.set_xticklabels(months, rotation = 60) # 旋转60°

绘制小时：

df5 = df.groupby(by = ['城市', '小时'])[['PM2.5']].mean().round(2)
# 数据重塑
df5 = df5.unstack(level = 0)
df5.columns = df5.columns.droplevel(0)
df5 = df5[['北京', '上海', '广州', '沈阳', '成都']]
ax = df5.plot(ax = axes[1, 1])
_ = ax.set_xticks(np.arange(0, 24)) 

最后我们来保存我们的图片：

plt.savefig('./homework7.png')