matplotlib基本功能详解
基本绘图
h：水平方向
v：垂直方向
绘图常见属性
属性名 | 属性 | 说明 |
color | 颜色 | 简写c 常见颜色：’red’ ‘blue’ ‘green’ ‘pink’ 还可以通过’#aabbcc’的方式赋值。或者元组的形式（r,g,b,a）。取值范围在0-1之间，a可以省略，alpha: 设置透明度（0~1之间）！ |
linestyle | 直线风格 | 简写ls 常见取值：实线（’-’）、虚线（’–’）、点虚线（’-.’）、点线（’:’） |
linewidth | 线宽 | 填写数字 |
label | 标签 | 用于图例显示 |
rotation | 文字方向 | 偶尔可以简写成rot,如果rot报错，应该改为全拼。0表示水平方向，90表示垂直方向 |
1）绘制直线（x,y,轴、垂线，水平线）
案例： 绘制简单直线
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9ciyx4LM-1617628985583)(./images/%E7%9B%B4%E7%BA%BF.png)]
import numpy as np
import matplotlib.pyplot as plt
# 绘制简单直线
x = np.array([1, 2, 3, 4, 5])
y = np.array([3, 6, 9, 12, 15])
# 绘制水平线、垂线（从零的位置开始延长！！）
plt.axhline(y=6, ls=":", c="blue") # 添加水平直线
plt.axvline(x=4, ls="-", c="red") # 添加垂直直线
# 绘制多段垂线
plt.vlines([2, 3, 3.5], # 垂线的x坐标值
[10, 20, 30], # 每条垂线起始y坐标
[25, 35, 45]) # 每条垂线结束y坐标
[],[],[] 位置，开始位置，结束位置
#绘制多段直线
plt.hlines([2, 3, 3.5], # 垂线的y坐标值
[10, 20, 30], # 每条垂线起始x坐标
[25, 35, 45]) # 每条垂线结束x坐标
plt.plot(x, y) *********在Python交互模式下，可以通过这个方式阻塞函数
plt.show() # 显示图片，阻塞方法2）设置线型、线宽（linestyle,linewidth)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NetFqrWq-1617628985586)(./images/sin_cos%E6%9B%B2%E7%BA%BF.png)]
案例：绘制正弦、余弦曲线，并设置线型、线宽、颜色、透明度
# 绘制正弦曲线
import numpy as np
import matplotlib.pyplot as plt
import math
x = np.arange(0, 2 * np.pi, 0.1) # 以0.1为单位，生成0~6的数据
print(x)
y1 = np.sin(x)
y2 = np.cos(x)
# 绘制图形
plt.plot(x, y1, label="sin", linewidth=2) # 实线，线宽2像素
plt.plot(x, y2, label="cos", linestyle="--", linewidth=4) # 虚线，线宽4像素
plt.xlabel("x") # x轴文字
plt.ylabel("y") # y轴文字
# 设置坐标轴范围
plt.xlim(0, 2 * math.pi)
plt.ylim(-1, 2)
plt.title("sin & cos") # 图标题
plt.legend() # 图例
plt.show()3）设置坐标轴范围 (plt.xlim(起始值，终止值))
语法：
#x_limt_min: <float> x轴范围最小值
#x_limit_max: <float> x轴范围最大值
plt.xlim(x_limt_min, x_limit_max)
#y_limt_min: <float> y轴范围最小值
#y_limit_max: <float> y轴范围最大值
plt.ylim(y_limt_min, y_limit_max)4）设置坐标刻度（plt.xticks()轴的长度和plt.xlabel()轴文字）
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DR0t4jRU-1617628985590)(./images/%E4%B8%80%E5%85%83%E4%BA%8C%E6%AC%A1%E6%9B%B2%E7%BA%BF.png)]
语法：设置轴的长度和轴的名称
#x_val_list: x轴刻度值序列（列表）
#x_text_list: x轴刻度标签文本序列 [可选]（列表）
plt.xticks(x_val_list , x_text_list ) 如果不赋值，则默认使用原来的。
#y_val_list: y轴刻度值序列
#y_text_list: y轴刻度标签文本序列 [可选]
plt.yticks(y_val_list , y_text_list )
#设置轴的文字
plt.xlabel("x") # x轴文字
plt.ylabel("y") # y轴文字案例：绘制二次函数曲线
# 绘制二次函数曲线
import numpy as np
import matplotlib.pyplot as plt
import math
x = np.arange(-5, 5, 0.1) # 以0.1为单位，生成-5~5的数据
print(x)
y = x ** 2
# 绘制图形
plt.plot(x, y, label="$y = x ^ 2$",
linewidth=2, # 线宽2像素
color="red", # 颜色
alpha=0.5) # 透明度
plt.xlabel("x") # x轴文字
plt.ylabel("y") # y轴文字
# 设置坐标轴范围
plt.xlim(-10, 10)
plt.ylim(-1, 30)
# 设置刻度
x_tck = np.arange(-10, 10, 2)
x_txt = x_tck.astype("U")
plt.xticks(x_tck, x_txt)
y_tck = np.arange(-1, 30, 5)
y_txt = y_tck.astype("U")
plt.yticks(y_tck, y_txt)
plt.title("square") # 图标题
plt.legend(loc="upper right") # 图例 upper right, center
plt.show()刻度文本的特殊语法 – LaTex排版语法字符串
r'$x^n+y^n=z^n$', r'$\int\frac{1}{x} dx = \ln |x| + C$', r'$-\frac{\pi}{2}$'
r'$latex表达式$'5）设置坐标轴/设置成xy轴的形式
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Frss0YS7-1617628985592)(.\images\坐标轴格式.png)]
坐标轴名：left / right / bottom / top
步骤：1.拿到坐标系 2.获取坐标系位置 3.设置坐标系
# 获取当前坐标轴字典，{'left':左轴,'right':右轴,'bottom':下轴,'top':上轴 }
ax = plt.gca() #拿到当前的坐标系
# 获取其中某个坐标轴
axis = ax.spines['坐标轴名']
# 设置坐标轴的位置。 该方法需要传入2个元素的元组作为参数
# type: <str> 移动坐标轴的参照类型 一般为'data' (以数据的值作为移动参照值)
# val: 参照值
axis.set_position(('data', val))
# 设置坐标轴的颜色
# color: <str> 颜色值字符串
axis.set_color(color) #无颜色：none案例：设置坐标轴格式
# 设置坐标轴
import matplotlib.pyplot as plt
ax = plt.gca()
axis_b = ax.spines['bottom'] # 获取下轴
axis_b.set_position(('data', 0)) # 设置下轴位置, 以数据作为参照值
axis_l = ax.spines['left'] # 获取左轴
axis_l.set_position(('data', 0)) # 设置左轴位置, 以数据作为参照值
ax.spines['top'].set_color('none') # 设置顶部轴无色
ax.spines['right'].set_color('none') # 设置右部轴无色
plt.show()6）图例 plt.legend() 在绘制曲线时需要设置label
显示两条曲线的图例，并测试loc属性。
描述这个图所画的内容
# 再绘制曲线时定义曲线的label
# label: <关键字参数 str> 支持LaTex排版语法字符串
plt.plot(xarray, yarray ... label='', ...)
# 设置图例的位置
# loc: <关键字参数> 指定图例的显示位置 (若不设置loc，则显示默认位置)
# =============== =============
# Location String Location Code
# =============== =============
# 'best' 0
# 'upper right' 1
# 'upper left' 2
# 'lower left' 3
# 'lower right' 4
# 'right' 5
# 'center left' 6
# 'center right' 7
# 'lower center' 8
# 'upper center' 9
# 'center' 10
# =============== =============
plt.legend(loc='')
如果想要使用legend ,需要在plot画图的时候，指定参数label 可以写latex7）特殊点（plt.scatter()）
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VQ25oGKx-1617628985596)(.\images\特殊点.png)]
语法：
# xarray: <序列> 所有需要标注点的水平坐标组成的序列
# yarray: <序列> 所有需要标注点的垂直坐标组成的序列
plt.scatter(xarray, yarray,
marker='', #点型 ~ matplotlib.markers
s='', #大小
edgecolors='', #边缘色
facecolor='', #填充色
zorder=3 #绘制图层编号 （编号越大，图层越靠上）,点是都在线上层
)示例：在二次函数图像中添加特殊点
# 绘制特殊点
plt.scatter(x_tck, # x坐标数组
x_tck ** 2, # y坐标数组
marker="s", # 点形状 s:square
s=40, # 大小
facecolor="blue", # 填充色
zorder=3) # 图层编号marker点型可参照：help(matplotlib.markers)
也可参照附录： matplotlib point样式
8）备注（plt.annotate()）
语法：
# 在图表中为某个点添加备注。包含备注文本，备注箭头等图像的设置。
plt.annotate(
r'$\frac{\pi}{2}$', #备注中显示的文本内容
xycoords='data', #备注目标点所使用的坐标系（data表示数据坐标系）
xy=(x, y), #备注目标点的坐标
textcoords='offset points', #备注文本所使用的坐标系（offset points表示参照点的偏移坐标系）
xytext=(x, y), #备注文本的坐标
fontsize=14, #备注文本的字体大小
arrowprops=dict() #使用字典定义文本指向目标点的箭头样式
)arrowprops参数使用字典定义指向目标点的箭头样式
#arrowprops字典参数的常用key
arrowprops=dict(
arrowstyle='', #定义箭头样式
connectionstyle='' #定义连接线的样式
)箭头样式（arrowstyle）字符串如下
============ =============================================
Name Attrs
============ =============================================
'-' None
'->' head_length=0.4,head_width=0.2
'-[' widthB=1.0,lengthB=0.2,angleB=None
'|-|' widthA=1.0,widthB=1.0
'-|>' head_length=0.4,head_width=0.2
'<-' head_length=0.4,head_width=0.2
'<->' head_length=0.4,head_width=0.2
'<|-' head_length=0.4,head_width=0.2
'<|-|>' head_length=0.4,head_width=0.2
'fancy' head_length=0.4,head_width=0.4,tail_width=0.4
'simple' head_length=0.5,head_width=0.5,tail_width=0.2
'wedge' tail_width=0.3,shrink_factor=0.5
============ =============================================连接线样式（connectionstyle）字符串如下
============ =============================================
Name Attrs
============ =============================================
'angle' angleA=90,angleB=0,rad=0.0
'angle3' angleA=90,angleB=0`
'arc' angleA=0,angleB=0,armA=None,armB=None,rad=0.0
'arc3' rad=0.0
'bar' armA=0.0,armB=0.0,fraction=0.3,angle=None
============ =============================================示例：在二次函数图像中添加备注
# 设置备注
plt.annotate(
r'$y = x ^ 2$', #备注中显示的文本内容
xycoords='data', #备注目标点所使用的坐标系（data表示数据坐标系）
xy=(4, 16), #备注目标点的坐标 (4,16)
textcoords='offset points', #备注文本所使用的坐标系（offset points表示参照点的偏移坐标系）
xytext=(20, 30), #备注文本的坐标
fontsize=14, #备注文本的字体大小
arrowprops=dict(
arrowstyle="->", connectionstyle="angle3"
) #使用字典定义文本指向目标点的箭头样式
)高级绘图
语法：绘制两个窗口，一起显示。
# 手动构建 matplotlib 窗口
plt.figure(
'sub-fig', #窗口标题栏文本
figsize=(4, 3), #窗口大小 <元组>
facecolor='' #图表背景色
)
plt.show()plt.figure方法不仅可以构建一个新窗口，如果已经构建过title='A’的窗口，又使用figure方法构建了title=‘A’ 的窗口的话，mp将不会创建新的窗口，而是把title='A’的窗口置为当前操作窗口。
设置当前窗口的参数
语法：测试窗口相关参数
# 设置图表标题 显示在图表上方
plt.title(title, fontsize=12)
# 设置水平轴的文本
plt.xlabel(x_label_str, fontsize=12)
# 设置垂直轴的文本
plt.ylabel(y_label_str, fontsize=12)
# 设置刻度参数 labelsize设置刻度字体大小
plt.tick_params(..., labelsize=8, ...)
#参数说明：
#axis ：参数axis的值为'x'、'y'、'both'，分别代表设置X轴、Y轴以及同时设置，默认值为'both'
#which ：参数which的值为'major'、'minor'、'both'，分别代表设置主刻度线、副刻度线以及同时设置，默认值为'major'
#direction：参数direction的值为'in'、'out'、'inout'，分别代表刻度线显示在绘图区内侧、外侧以及同时显示 (坐标轴上的哪个一格一格的刻度线)
#length和width 参数length和width分别用于设置刻度线的长度和宽度
#pad 参数pad用于设置刻度线与标签间的距离(标签是值的X轴和Y轴上的那些数字)
#color、labelcolor、colors 参数color、labelcolor、colors分别用于设置刻度线的颜色、刻度线标签的颜色以及同时#设置刻度线及标签颜色
#labelsize 参数labelsize用于设置刻度线标签的字体大小
#bottom, top, left, right参数bottom, top, left, right的值为布尔值，分别代表设置绘图区四个边框线上的的刻度线是否显示
#ax1.tick_params(bottom=False,top=True,width=4,colors=’gold’)
#ax2.tick_params(left=False,right=True,width=4,colors=’gold’)
#labelbottom, labeltop, labelleft, labelright 参数labelbottom, labeltop, labelleft, labelright的值为布尔值，分别代表设置绘图区四个边框线上的刻度线标签是否显示
# 设置图表网格线 linestyle设置网格线的样式
# - or solid 粗线
# -- or dashed 虚线
# -. or dashdot 点虚线
# : or dotted 点线
plt.grid(linestyle='')
# 设置紧凑布局，把图表相关参数都显示在窗口中
plt.tight_layout()示例：绘制两个图像窗口
# 绘制两个图像窗口
import matplotlib.pyplot as plt
plt.figure("FigureA", facecolor="lightgray")
plt.grid(linestyle="-.") # 设置网格线
plt.figure("FigureB", facecolor="gray")
plt.title('Figure BBB')
plt.xlabel("Date", fontsize=14)
plt.ylabel("Price", fontsize=14)
plt.grid(linestyle="--") # 设置网格线
plt.tight_layout() # 设置紧凑布局
plt.show()执行结果：
1）子图 ：在一个窗口中，有多个图表
矩阵式布局 (最常用的)
绘制矩阵式子图布局相关API：
所有的图，都是规则的
所以的图的大小都是一样的
plt.figure('Subplot Layout', facecolor='lightgray')
# 拆分矩阵
# rows: 行数
# cols: 列数
# num: 编号
plt.subplot(rows, cols, num) 3,3,5 拆分成3行3列选择编号为5的子图
# 1 2 3
# 4 5 6
# 7 8 9
plt.subplot(3, 3, 5) #操作3*3的矩阵中编号为5的子图
plt.subplot(335) #简写案例：绘制9宫格矩阵式子图，每个子图中写一个数字。
plt.figure('Subplot Layout', facecolor='lightgray')
for i in range(9):
plt.subplot(3, 3, i+1)
plt.text(
0.5, 0.5, i+1, #0.5 和0.5 是坐标位置
ha='center', #水平居中
va='center', #垂直居中
size=36, #文本大小
alpha=0.5, #字体的透明度
withdash=False #
)
plt.xticks([])
plt.yticks([])
plt.tight_layout()#控制子图之间的空隙。也可以通过 plt.subplots_adjust(wspace=,hspace=)来控制间隔的大小和空隙s
plt.show()
#另外一种设置方式
p1=plt.figure('title',facecolor='pink')
ax1=p1.add_subplot(2,2,1)
x=np.array([1,2,3,4])
y=2*x
ax1.plot(x,y,color='red')执行结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-QHlJdszM-1617628985598)(.\images\9个子图.png)]
网格式布局(很少使用)
网格式布局支持单元格的合并。
绘制网格式子图布局相关API：
import matplotlib.gridspec as mg
plt.figure('Grid Layout', facecolor='lightgray')
# 调用GridSpec方法拆分网格式布局
# rows: 行数
# cols: 列数
# gs = mg.GridSpec(rows, cols) 拆分成3行3列
gs = mg.GridSpec(3, 3) #创建网格对象
# 合并0行与0、1列为一个子图表
plt.subplot(gs[0, :2]) [行,列]
plt.text(0.5, 0.5, '1', ha='center', va='center', size=36)
plt.show()案例：绘制一个自定义网格布局。
import matplotlib.gridspec as mg
plt.figure('GridLayout', facecolor='lightgray')
gridsubs = plt.GridSpec(3, 3)
# 合并0行、0/1列为一个子图
plt.subplot(gridsubs[0, :2])
plt.text(0.5, 0.5, 1, ha='center', va='center', size=36)
plt.tight_layout()
plt.xticks([])
plt.yticks([])自由式布局(很少使用)
自由式布局相关API：
plt.figure('Flow Layout', facecolor='lightgray')
# 设置图标的位置，给出左下角点坐标与宽高即可
# left_bottom_x: 坐下角点x坐标
# left_bottom_x: 坐下角点y坐标
# width: 宽度
# height: 高度
# plt.axes([left_bottom_x, left_bottom_y, width, height])
plt.axes([0.03, 0.03, 0.94, 0.94]) x,y,width,height
plt.text(0.5, 0.5, '1', ha='center', va='center', size=36)
plt.show()案例：测试自由式布局，定位子图。
plt.figure('FlowLayout', facecolor='lightgray')
plt.axes([0.1, 0.2, 0.5, 0.3])
plt.text(0.5, 0.5, 1, ha='center', va='center', size=36)
plt.show()2）散点图(作用，预测)(scatter)
画图简单scatter，作用非常厉害
可以通过每个点的坐标、颜色、大小和形状表示不同的特征值。
散点图可以直观的呈现一组数据的数值分布，从而可以更好的选择合适的数学模型来表达这组数据的数值分布规律。
身高 | 体重 | 性别 | 年龄段 | 种族 |
180 | 80 | 男 | 中年 | 亚洲 |
160 | 50 | 女 | 青少 | 美洲 |
绘制散点图的相关API：
plt.scatter(
x, # x轴坐标数组
y, # y轴坐标数组
marker='', # 点型
s=10, # 大小
color='', # 颜色
edgecolor='', # 边缘颜色
facecolor='', # 填充色
zorder='' # 图层序号
)
cmapnumpy.random提供了normal函数用于产生符合 正态分布 的随机数
n = 100
# 172: 期望值 : 均值
# 10: 标准差 : 震荡幅度
# n: 数字生成数量
x = np.random.normal(172, 10, n)
y = np.random.normal(60, 10, n)
180 30
90 270
python:random??????
160 170 180 190 210 220 身高 ？？？？？
他们出现的概率都是相等的
172平均身高 160 150 180 190 200案例：绘制平面散点图。
# 散点图示例
import matplotlib.pyplot as plt
import numpy as np
n = 40
# 期望值：期望值是该变量输出值的平均数
# 标准差：是反映一组数据离散程度最常用的一种量化形式，是表示精确度的重要指标
x = np.random.normal(172, 20 ,n ) # 期望值, 标准差, 生成数量
y = np.random.normal(60, 10, n) # 期望值, 标准差, 生成数量
x2 = np.random.normal(180, 20 ,n ) # 期望值, 标准差, 生成数量
y2 = np.random.normal(70, 10, n) # 期望值, 标准差, 生成数量
plt.figure("scatter", facecolor="lightgray")
plt.title("Scatter Demo")
plt.scatter(x, y, c="red", marker="D")
plt.scatter(x2, y2, c="blue", marker="v")
plt.xlim(100, 240)
plt.ylim(0, 100)
plt.show()cmap颜色映射表参照附件：cmap颜色映射表
3）填充(fill_between)
以某种颜色自动填充两条曲线的闭合区域。
plt.fill_between(
x, # x轴的水平坐标
sin_x, # 下边界曲线上点的垂直坐标
cos_x, # 上边界曲线上点的垂直坐标
sin_x<cos_x, # 填充条件，为True时填充
color='', # 填充颜色
alpha=0.2 # 透明度
)案例：绘制两条曲线： sin_x = sin(x) cos_x = cos(x / 2) / 2 [0-8π]
import matplotlib.pyplot as plt
import numpy as np
n = 1000
x = np.linspace(0, 8 * np.pi, n) # 返回指定间隔上的等距数字
sin_y = np.sin(x) # 计算sin函数值
cos_y = np.cos(x / 2) / 2 # 计算cos函数值
plt.figure('Fill', facecolor='lightgray')
plt.title('Fill', fontsize=20)
plt.xlabel('x', fontsize=14) # x轴标签
plt.ylabel('y', fontsize=14) # y轴
plt.tick_params(labelsize=10) # 刻度
plt.grid(linestyle=':')
plt.plot(x, sin_y, c='dodgerblue', label=r'$y=sin(x)$')
plt.plot(x, cos_y, c='orangered', label=r'$y=\frac{1}{2}cos(\frac{x}{2})$')
# 填充cos_y < sin_y的部分
plt.fill_between(x, cos_y, sin_y, cos_y < sin_y, color='dodgerblue', alpha=0.5)
# 填充cos_y > sin_y的部分
plt.fill_between(x, cos_y, sin_y, cos_y > sin_y, color='orangered', alpha=0.5)
plt.legend()
plt.show()4）条形图（柱状图） (重点)（bar）
最熟悉的
绘制柱状图的相关API： (bar)
./usr/share/fonts#Linux系统 字体设置的地方！
# 设置使中文显示完整
plt.rcParams['font.sans-serif']=['SimHei']#设置字体
plt.rcParams['axes.unicode_minus']=False#设置字体
plt.figure('Bar', facecolor='lightgray')
plt.bar(
x, # 水平坐标数组
y, # 柱状图高度数组
width, # 柱子的宽度
color='', # 填充颜色
label='', #
alpha=0.2 #
)
legend案例：先以柱状图绘制苹果12个月的销量，然后再绘制橘子的销量。
import matplotlib.pyplot as plt
import numpy as np
apples = np.array([30, 25, 22, 36, 21, 29, 20, 24, 33, 19, 27, 15])
oranges = np.array([24, 33, 19, 27, 35, 20, 15, 27, 20, 32, 20, 22])
plt.figure('Bar', facecolor='lightgray')
plt.title('Bar', fontsize=20)
plt.xlabel('Month', fontsize=14)
plt.ylabel('Price', fontsize=14)
plt.tick_params(labelsize=10)
plt.grid(axis='y', linestyle=':')
plt.ylim((0, 40))
x = np.arange(len(apples)) # 产生均匀数组，长度等同于apples
plt.bar(x - 0.2, # 横轴数据
apples, # 纵轴数据
0.4, # 柱体宽度
color='dodgerblue',
label='Apple')
plt.bar(x + 0.2, # 横轴数据
oranges, # 纵轴数据
0.4, # 柱体宽度
color='orangered', label='Orange', alpha=0.75)
plt.xticks(x, ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec'])
plt.legend()
plt.show()5）直方图（密度）（连续型数据）(hist)
执行结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zE5Hn7N6-1617628985599)(.\images\hist.png)]
直方图：数值分布的密度
绘制直方图相关API：
plt.hist(
x, # 值列表
bins, # 直方柱数量
color, # 颜色
edgecolor # 边缘颜色
)
连续型
离散型案例：绘制统计直方图显示图片像素亮度分布：
import numpy as np
import matplotlib.pyplot as plt
import scipy.misc as sm
img = sm.imread('../data/forest.jpg', True)
print(img.shape)
pixes = img.ravel()
plt.figure('Image Hist', facecolor='lightgray')
plt.title('Image Hist', fontsize=18)
plt.xticks(np.linspace(0, 255, 11))
plt.hist(x=pixes, bins=10, color='dodgerblue', range=(0, 255), edgecolor='white', normed=False)
plt.show()扩展：随机数模块与概率分布
numpy提供了random模块生成服从特定统计规律的随机数序列。
一组随机数可能呈现如下分布：
连续性随机变量（平均数，中位数，标准差，四分位数）
统计班级同学体重：[63.2, 76.5, 65.7, 68.9, 59.4 ... ]
统计班级同学身高：[163.2, 176.5, 165.7, 168.9, 159.4 ... ]
统计班级同学到班时间：['07:20:22','07:30:48','07:21:23','07:24:58' ...]又或者呈现如下分布：
离散型随机变量（分组聚合，求频数，分组讨论）
统计班级同学体重级别：[偏轻, 中等, 偏重, 超重, 中等, 偏重, 超重, 中等, 偏重...]
统计班级同学身高级别：[偏低, 中等, 中等, 中等, 中等, 偏高, 中等, 中等, 偏高...]
统计最近班级同学迟到人数（共10人）：[0, 1, 3, 0, 0, 1, 2, 0, 0, 0 ....]离散型随机变量
连续型随机变量
连续数据离散化（分组取代表）
二项分布（binomial）（描述离散型字段）
二项分布就是重复n次独立事件的伯努利试验（Bernoulli experiment）。在每次试验中只有两种可能的结果(进或不进)，而且两种结果发生与否互相对立，并且相互独立，事件发生与否的概率在每一次独立试验中都保持不变，例如抛硬币。
# 产生size个随机数，每个随机数来自n次尝试中的成功次数，其中每次尝试成功的概率为p
np.random.binomial(n, p, size)
n：尝试的次数
p:每次成功的概率
size:要生成的样本数量二项分布可以用于求如下场景的概率的近似值：
- 某人投篮命中率为0.3，投10次，进5个球的概率。
[3 2 3 4 2 3 3 4 5 5 6 1 0 0 1 3 3 2 3 3] 20天投球进的个数的数组
sum(np.random.binomial(10, 0.3, 200000) == 5) / 200000- 某人打客服电话，客服接通率是0.6，一共打了3次，都没人接的概率。
sum(np.random.binomial(3, 0.6, 200000) == 0) / 200000示例：模拟某人以30%命中率投篮，每次投10个，计算并打每种进球可能的概率
# 二项式分布示例
import numpy as np
import matplotlib.pyplot as mp
# binomial: 从二项分布中抽取样本
# n:尝试次数 p:概率
r = np.random.binomial(10, 0.5, 200000)
mp.hist(r, 11, edgecolor='white')
mp.legend()
mp.show()执行结果：
超几何分布(hypergeometric)
超几何分布是统计学上一种离散概率分布。它描述了从有限N个物件（其中包含M个指定种类的物件）中抽出n个物件，成功抽出该指定种类的物件的次数（不放回）。以下是一组超几何分布的示例：
（1）10件产品中含有3件次品，从中任意取4件产品，所取出的次品件数服从超几何分布；
（2）袋中有8红球4白球，从中任意摸出5个球，摸出红球个数服从超几何分布；
（3）某班45个学生，女生20人，现从中选7人做代表，代表中所含女生的人数服从超几何分布；
（4）15张卡片中含有5件写有“奖”字，从中任意取3件产品，所取出的卡片中含有奖字的卡片张数服从超几何分布；
（5）10位代表中有5位支持候选人A，随机采访3人，其中支持候选人A的人数服从超几何分布；
（6）盘中装有10个粽子，豆沙粽2个，肉粽3个，白粽5个，从中任选3个，取到的豆沙粽的个数服从超几何分布。
API介绍：
# 产生size个随机数，每个随机数t为在总样本中随机抽取nsample个样本后好样本的个数，总样本由ngood个好样本和nbad个坏样本组成
#好样本就是期望的到的样品。
np.random.hypergeometric(ngood（2）, nbad（8）, nsample（3）, size)示例一：从6个好苹果、4个坏苹果中抽取3个苹果，返回好苹果的数量（执行10次）
import numpy as np
# 从6个好球、4个坏球中抽取3个球，返回好球的数量（执行10次）
n = np.random.hypergeometric(6, 4, 3, 10)
print(n)
print(n.mean())执行结果：
[2 2 3 1 2 2 1 3 2 2]
2.0正态分布(normal)
# 产生size个随机数，服从标准正态(期望=0, 标准差=1)分布。
np.random.normal(size)
# 产生size个随机数，服从正态分布(期望=1, 标准差=10)。
np.random.normal(loc=1, scale=10, size)案例：生成10000个服从正态分布的随机数并绘制随机值的频数直方图。
import numpy as np
import matplotlib.pyplot as mp
samples = np.random.normal(size=10000)
mp.figure('Normal Distribution',facecolor='lightgray')
mp.title('Normal Distribution', fontsize=20)
mp.xlabel('Sample', fontsize=14)
mp.ylabel('Occurrence', fontsize=14)
mp.tick_params(labelsize=12)
mp.grid(axis='y', linestyle=':')
mp.hist(samples, 100, edgecolor='steelblue',
facecolor='deepskyblue', label='Normal')
mp.legend()
mp.show()6）饼图(pie)
一个个扇形图拼接成一个圆
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-j7lWvBex-1617628985601)(.\images\饼图示例.png)]
已婚和未婚
绘制饼状图的基本API：
plt.pie(
values, # 值列表
spaces, # 扇形之间的间距列表
labels, # 标签列表
colors, # 颜色列表
'%d%%', # 标签所占比例格式
shadow=True, # 是否显示阴影
startangle=90 # 逆时针绘制饼状图时的起始角度
radius=1 # 半径
)
#关键字传参
plt.axis('equal')#等轴分布
plt.pie(
x= [] ,#values值列表
explode=[],#各个饼图之间的距离。如果要突出某一块，将其余设置为0，要突出的设置距离
labels=[],#各个饼图块的标签
labeldistance=，#设置标签与饼图的距离，有默认值
colors=[],#各个饼图的颜色
autopct=%d%%,#自动显示饼图的数据
startangle=90，#饼图开始的位置
shadow=True，#是否设置阴影
)案例：绘制饼状图显示6门编程语言的流行程度：
import matplotlib.pyplot as plt
import numpy as np
plt.figure('pie', facecolor='lightgray')
plt.title('Pie', fontsize=20)
# 整理数据
values = [15, 13.3, 8.5, 7.3, 4.62, 51.28]
spaces = [0.05, 0.01, 0.01, 0.01, 0.01, 0.01]
labels = ['Java', 'C', 'Python', 'C++', 'VB', 'Other']
colors = ['dodgerblue', 'orangered', 'limegreen', 'violet', 'gold','blue']
# 等轴比例
plt.axis('equal')
plt.pie(
values, # 值列表
spaces, # 扇形之间的间距列表
labels, # 标签列表
colors, # 颜色列表
'%d%%', # 标签所占比例格式
shadow=True, # 是否显示阴影
startangle=90, # 逆时针绘制饼状图时的起始角度
radius=1 # 半径
)
plt.legend()
plt.show()7) 箱线图（boxplot）
箱线图也称箱须图，其绘制需要使用常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其仔不同特征时，更可表现其分散程度的差异。
箱线图利用数据中五个统计量（最小值、下四分位数、中位数、上四分位数和最大值）来描述数据，它可以粗略地看出数据是否具有对称性、分布地分散程度等信息，特别可以用于对几个样本的比较。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IAW5UfMd-1617628985602)(./箱线图.png)]
matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None,
widths=None, patch_artist=None,meanline=None, labels=None, … )常用参数
参数名称 | 说明 | 参数名称 | 说明 |
x | 接收array。表示用于绘制箱线图的数 据。无默认。 | positions | 接收array。表示图形位置。默认为 None。 |
notch | 接收boolean。表示中间箱体是否有缺 口。默认为None。 | widths | 接收scalar或者array。表示每个箱体 的宽度。默认为None。 |
sym | 接收特定sting。指定异常点形状。默认为None。 | labels | 接收array。指定每一个箱线图的标 签。默认为None。 |
vert | 接收boolean。表示图形是横向纵向或 者横向。默认为None。 | meanline | 接收boolean。表示是否显示均值线。 默认为False。 |
) 箱线图（boxplot）
箱线图也称箱须图，其绘制需要使用常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其仔不同特征时，更可表现其分散程度的差异。
箱线图利用数据中五个统计量（最小值、下四分位数、中位数、上四分位数和最大值）来描述数据，它可以粗略地看出数据是否具有对称性、分布地分散程度等信息，特别可以用于对几个样本的比较。
[外链图片转存中…(img-IAW5UfMd-1617628985602)]
matplotlib.pyplot.boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None,
widths=None, patch_artist=None,meanline=None, labels=None, … )常用参数
参数名称 | 说明 | 参数名称 | 说明 |
x | 接收array。表示用于绘制箱线图的数 据。无默认。 | positions | 接收array。表示图形位置。默认为 None。 |
notch | 接收boolean。表示中间箱体是否有缺 口。默认为None。 | widths | 接收scalar或者array。表示每个箱体 的宽度。默认为None。 |
sym | 接收特定sting。指定异常点形状。默认为None。 | labels | 接收array。指定每一个箱线图的标 签。默认为None。 |
vert | 接收boolean。表示图形是横向纵向或 者横向。默认为None。 | meanline | 接收boolean。表示是否显示均值线。 默认为False。 |