1. 案例一：基本折线图绘制
1.1 引言
折线图是数据分析中最常用的图表之一，用于展示数据随时间或其他连续变量的变化趋势。
1.2 实战步骤
import matplotlib.pyplot as plt
# 数据准备
x = [0, 1, 2, 3, 4, 5]
y = [0, 1, 4, 9, 16, 25]
# 绘制折线图
plt.plot(x, y)
plt.title('Basic Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
1.3 结果分析
上述代码将生成一个简单的折线图，展示了y值随x值的变化。
2. 案例二：散点图绘制
2.1 引言
散点图用于展示两个变量之间的关系。
2.2 实战步骤
import matplotlib.pyplot as plt
# 数据准备
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# 绘制散点图
plt.scatter(x, y)
plt.title('Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
2.3 结果分析
生成的散点图将展示x和y之间的关系。
3. 案例三：柱状图绘制
3.1 引言
柱状图用于比较不同类别之间的数据。
3.2 实战步骤
import matplotlib.pyplot as plt
# 数据准备
categories = ['A', 'B', 'C', 'D']
values = [10, 20, 30, 40]
# 绘制柱状图
plt.bar(categories, values)
plt.title('Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
plt.show()
3.3 结果分析
上述代码将生成一个柱状图，展示了不同类别之间的数据比较。
4. 案例四：饼图绘制
4.1 引言
饼图用于展示各部分占整体的比例。
4.2 实战步骤
import matplotlib.pyplot as plt
# 数据准备
labels = ['Category A', 'Category B', 'Category C']
sizes = [15, 30, 55]
# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('Pie Chart')
plt.show()
4.3 结果分析
生成的饼图将展示各部分占整体的比例。
5. 案例五：3D散点图绘制
5.1 引言
3D散点图用于展示三个变量之间的关系。
5.2 实战步骤
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# 数据准备
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
z = [1, 4, 9, 16, 25]
# 创建3D图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
# 绘制3D散点图
ax.scatter(x, y, z)
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.title('3D Scatter Plot')
plt.show()
5.3 结果分析
生成的3D散点图将展示x、y、z三个变量之间的关系。
6. 案例六：时间序列图绘制
6.1 引言
时间序列图用于展示数据随时间的变化趋势。
6.2 实战步骤
import matplotlib.pyplot as plt
import pandas as pd
# 数据准备
data = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Values': [10, 20, 30, 40, 50, 60]}
df = pd.DataFrame(data)
# 绘制时间序列图
df.plot(x='Date', y='Values')
plt.title('Time Series Plot')
plt.xlabel('Date')
plt.ylabel('Values')
plt.show()
6.3 结果分析
生成的时间序列图将展示数据随时间的变化趋势。
7. 案例七：箱线图绘制
7.1 引言
箱线图用于展示数据的分布情况。
7.2 实战步骤
import matplotlib.pyplot as plt
import pandas as pd
# 数据准备
data = {'Values': [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]}
df = pd.DataFrame(data)
# 绘制箱线图
df.boxplot()
plt.title('Box Plot')
plt.xlabel('Values')
plt.show()
7.3 结果分析
生成的箱线图将展示数据的分布情况。
8. 案例八：热力图绘制
8.1 引言
热力图用于展示数据矩阵的密集程度。
8.2 实战步骤
import matplotlib.pyplot as plt
import numpy as np
# 数据准备
data = np.random.rand(10, 10)
# 绘制热力图
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title('Heat Map')
plt.show()
8.3 结果分析
生成的热力图将展示数据矩阵的密集程度。
9. 案例九：地图绘制
9.1 引言
地图用于展示数据在不同地理位置的分布情况。
9.2 实战步骤
import matplotlib.pyplot as plt
import geopandas as gpd
# 数据准备
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
world.plot()
plt.title('Map Plot')
plt.show()
9.3 结果分析
生成的地图将展示世界各地的分布情况。
10. 案例十：自定义图表样式
10.1 引言
自定义图表样式可以使图表更加美观和具有个性化。
10.2 实战步骤
import matplotlib.pyplot as plt
# 数据准备
x = [0, 1, 2, 3, 4, 5]
y = [0, 1, 4, 9, 16, 25]
# 设置图表样式
plt.style.use('seaborn-darkgrid')
# 绘制折线图
plt.plot(x, y)
plt.title('Customized Line Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()
10.3 结果分析
生成的折线图将采用自定义的样式，使图表更加美观。