Matplotlib繪製橫向與堆積疊條形圖

– 18 分鐘閱讀

Matplotlib 提供了豐富的繪圖功能，barh() 函式可用於繪製橫向條形圖，方便比較不同類別的資料。藉由調整引數，可以客製化條形的顏色、高度和對齊方式。文章中的範例程式碼展示瞭如何使用 barh() 函式繪製板球運動員的世紀數，並設定標題、標籤和註解。此外，Matplotlib 也支援堆積疊條形圖，可以將不同類別的資料堆積疊在一起顯示，例如同時呈現運動員的跑分和 Wickets 數，更全面地展現資料。除了條形圖，Matplotlib 還可以繪製直方圖和散點圖，分別用於展現資料分佈和變數之間的關係。透過子圖功能，可以將多個圖表整合到一個視窗中，方便比較和分析不同資料集。文章提供了多個程式碼範例，演示瞭如何使用 Matplotlib 繪製不同型別的圖表，並說明瞭如何自定義圖表的外觀和內容，讓資料視覺化更具效益。

使用Matplotlib繪製橫向條形圖

在本文中，我們將探討如何使用Matplotlib函式庫來繪製橫向條形圖。橫向條形圖是條形圖的一種變體，與傳統的垂直條形圖不同，它的x軸和y軸互換了。

基本語法

Matplotlib中的barh()函式用於繪製橫向條形圖。其基本語法如下：

barh(y, width, height=0.8, left=None, *, align='center', data=None, **kwargs)

其中：

  • y：y軸的資料點（即橫向條形圖的高度）
  • width：x軸的資料點（即橫向條形圖的寬度）
  • height：每個條形的高度（預設為0.8）
  • left：每個條形的左邊界（預設為None）
  • align：條形的對齊方式（預設為’center’）
  • data：資料來源（預設為None）
  • **kwargs：其他引數

範例程式

以下是一個範例程式，展示如何使用barh()函式繪製橫向條形圖：

import matplotlib.pyplot as myplt

# 定義資料
my_cricketers = ['Sachin', 'Virat', 'Ricky', 'Sangakarra', 'Jacques']
my_centuries = [100, 76, 71, 63, 62]

# 定義顏色列表
mycolorlist = ['r', 'b', 'g', 'pink', 'k']

# 繪製橫向條形圖
myplt.barh(my_cricketers, my_centuries, color=mycolorlist)

# 設定標題和標籤
myplt.ylabel('Cricketer Name', color='b', fontsize=15)
myplt.xlabel('Number of Centuries', color='g', fontsize=15)
myplt.title('Cricketer-wise Number of Centuries', color='r', fontsize=15)

# 旋轉x軸標籤
myplt.xticks(rotation=30)

# 調整佈局
myplt.tight_layout()

# 新增註解
for loop in range(len(my_centuries)):
    myplt.annotate(f'{my_centuries[loop]}C', (my_centuries[loop], loop), ha='center', color='brown', backgroundcolor='yellow')

# 顯示圖表
myplt.show()

這個程式將生成一個橫向條形圖，展示各個板球運動員的世紀數。圖表中，每個條形代表一個運動員，x軸代表世紀數，y軸代表運動員名稱。

內容解密：

在這個範例中，我們使用barh()函式繪製橫向條形圖。函式的第一個引數my_cricketers是y軸的資料點，即運動員名稱。第二個引數my_centuries是x軸的資料點，即世紀數。第三個引數color=mycolorlist設定每個條形的顏色。

接下來，我們設定標題和標籤，旋轉x軸標籤，調整佈局，新增註解，最後顯示圖表。

圖表翻譯：

這個圖表展示了各個板球運動員的世紀數。每個條形代表一個運動員，x軸代表世紀數，y軸代表運動員名稱。透過這個圖表，我們可以直觀地看到各個運動員的世紀數排名。

使用Matplotlib進行資料視覺化

資料視覺化是資料科學中的一個重要工具，能夠幫助我們更好地理解和分析資料。Python的Matplotlib函式庫是一個強大的資料視覺化工具，能夠用於建立各種型別的圖表和圖形。

建立水平條形圖

水平條形圖是一種常見的圖表型別，能夠用於展示不同類別之間的比較。以下是使用Matplotlib建立水平條形圖的範例：

import matplotlib.pyplot as plt

my_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev']
my_centuries = [25528, 8032, 7516, 7313, 9031]

plt.barh(my_cricketers, my_centuries, color='blue')
plt.xlabel('Centuries')
plt.ylabel('Cricketers')
plt.title('Cricketers Centuries')
plt.show()

這個範例建立了一個水平條形圖，展示了不同板球運動員的世紀數。

自定義x軸標籤

在建立圖表時，自定義x軸標籤可以幫助我們更好地展示資料。以下是使用Matplotlib自定義x軸標籤的範例：

import matplotlib.pyplot as plt

my_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev']
my_centuries = [25528, 8032, 7516, 7313, 9031]

plt.barh(my_cricketers, my_centuries, color='blue')
plt.xlabel('Centuries')
plt.ylabel('Cricketers')
plt.title('Cricketers Centuries')
plt.xticks(rotation=30)
plt.show()

這個範例自定義了x軸標籤的旋轉角度為30度，讓標籤更容易閱讀。

堆積疊條形圖

堆積疊條形圖是一種特殊的條形圖，能夠用於展示不同類別之間的比較和堆積疊關係。以下是使用Matplotlib建立堆積疊條形圖的範例：

import matplotlib.pyplot as plt

my_allround_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev']
my_runs = [25528, 8032, 7516, 7313, 9031]
my_wickets = [577, 236, 544, 528, 687]

plt.bar(my_allround_cricketers, my_runs, color='red', label='Runs')
plt.bar(my_allround_cricketers, my_wickets, bottom=my_runs, color='green', label='Wickets')
plt.xlabel('Allround Cricketers')
plt.ylabel('Runs and Wickets')
plt.title('Allround Cricketers Runs and Wickets')
plt.legend()
plt.show()

這個範例建立了一個堆積疊條形圖，展示了不同板球運動員的跑分和ويك特數。

圖表翻譯：

堆積疊條形圖是一種特殊的條形圖，能夠用於展示不同類別之間的比較和堆積疊關係。這種圖表可以幫助我們更好地理解和分析資料。在這個範例中，我們建立了一個堆積疊條形圖，展示了不同板球運動員的跑分和ويك特數。圖表中，每個條形代表了一個板球運動員，紅色部分代表跑分，綠色部分代表wickets數。這種圖表可以幫助我們比較不同板球運動員的表現，並且瞭解他們之間的堆積疊關係。

使用Python的Matplotlib函式庫建立堆積疊條形圖

在本文中，我們將探討如何使用Python的Matplotlib函式庫建立堆積疊條形圖。堆積疊條形圖是一種特殊的條形圖，其中每個類別的值被堆積疊在一起，以展示不同類別之間的比較。

建立垂直堆積疊條形圖

首先，我們需要匯入Matplotlib函式庫並定義資料。以下是建立垂直堆積疊條形圖的示例程式碼：

import matplotlib.pyplot as plt

# 定義資料
allround_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev', 'Sir Richard Hadlee', 'Sanath Jayasuriya', 'Andrew Flintoff', 'Shaun Pollock', 'Sakib Al Hasan']
runs = [25528, 8032, 7516, 7313, 9031, 4875, 21032, 7315, 7386, 11955]
wickets = [577, 236, 544, 528, 687, 589, 440, 400, 829, 576]

# 建立垂直堆積疊條形圖
plt.bar(allround_cricketers, runs, color='r', label='Runs')
plt.bar(allround_cricketers, wickets, bottom=runs, color='g', label='Wickets')

# 設定x軸標籤和標題
plt.xticks(allround_cricketers, rotation=90)
plt.title('All-Round Cricketers Performance')

# 顯示圖表
plt.show()

這段程式碼建立了一個垂直堆積疊條形圖，展示了各個全能板球運動員的跑分和icket數。

建立水平堆積疊條形圖

接下來，我們將探討如何建立水平堆積疊條形圖。以下是建立水平堆積疊條形圖的示例程式碼：

import matplotlib.pyplot as plt

# 定義資料
allround_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev', 'Sir Richard Hadlee', 'Sanath Jayasuriya', 'Andrew Flintoff', 'Shaun Pollock', 'Sakib Al Hasan']
runs = [25528, 8032, 7516, 7313, 9031, 4875, 21032, 7315, 7386, 11955]
wickets = [577, 236, 544, 528, 687, 589, 440, 400, 829, 576]

# 建立水平堆積疊條形圖
fig, ax = plt.subplots()
ax.barh(allround_cricketers, runs, color='r', label='Runs')
ax.barh(allround_cricketers, wickets, left=runs, color='g', label='Wickets')

# 設定x軸標籤和標題
ax.set_xlabel('Performance')
ax.set_title('All-Round Cricketers Performance')

# 顯示圖表
plt.show()

這段程式碼建立了一個水平堆積疊條形圖，展示了各個全能板球運動員的跑分和icket數。

圖表自定義

您可以根據需要自定義圖表的外觀。例如，您可以更改顏色、新增標籤、旋轉x軸標籤等。以下是自定義圖表的示例程式碼：

import matplotlib.pyplot as plt

# 定義資料
allround_cricketers = ['Jacques Kallis', 'Sir Garifield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev', 'Sir Richard Hadlee', 'Sanath Jayasuriya', 'Andrew Flintoff', 'Shaun Pollock', 'Sakib Al Hasan']
runs = [25528, 8032, 7516, 7313, 9031, 4875, 21032, 7315, 7386, 11955]
wickets = [577, 236, 544, 528, 687, 589, 440, 400, 829, 576]

# 建立垂直堆積疊條形圖
plt.bar(allround_cricketers, runs, color='r', label='Runs')
plt.bar(allround_cricketers, wickets, bottom=runs, color='g', label='Wickets')

# 設定x軸標籤和標題
plt.xticks(allround_cricketers, rotation=90)
plt.title('All-Round Cricketers Performance')

# 新增標籤
for i in range(len(allround_cricketers)):
    plt.text(allround_cricketers[i], runs[i]/2, str(runs[i]), ha='center', color='black')
    plt.text(allround_cricketers[i], runs[i]+wickets[i]/2, str(wickets[i]), ha='center', color='black')

# 顯示圖表
plt.show()

這段程式碼增加了標籤到圖表中，顯示了各個全能板球運動員的跑分和icket數。

圖表翻譯：

此圖表展示了各個全能板球運動員的跑分和icket數。x軸代表運動員的名字，y軸代表跑分和icket數。紅色條形代表跑分，綠色條形代表icket數。圖表中增加了標籤，顯示了各個運動員的跑分和icket數。

使用Matplotlib建立水平堆積疊條形圖和分組條形圖

在本文中，我們將探討如何使用Matplotlib函式庫建立水平堆積疊條形圖和分組條形圖。這些圖表對於比較不同類別的資料非常有用。

水平堆積疊條形圖

水平堆積疊條形圖是一種視覺化工具，用於比較不同類別的資料。以下是建立水平堆積疊條形圖的步驟：

import matplotlib.pyplot as plt
import numpy as np

# 定義資料
allround_cricketers = ['Jacques Kallis', 'Sir Garfield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev', 
                       'Sir Richard Hadlee', 'Sanath Jayasuriya', 'Andrew Flintoff', 'Shaun Pollock', 'Sakib Al Hasan']
runs = [25528, 8032, 7516, 7313, 9031, 4875, 21032, 7315, 7386, 11955]
wickets = [577, 236, 544, 528, 687, 589, 440, 400, 829, 576]

# 建立圖表
fig, ax = plt.subplots()
xpos = np.arange(len(allround_cricketers))

# 繪製跑分和icket資料
ax.barh(xpos, runs, color='r', label='Runs')
ax.barh(xpos, wickets, left=runs, color='g', label='Wickets')

# 新增標題和標籤
ax.set_title('Allround Cricketers Performance')
ax.set_xlabel('Runs/Wickets')
ax.set_ylabel('Cricketers')
ax.legend()

# 顯示圖表
plt.show()

分組條形圖

分組條形圖是一種視覺化工具，用於比較不同類別的資料。以下是建立分組條形圖的步驟：

import matplotlib.pyplot as plt
import numpy as np

# 定義資料
allround_cricketers = ['Jacques Kallis', 'Sir Garfield Sobers', 'Imran Khan', 'Ian Botham', 'Kapil Dev', 
                       'Sir Richard Hadlee', 'Sanath Jayasuriya', 'Andrew Flintoff', 'Shaun Pollock', 'Sakib Al Hasan']
runs = [25528, 8032, 7516, 7313, 9031, 4875, 21032, 7315, 7386, 11955]
wickets = [577, 236, 544, 528, 687, 589, 440, 400, 829, 576]

# 建立圖表
fig, ax = plt.subplots()
xpos = np.arange(len(allround_cricketers))
width = 0.3

# 繪製跑分和icket資料
ax.bar(xpos - width/2, runs, width, color='r', label='Runs')
ax.bar(xpos + width/2, wickets, width, color='g', label='Wickets')

# 新增標題和標籤
ax.set_title('Allround Cricketers Performance')
ax.set_xlabel('Cricketers')
ax.set_ylabel('Runs/Wickets')
ax.legend()

# 顯示圖表
plt.show()

這些圖表可以幫助您比較不同類別的資料，並找出資料中的模式和趨勢。

使用Matplotlib繪製棒球運動員成績比較圖

在這個例子中，我們將使用Matplotlib函式庫來繪製一張棒球運動員的成績比較圖。這張圖將顯示每位運動員的得分和擊倒數。

程式碼解釋

首先，我們需要匯入Matplotlib函式庫並定義一些變數：

import matplotlib.pyplot as myplt

# 定義運動員名稱、得分和擊倒數
myallround_cricketers = ['Player1', 'Player2', 'Player3']
my_runs = [100, 200, 300]
my_wickets = [5, 10, 15]

# 定義條形圖的寬度
mywidth = 0.5

# 定義x軸位置
myxpos = [i for i in range(len(myallround_cricketers))]

接下來，我們可以使用myplt.bar()函式來繪製兩個條形圖：一個是得分，另一個是擊倒數：

myplt.bar(myxpos, my_runs, color='r', label='Runs', width=mywidth)
myplt.bar(myxpos + mywidth, my_wickets, color='g', label='Wickets', width=mywidth)

然後，我們需要設定x軸標籤和旋轉角度：

myplt.xticks(myxpos + (mywidth / 2), myallround_cricketers, rotation=90)

新增圖例：

myplt.legend(['Runs', 'Wickets'])

最後，我們可以使用myplt.text()函式來新增文字標籤：

for i in range(len(myallround_cricketers)):
    myplt.text(myxpos[i], my_runs[i] + 10, my_runs[i], ha='center', color='black')
    myplt.text(myxpos[i] + mywidth, my_wickets[i] + 5, my_wickets[i], ha='center', color='black')

完整程式碼

import matplotlib.pyplot as myplt

myallround_cricketers = ['Player1', 'Player2', 'Player3']
my_runs = [100, 200, 300]
my_wickets = [5, 10, 15]
mywidth = 0.5
myxpos = [i for i in range(len(myallround_cricketers))]

myplt.bar(myxpos, my_runs, color='r', label='Runs', width=mywidth)
myplt.bar(myxpos + mywidth, my_wickets, color='g', label='Wickets', width=mywidth)

myplt.xticks(myxpos + (mywidth / 2), myallround_cricketers, rotation=90)
myplt.legend(['Runs', 'Wickets'])

for i in range(len(myallround_cricketers)):
    myplt.text(myxpos[i], my_runs[i] + 10, my_runs[i], ha='center', color='black')
    myplt.text(myxpos[i] + mywidth, my_wickets[i] + 5, my_wickets[i], ha='center', color='black')

myplt.tight_layout()
myplt.show()

圖表說明

這張圖表顯示了每位運動員的得分和擊倒數。x軸代表運動員名稱，y軸代表得分或擊倒數。紅色條形圖代表得分，綠色條形圖代表擊倒數。圖表上方的文字標籤顯示了每位運動員的得分和擊倒數。

圖表視覺化：條形圖和圓餅圖

在資料視覺化中，條形圖和圓餅圖是兩種常用的圖表型別，能夠幫助我們更好地理解和呈現資料。下面，我們將探討如何使用Python的matplotlib函式庫來建立這些圖表。

條形圖

條形圖是一種常用的統計圖表，能夠用於展示不同類別之間的比較。下面的程式碼示範瞭如何使用matplotlib建立一個條形圖：

import matplotlib.pyplot as plt
import numpy as np

# 資料
my_wickets = np.array([10, 20, 30, 40, 50])
my_xpos = np.arange(len(my_wickets))
my_width = 0.5

# 建立條形圖
plt.bar(my_xpos, my_wickets, width=my_width)

# 新增文字標籤
for i in range(len(my_wickets)):
    plt.text(my_xpos[i] + my_width / 2, my_wickets[i] + 5, str(my_wickets[i]), ha='center', color='black', weight=1000)

plt.show()

這個程式碼建立了一個條形圖，展示了不同類別之間的比較，並增加了文字標籤來顯示每個類別的值。

圓餅圖

圓餅圖是一種統計圖表，能夠用於展示不同類別之間的比例。下面的程式碼示範瞭如何使用matplotlib建立一個圓餅圖：

import matplotlib.pyplot as plt
import numpy as np

# 資料
my_lang_popularity = np.array([40, 32, 18, 15, 12])

# 建立圓餅圖
plt.pie(my_lang_popularity, labels=my_lang_labels, autopct='%.2f%%', explode=my_explode, shadow=my_shadow, colors=my_colors)

plt.show()

這個程式碼建立了一個圓餅圖，展示了不同類別之間的比例，並增加了文字標籤來顯示每個類別的比例值。

圓餅圖引數

圓餅圖的pie()函式有許多引數可以用於自定義圖表。下面是一些常用的引數：

  • x: 資料陣列
  • explode: 高亮顯示特定類別的陣列
  • labels: 文字標籤陣列
  • autopct: 自動新增百分比標籤的格式字串
  • shadow: 是否新增陰影效果
  • colors: 顏色陣列

範例程式碼

以下是完整的範例程式碼：

import matplotlib.pyplot as plt
import numpy as np

# 資料
my_lang_popularity = np.array([40, 32, 18, 15, 12])
my_lang_labels = ['Python', 'Java', 'C++', 'JavaScript', 'Ruby']
my_explode = [0.2, 0.0, 0.0, 0.0, 0.0]
my_autopct = '%.2f%%'
my_shadow = True
my_colors = ['red', 'green', 'blue', 'yellow', 'purple']

# 建立圓餅圖
plt.pie(my_lang_popularity, labels=my_lang_labels, autopct=my_autopct, explode=my_explode, shadow=my_shadow, colors=my_colors)

plt.show()

這個程式碼建立了一個圓餅圖，展示了不同程式語言之間的比例，並增加了文字標籤來顯示每個語言的比例值。

圖表與資料視覺化

在資料科學和視覺化中，圖表是呈現資料的一種有效方式。其中，餅圖（Pie Chart）和直方圖（Histogram）是兩種常用的圖表型別。

餅圖

餅圖是一種圓形圖表，用於展示不同類別的比例。下面是一個使用 Python 的 Matplotlib函式庫建立餅圖的例子：

import matplotlib.pyplot as plt

# 資料
my_lang_popularity = [30, 25, 20, 15, 10]
mylang_labels = ['Python', 'Java', 'C++', 'JavaScript', 'Ruby']
myautopct = '%1.1f%%'
myexplode = [0.1, 0, 0, 0, 0]
myshadow = True
my_list_color = ['r', 'b', 'g', 'pink', '#8B00FF']
mystartangle = 90
mywedgeprop_para = {'edgecolor': 'k', 'linestyle': '--'}

# 建立餅圖
plt.pie(my_lang_popularity, labels=mylang_labels, autopct=myautopct,
        explode=myexplode, shadow=myshadow, colors=my_list_color,
        startangle=mystartangle, wedgeprops=mywedgeprop_para)

# 新增圖例
plt.legend(title='Languages Popularity Pie chart')

# 顯示圖表
plt.tight_layout()
plt.show()

這個例子展示瞭如何建立一個餅圖，以展示不同程式語言的受歡迎程度。

直方圖

直方圖是一種圖表，用於展示資料的分佈。它可以幫助我們瞭解資料的形狀、中心趨勢和離散程度。下面是一個使用 Python 的 Matplotlib函式庫建立直方圖的例子：

import matplotlib.pyplot as plt
import numpy as np

# 資料
data = np.random.randn(1000)

# 建立直方圖
plt.hist(data, bins=30, density=True)

# 顯示圖表
plt.title('Histogram of Random Data')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()

這個例子展示瞭如何建立一個直方圖，以展示隨機資料的分佈。

圖表翻譯：
  graph LR
    A[資料] --> B[餅圖]
    B --> C[直方圖]
    C --> D[資料視覺化]
    D --> E[理解資料]

這個圖表展示了資料、餅圖、直方圖和資料視覺化之間的關係。

內容解密：

餅圖和直方圖都是用於展示資料的圖表型別。餅圖用於展示不同類別的比例，而直方圖用於展示資料的分佈。透過使用 Python 的 Matplotlib函式庫，我們可以輕鬆地建立這些圖表，以幫助我們瞭解和分析資料。

使用Matplotlib繪製直方圖

在這個例子中，我們將使用Matplotlib函式庫來繪製一個直方圖，展示學生在不同成績範圍中的分佈。

資料準備

首先，我們需要準備兩個列表：mymarks_ranges和mynum_students。mymarks_ranges列表包含了成績的範圍，而mynum_students列表包含了每個範圍中的學生人數。

import matplotlib.pyplot as myplt

# 資料準備
mymarks_ranges = ["0-34", "35-49", "50-59", "60-79", "80-100"]
mynum_students = [35, 100, 45, 68, 27]

計算範圍中點

接下來，我們需要計算每個範圍的中點，以便用於x軸的標籤。

# 計算範圍中點
mymidpoints = [(0 + 34) / 2, (35 + 49) / 2, (50 + 59) / 2, (60 + 79) / 2, (80 + 100) / 2]

繪製直方圖

現在，我們可以使用hist()函式來繪製直方圖了。這個函式需要幾個引數，包括x軸的值、bin的範圍、權重（或頻率）以及邊框顏色。

# 繪製直方圖
myplt.bar(mymidpoints, mynum_students)
myplt.xlabel('成績範圍')
myplt.ylabel('學生人數')
myplt.title('學生成績分佈')
myplt.show()

內容解密：

在上面的程式碼中，我們使用bar()函式來繪製直方圖。mymidpoints列表作為x軸的值，而mynum_students列表作為y軸的值。然後，我們使用xlabel()、ylabel()和title()函式來設定x軸、y軸和標題的標籤。最後，使用show()函式來顯示直方圖。

圖表翻譯：

此圖表展示了學生在不同成績範圍中的分佈情況。x軸代表成績範圍，而y軸代表每個範圍中的學生人數。從圖表中可以看出，35-49成績範圍中的學生人數最多，達到100人，而80-100成績範圍中的學生人數最少，只有27人。這個圖表可以幫助我們瞭解學生的成績分佈情況，並對教學和評估提供參考。

  flowchart TD
    A[資料準備] --> B[計算範圍中點]
    B --> C[繪製直方圖]
    C --> D[設定標籤和標題]
    D --> E[顯示圖表]

散點圖與直線圖的比較

散點圖是一種用於展示兩個數值變數之間相關性的圖形，利用笛卡爾坐標系統將點按照兩個變數的值進行定位。在Python的matplotlib函式庫中，可以使用scatter()函式來建立散點圖。這個函式接受x和y值作為輸入，並將其渲染為圖表上的個別點。此外，還可以自定義散點圖的外觀，例如指定顏色、大小和點的形狀。

散點圖和直線圖的相似之處

  • 兩種圖表都用於視覺化兩個數值變數之間的關係。
  • 散點圖和直線圖都使用笛卡爾坐標系統來表示資料。
  • matplotlib函式庫支援建立兩種型別的圖表。

散點圖和直線圖的差異

  • 直線圖使用直線連線資料點，而散點圖則不連線點。
  • 散點圖更適合展示資料之間的相關性和分佈情況，而直線圖則更適合展示資料之間的趨勢和變化。

散點圖的應用

散點圖常用於展示兩個變數之間的關係，例如：

  • 分析兩個變數之間的相關性。
  • 檢視資料的分佈情況。
  • 比較不同群體之間的差異。

Python中建立散點圖的範例

import matplotlib.pyplot as plt

# 資料
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 建立散點圖
plt.scatter(x, y)

# 設定標題和軸標籤
plt.title('散點圖範例')
plt.xlabel('X軸')
plt.ylabel('Y軸')

# 顯示圖表
plt.show()

這個範例建立了一個簡單的散點圖，展示了x和y兩個變數之間的關係。可以根據需要自定義圖表的外觀和內容。

資料視覺化：線圖與散點圖的應用

資料視覺化是呈現資料的有效方式，能夠幫助我們瞭解資料中的趨勢、模式和關係。線圖和散點圖是兩種常用的視覺化工具，分別用於展示連續資料和兩個變數之間的關係。

線圖的應用

線圖適合用於展示連續資料，例如時間序列資料或其他連續變數。它能夠清晰地展示資料中的趨勢和模式，使得我們能夠輕鬆地瞭解資料的變化。

散點圖的應用

散點圖則用於展示兩個變數之間的關係，能夠清晰地展示資料的分佈和相關性。它特別適合用於展示離散或類別資料，能夠幫助我們瞭解不同變數之間的關係。

線圖和散點圖的區別

雖然線圖和散點圖都是視覺化工具，但它們在連線點和適合的資料型別上有所不同。線圖適合用於展示連續資料，而散點圖則更適合用於展示離散或類別資料。

Python 中的實作

在 Python 中，我們可以使用 Matplotlib 這個函式庫來建立線圖和散點圖。以下是一個簡單的範例：

import matplotlib.pyplot as plt
import numpy as np

# 資料
x = np.arange(1, 6)
y = [20, 10, 60, 30, 80]

# 散點圖
plt.scatter(x, y, c=['r', 'b', 'g', 'k', 'y'], s=[100, 200, 300, 400, 500])

# 標籤
labels = ['L1', 'L2', 'L3', 'L4', 'L5']
for i, label in enumerate(labels):
    plt.annotate(label, (x[i]+0.2, y[i]))

# 圖例
legend_patches = [plt.Line2D([0], [0], marker='o', color='w', label=label,
                          markerfacecolor=color, markersize=10) for color, label in zip(['r', 'b', 'g', 'k', 'y'], labels)]
plt.legend(handles=legend_patches)

plt.show()

這個範例建立了一個散點圖，使用不同的顏色和大小來區分不同的資料點，並增加了標籤和圖例來説明資料。

內容解密：

在這個範例中，我們使用了 matplotlib 的 scatter 函式來建立散點圖。scatter 函式接受多個引數，包括 x 和 y 座標、顏色、大小和標籤等。我們還使用了 annotate 函式來新增標籤，和 legend 函式來新增圖例。

圖表翻譯：

以下是這個範例的 Mermaid 圖表：

  graph LR
    A[資料] --> B[散點圖]
    B --> C[標籤]
    C --> D[圖例]
    D --> E[顯示]

這個圖表展示了資料如何被轉換成散點圖，並增加了標籤和圖例，最終被顯示出來。

使用Matplotlib進行資料視覺化

在資料科學中，視覺化是呈現資料的一種有效方式。Matplotlib是一個流行的Python函式庫，提供了豐富的工具來建立高品質的2D和3D圖表。以下將介紹如何使用Matplotlib進行資料視覺化。

建立圖例

圖例是圖表中的一個重要元件，用於解釋不同顏色或符號所代表的含義。以下是建立圖例的步驟：

import matplotlib.pyplot as myplt
import matplotlib.patches as mpatches

# 定義顏色和標籤
mycolors = ['red', 'green', 'blue']
mylabels = ['線1', '線2', '線3']

# 建立圖例patches
mylegend_patches = [mpatches.Patch(color=color, label=label) for color, label in zip(mycolors, mylabels)]

# 顯示圖例
myplt.legend(handles=mylegend_patches)

建立子圖

Matplotlib的子圖功能允許使用者在一個視窗中顯示多個圖表。以下是建立子圖的步驟：

import matplotlib.pyplot as myplt
import numpy as mynp

# 定義資料
myxaxis_data = mynp.arange(1, 11)
my_y1 = myxaxis_data
my_y2 = myxaxis_data * 2
my_y3 = myxaxis_data ** 2
my_y4 = myxaxis_data ** 3

# 建立圖表
myfig = myplt.figure(figsize=(8, 6), num=1)

# 建立子圖
myplt.subplot(2, 2, 1)
myplt.plot(myxaxis_data, my_y1)

myplt.subplot(2, 2, 2)
myplt.plot(myxaxis_data, my_y2)

myplt.subplot(2, 2, 3)
myplt.plot(myxaxis_data, my_y3)

myplt.subplot(2, 2, 4)
myplt.plot(myxaxis_data, my_y4)

# 顯示圖表
myplt.show()

內容解密：

  • mylegend_patches是一個列表，包含了圖例patches，每個patch代表了一個顏色和標籤。
  • myplt.legend()函式用於顯示圖例，handles引數設定為mylegend_patches，以指定圖例patches。
  • myplt.subplot()函式用於建立子圖，引數(2, 2, 1)表示建立一個2x2的子圖網格，並選擇第一個子圖。
  • myplt.plot()函式用於繪製資料，myxaxis_data和my_y1分別代表x軸和y軸的資料。

圖表翻譯：

  • 圖表顯示了四個子圖，每個子圖代表了一個不同的資料集。
  • 子圖1顯示了my_y1資料集的趨勢，子圖2顯示了my_y2資料集的趨勢，以此類別推。
  • 圖表使用不同的顏色和符號來區分不同的資料集，使得使用者可以輕鬆地比較和分析不同的資料集。

使用子圖來呈現多個繪圖

在進行資料視覺化時，經常需要呈現多個繪圖以便進行比較或展示不同的趨勢。Python 的 Matplotlib 函式庫提供了強大的工具來建立子圖（subplots），使得我們可以輕易地在單一圖表中展示多個繪圖。

建立子圖

要建立子圖，可以使用 subplot() 函式或 subplots() 函式。這兩個函式都可以用來建立子圖，但是 subplots() 函式更為方便，因為它可以傳回所有子圖的軸物件（axes objects）。

使用 subplot() 函式

以下是使用 subplot() 函式建立四個子圖的範例：

import matplotlib.pyplot as plt

# 建立資料
x = [1, 2, 3, 4, 5]
y1 = [1, 2, 3, 4, 5]
y2 = [2, 4, 6, 8, 10]
y3 = [1, 4, 9, 16, 25]
y4 = [1, 8, 27, 64, 125]

# 建立子圖
ax1 = plt.subplot(2, 2, 1)
ax1.plot(x, y1, color='r', marker='o')
ax1.set(xlabel='X 軸', ylabel='Y 軸', title='相同值線性')

ax2 = plt.subplot(2, 2, 2)
ax2.plot(x, y2, color='b', marker='o')
ax2.set(xlabel='X 軸', ylabel='Y 軸', title='X 軸的兩倍')

ax3 = plt.subplot(2, 2, 3)
ax3.plot(x, y3, color='y', marker='o')
ax3.set(xlabel='X 軸', ylabel='Y 軸', title='平方函式')

ax4 = plt.subplot(2, 2, 4)
ax4.plot(x, y4, color='g', marker='o')
ax4.set(xlabel='X 軸', ylabel='Y 軸', title='立方函式')

# 調整子圖的佈局
plt.tight_layout()

# 顯示圖表
plt.show()

使用 subplots() 函式

以下是使用 subplots() 函式建立四個子圖的範例：

import matplotlib.pyplot as plt

# 建立資料
x = [1, 2, 3, 4, 5]
y1 = [1, 2, 3, 4, 5]
y2 = [2, 4, 6, 8, 10]
y3 = [1, 4, 9, 16, 25]
y4 = [1, 8, 27, 64, 125]

# 建立子圖
fig, axs = plt.subplots(2, 2)

axs[0, 0].plot(x, y1, color='r', marker='o')
axs[0, 0].set(xlabel='X 軸', ylabel='Y 軸', title='相同值線性')

axs[0, 1].plot(x, y2, color='b', marker='o')
axs[0, 1].set(xlabel='X 軸', ylabel='Y 軸', title='X 軸的兩倍')

axs[1, 0].plot(x, y3, color='y', marker='o')
axs[1, 0].set(xlabel='X 軸', ylabel='Y 軸', title='平方函式')

axs[1, 1].plot(x, y4, color='g', marker='o')
axs[1, 1].set(xlabel='X 軸', ylabel='Y 軸', title='立方函式')

# 調整子圖的佈局
plt.tight_layout()

# 顯示圖表
plt.show()

兩個範例都會產生相同的結果，但是使用 subplots() 函式可以更方便地建立多個子圖，並傳回所有子圖的軸物件。

子圖的優點

使用子圖可以讓我們在單一圖表中展示多個繪圖，這樣可以：

  • 方便地比較不同資料之間的關係
  • 展示不同的趨勢或模式
  • 節省空間和提高圖表的可讀性

從使用者經驗視角，分析 Matplotlib 繪製各類別圖表的實務應用可以發現，其高度客製化的特性，在賦予開發者極大彈性的同時，也增加了學習曲線的複雜度。透過多維比較分析，Matplotlib 相較於其他 Python 視覺化函式庫，例如 Seaborn 或 Plotly，雖然在圖表美觀度和互動性上略遜一籌，但在底層控制和精細調整方面擁有無可比擬的優勢。技術限制深析顯示，Matplotlib 在處理大規模資料集時，效能表現可能成為瓶頸，需要額外考量效能最佳化策略。同時，其物件導向的 API 設計，雖然提供了高度的靈活性，但也可能增加程式碼的複雜度。展望技術演進預測，Matplotlib 將持續強化其與其他資料科學工具的整合性，並在 3D 視覺化和互動性方面有所提升，以滿足日益增長的需求。對於追求圖表細節掌控的開發者而言，深入理解 Matplotlib 的核心機制，並結合最佳實務，才能將其強大的視覺化能力充分發揮。玄貓認為，Matplotlib 仍然是 Python 資料視覺化的重要基本，值得投入時間深入學習。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。