Python | 使用Matplotlib生成子图的示例

2024-06-19 21:44
文章标签 python 使用 matplotlib 生成 示例 子图

本文主要是介绍Python | 使用Matplotlib生成子图的示例，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

数据可视化在分析和解释数据的过程中起着举足轻重的作用。Python中的Matplotlib库提供了一个强大的工具包，用于制作各种图表和图表。一个突出的功能是它能够在单个图中生成子图，为以组织良好和结构化的方式呈现数据提供了有价值的工具。使用子图可以同时显示多个图，有助于改进基础数据的全面视觉表示。

使用Python的Matplotlib生成子图

有几种方法可以使用Python的Matplotlib生成子图。在这里，我们将探索一些常用的方法来使用Python的Matplotlib创建子图。

  • 使用Line Plot的多个子图
  • 使用Bar Plot的多个子图
  • 使用Pie Plot的多个子图
  • 自定义子图组合

使用Line Plot的多个子图

在本例中，代码利用Matplotlib生成一个2×2网格的线图，每个线图都基于示例数据描绘一个数学函数（正弦、余弦、正切和指数）。子图是使用plt.subplots函数创建和自定义的，每个子图都标有标题、线条颜色和图例。在调整布局以获得子图之间的最佳间距后，使用plt.show显示生成的可视化。

import matplotlib.pyplot as plt
import numpy as np# Example data
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)
y4 = np.exp(-x)# Creating Multiple Subplots for Line Plots
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))# Line Plot 1
axes[0, 0].plot(x, y1, label='sin(x)', color='blue')
axes[0, 0].set_title('Line Plot 1')
axes[0, 0].legend()# Line Plot 2
axes[0, 1].plot(x, y2, label='cos(x)', color='orange')
axes[0, 1].set_title('Line Plot 2')
axes[0, 1].legend()# Line Plot 3
axes[1, 0].plot(x, y3, label='tan(x)', color='green')
axes[1, 0].set_title('Line Plot 3')
axes[1, 0].legend()# Line Plot 4
axes[1, 1].plot(x, y4, label='exp(-x)', color='red')
axes[1, 1].set_title('Line Plot 4')
axes[1, 1].legend()# Adjusting layout
plt.tight_layout()# Show the plots
plt.show()

在这里插入图片描述

使用Bar Plot的多个子图

在这个例子中，Python代码利用Matplotlib生成一个2×2的子图网格，每个子图都包含一个条形图。示例数据由四个类别（A、B、C、D）和四个集合的对应值组成。子图函数用于创建子图网格，然后为每组值生成单独的条形图。生成的可视化显示了条形图1到条形图4中各类别值的分布，每个子图都有自定义的颜色和标题。为了清晰起见，布局进行了调整，合并的子图集使用plt.show（）显示。

import matplotlib.pyplot as plt
import numpy as np# Example data for bar plots
categories = ['A', 'B', 'C', 'D']
values1 = [3, 7, 1, 5]
values2 = [5, 2, 8, 4]
values3 = [2, 6, 3, 9]
values4 = [8, 4, 6, 2]# Creating Multiple Subplots for Bar Plots
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))# Bar Plot 1
axes[0, 0].bar(categories, values1, color='blue')
axes[0, 0].set_title('Bar Plot 1')# Bar Plot 2
axes[0, 1].bar(categories, values2, color='orange')
axes[0, 1].set_title('Bar Plot 2')# Bar Plot 3
axes[1, 0].bar(categories, values3, color='green')
axes[1, 0].set_title('Bar Plot 3')# Bar Plot 4
axes[1, 1].bar(categories, values4, color='red')
axes[1, 1].set_title('Bar Plot 4')# Adjusting layout
plt.tight_layout()# Show the plots
plt.show()

在这里插入图片描述
使用Pie Plot的多个子图

在这个例子中，Python代码使用Matplotlib创建了一个2×2的饼图网格。每个图表都表示不同的分类数据，并具有指定的标签、大小和颜色。plt.subplots函数生成子图网格，然后使用pie函数用饼图填充每个子图。该代码调整布局的间距，并显示饼图的可视化表示。

import matplotlib.pyplot as plt# Example data for pie charts
labels1 = ['Category 1', 'Category 2', 'Category 3']
sizes1 = [30, 40, 30]labels2 = ['Section A', 'Section B', 'Section C']
sizes2 = [20, 50, 30]labels3 = ['Apple', 'Banana', 'Orange', 'Grapes']
sizes3 = [25, 30, 20, 25]labels4 = ['Red', 'Green', 'Blue']
sizes4 = [40, 30, 30]# Creating Multiple Subplots for Pie Charts
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))# Pie Chart 1
axes[0, 0].pie(sizes1, labels=labels1, autopct='%1.1f%%', colors=['red', 'yellow', 'green'])
axes[0, 0].set_title('Pie Chart 1')# Pie Chart 2
axes[0, 1].pie(sizes2, labels=labels2, autopct='%1.1f%%', colors=['blue', 'orange', 'purple'])
axes[0, 1].set_title('Pie Chart 2')# Pie Chart 3
axes[1, 0].pie(sizes3, labels=labels3, autopct='%1.1f%%', colors=['orange', 'yellow', 'green', 'purple'])
axes[1, 0].set_title('Pie Chart 3')# Pie Chart 4
axes[1, 1].pie(sizes4, labels=labels4, autopct='%1.1f%%', colors=['red', 'green', 'blue'])
axes[1, 1].set_title('Pie Chart 4')# Adjusting layout
plt.tight_layout()# Show the plots
plt.show()

在这里插入图片描述
自定义子图组合

在这个例子中，Python代码使用Matplotlib生成一个具有2×3子图网格的图。示例数据包括正弦和余弦线图、条形图、饼图以及二次和指数函数的自定义图。每个子图都使用标题、标签和图例进行自定义。该代码展示了如何在单个图中创建子图的视觉多样性布局，展示了Matplotlib对各种图类型的多功能性。

import matplotlib.pyplot as plt
import numpy as np# Example data
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)# Example data for bar plots
categories = ['A', 'B', 'C', 'D']
values = [3, 7, 1, 5]# Example data for pie chart
labels = ['Category 1', 'Category 2', 'Category 3']
sizes = [30, 40, 30]# Example data for custom layout
x_custom = np.linspace(0, 5, 50)
y3 = x_custom**2
y4 = np.exp(x_custom)# Creating Multiple Subplots
fig, axes = plt.subplots(nrows=2, ncols=3, figsize=(15, 8))# Creating Multiple Subplots of Line Plots
axes[0, 0].plot(x, y1, label='sin(x)', color='blue')
axes[0, 0].set_title('Line Plot 1')
axes[0, 0].legend()axes[0, 1].plot(x, y2, label='cos(x)', color='orange')
axes[0, 1].set_title('Line Plot 2')
axes[0, 1].legend()# Creating Multiple Subplots of Bar Plots
axes[0, 2].bar(categories, values, color='green')
axes[0, 2].set_title('Bar Plot')# Creating Multiple Subplots of Pie Charts
axes[1, 0].pie(sizes, labels=labels, autopct='%1.1f%%', colors=['red', 'yellow', 'green'])
axes[1, 0].set_title('Pie Chart')# Creating a custom Multiple Subplots
axes[1, 1].plot(x_custom, y3, label='x^2', color='purple')
axes[1, 1].set_title('Custom Plot 1')
axes[1, 1].legend()axes[1, 2].plot(x_custom, y4, label='e^x', color='brown')
axes[1, 2].set_title('Custom Plot 2')
axes[1, 2].legend()# Adjusting layout
plt.tight_layout()# Show the plots
plt.show()

在这里插入图片描述

总结

Matplotlib的子图提供的灵活性允许在单个图中同时呈现多个图，增强了显示信息的清晰度和一致性。无论是组织折线图、条形图、饼图还是自定义图，理解子图网格、轴对象和“子图”功能的概念都是必不可少的。

这篇关于Python | 使用Matplotlib生成子图的示例的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1076234。

相关文章

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)

《使用Java解析JSON数据并提取特定字段的实现步骤(以提取mailNo为例)》在现代软件开发中,处理JSON数据是一项非常常见的任务,无论是从API接口获取数据,还是将数据存储为JSON格式,解析... 目录1. 背景介绍1.1 jsON简介1.2 实际案例2. 准备工作2.1 环境搭建2.1.1 添加
阅读更多...
SpringBoot基于MyBatis-Plus实现Lambda Query查询的示例代码

SpringBoot基于MyBatis-Plus实现Lambda Query查询的示例代码

《SpringBoot基于MyBatis-Plus实现LambdaQuery查询的示例代码》MyBatis-Plus是MyBatis的增强工具,简化了数据库操作,并提高了开发效率,它提供了多种查询方... 目录引言基础环境配置依赖配置（Maven）application.yml 配置表结构设计demo_st
阅读更多...
如何使用celery进行异步处理和定时任务(django)

如何使用celery进行异步处理和定时任务(django)

《如何使用celery进行异步处理和定时任务(django)》文章介绍了Celery的基本概念、安装方法、如何使用Celery进行异步任务处理以及如何设置定时任务,通过Celery,可以在Web应用中... 目录一、celery的作用二、安装celery三、使用celery 异步执行任务四、使用celery
阅读更多...
使用Python绘制蛇年春节祝福艺术图

使用Python绘制蛇年春节祝福艺术图

《使用Python绘制蛇年春节祝福艺术图》：本文主要介绍如何使用Python的Matplotlib库绘制一幅富有创意的“蛇年有福”艺术图,这幅图结合了数字,蛇形,花朵等装饰,需要的可以参考下... 目录1. 绘图的基本概念2. 准备工作3. 实现代码解析3.1 设置绘图画布3.2 绘制数字“2025”3.3
阅读更多...
Jsoncpp的安装与使用方式

Jsoncpp的安装与使用方式

《Jsoncpp的安装与使用方式》JsonCpp是一个用于解析和生成JSON数据的C++库,它支持解析JSON文件或字符串到C++对象,以及将C++对象序列化回JSON格式,安装JsonCpp可以通过... 目录安装jsoncppJsoncpp的使用Value类构造函数检测保存的数据类型提取数据对json数
阅读更多...
python使用watchdog实现文件资源监控

python使用watchdog实现文件资源监控

《python使用watchdog实现文件资源监控》watchdog支持跨平台文件资源监控,可以检测指定文件夹下文件及文件夹变动,下面我们来看看Python如何使用watchdog实现文件资源监控吧... python文件监控库watchdogs简介随着Python在各种应用领域中的广泛使用，其生态环境也
阅读更多...
Python中构建终端应用界面利器Blessed模块的使用

Python中构建终端应用界面利器Blessed模块的使用

《Python中构建终端应用界面利器Blessed模块的使用》Blessed库作为一个轻量级且功能强大的解决方案,开始在开发者中赢得口碑,今天,我们就一起来探索一下它是如何让终端UI开发变得轻松而高... 目录一、安装与配置：简单、快速、无障碍二、基本功能：从彩色文本到动态交互1. 显示基本内容2. 创建链
阅读更多...
SpringCloud集成AlloyDB的示例代码

SpringCloud集成AlloyDB的示例代码

《SpringCloud集成AlloyDB的示例代码》AlloyDB是GoogleCloud提供的一种高度可扩展、强性能的关系型数据库服务,它兼容PostgreSQL,并提供了更快的查询性能... 目录1.AlloyDBjavascript是什么？AlloyDB 的工作原理2.搭建测试环境3.代码工程1.
阅读更多...
Java调用Python代码的几种方法小结

Java调用Python代码的几种方法小结

《Java调用Python代码的几种方法小结》Python语言有丰富的系统管理、数据处理、统计类软件包,因此从java应用中调用Python代码的需求很常见、实用,本文介绍几种方法从java调用Pyt... 目录引言Java core使用ProcessBuilder使用Java脚本引擎总结引言python
阅读更多...
springboot整合 xxl-job及使用步骤

springboot整合 xxl-job及使用步骤

《springboot整合xxl-job及使用步骤》XXL-JOB是一个分布式任务调度平台,用于解决分布式系统中的任务调度和管理问题,文章详细介绍了XXL-JOB的架构,包括调度中心、执行器和Web... 目录一、xxl-job是什么二、使用步骤1. 下载并运行管理端代码2. 访问管理页面，确认是否启动成功
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2