本文主要是介绍Matplotlib详解 - PlotType : Pairwise data，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！
1. 前言
Pairwise data（成对数据）指的是在数据集中，数据点是以成对的形式出现的，通常用于分析两者之间的关系或比较。在成对数据中，数据点通常是以两个变量的组合出现的，代表两个实体、两个属性或两个观测值之间的关系。
本篇文章讲解成对数据的可视化形式
2. plot()折线图
用途：最常见的折线图绘制函数，用于绘制连续数据的趋势
适用场景：绘制简单的线性或非线性关系，比如函数曲线，时间序列函数等
1. 趋势分析：展示数据的上升，下降，周期性等变化趋势
2. 平滑曲线：连接离散的点，将数学函数可视化
x = np.linspace(-10,10,100)
y = x**2
plt.plot(x,y)
3. scatter()散点图
用于显示数据之间的关系或分布情况，特别是两个变量之间的关联性。
x = np.random.rand(10) #0-1之间的随机数
y = np.random.rand(10)
plt.scatter(x,y)
可以通过设置每个点不同的大小，颜色清晰的看出数据属性的不同。
import matplotlib.pyplot as plt
import numpy as npplt.style.use('_mpl-gallery')# make the data
np.random.seed(3)
x = 4 + np.random.normal(0, 2, 24)
y = 4 + np.random.normal(0, 2, len(x))
# size and color:
sizes = np.random.uniform(15, 80, len(x))
colors = np.random.uniform(15, 80, len(x))# plot
fig, ax = plt.subplots()ax.scatter(x, y, s=sizes, c=colors, vmin=0, vmax=100)ax.set(xlim=(0, 8), xticks=np.arange(1, 8),ylim=(0, 8), yticks=np.arange(1, 8))plt.show()使用场景：
1. 数据分布分析：当需要展示一组数据点的分布，特别是当数据之间没有连续性时，用scatter进行可视化最合适。
2. 相关性分析：用于展示两个变量之间的关系，判断它们是否存在相关性或趋势
3. 分类数据：在数据中，有时候你需要通过颜色或形状区分不同的类别，可以由此绘制不同的颜色或形状的散点
4. 异常点检测：通过观察散点分布，识别数据中的异常点或离群值
4. bar()柱状图
绘制条形图，通常用于对比不同类别的值。适用于类别型数据的可视化，特别是对比不同组之间的数值。
categories = ['A','B','C','D']
values = [3,7,10,9]
plt.bar(categories,values)
使用场景：
分类数据：展示离散类别及其对应的数值，不同商品的销量，不同地区人口，不同项目的完成
数据比较：柱状图适合展示不同类别之间的差异，清晰对比各类数据的大小，频率
5. stem()脉冲图
5.1 stem()使用方法
适用于展示离散的、间断的数据，强调每个数据点的独立性和具体位置。
import numpy as np
import matplotlib.pyplot as plt# 数据
x = np.linspace(0, 2 * np.pi, 10)
y = np.sin(x)# 绘制脉冲图
plt.stem(x, y)
plt.title('Simple Stem Plot')
plt.show() 
# 自定义脉冲图
plt.stem(x, y, linefmt='g--', markerfmt='ro', basefmt='k-', bottom=-1)
plt.title('Custom Stem Plot')
plt.show()
将bottom的初始位置进行修改，以y轴为基准进行修改
相关参数修改：
| 参数 | 描述 | |
| y | y轴的数据点，每个脉冲高度 | np.sin(x) |
| linefmt | 脉冲线的格式（颜色，线型等） |
|
| markerfmt | 数据点的格式 | 'ro'(红色圆点)； ‘bs’(蓝色方块)； |
| basefmt | x轴线的格式 | 'k-'(黑色实线), ‘b--'(蓝色虚线) |
| bottom | 脉冲线的起始位置，默认为0 | bottom=-1 |
| label | 为图例添加标签 | ’My Data‘ |
5.2 应用场景
1. 数据采样
在数据采样和数值分析中，stem可以用于展示离散采样点，帮助分析在特定时间点或位置上采集到的数据。eg：展示某物理量随时间的离散采样；显示实验中采集到的离散数据
2. 离散概率分布
绘制离散概率分布，帮助展示某个离散随机变量的概率或频率分布。
3. 序列数据可视化
当处理离散的序列数据时，可以帮助直观展示每个数据点的数值，尤其是当序列具有突出的局部极值时。
• 展示某些特征随序列变化的情况 • 强调时间序列的离散变化
6. fill_between()填充
6.1 fill_between()方法
fill_between常用于绘制填充区域，通常用于在两条曲线之间或曲线与 x 轴之间填充颜色。它可以帮助突出显示特定区域，例如数据的范围、置信区间或正负区域。
import numpy as np
import matplotlib.pyplot as plt# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)# 填充曲线与x轴之间的区域
plt.plot(x, y, color="blue") #绘制曲线
plt.fill_between(x, y, color="skyblue", alpha=0.4) #填充区域plt.title('Fill Between Curve and X-axis')
plt.show()
有条件性的填充
在fill_between函数中添加where属性
# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)# 只填充 y > 0 的区域
plt.plot(x, y, color="blue")
plt.fill_between(x, y, where=(y > 0), color="green", alpha=0.3)
plt.fill_between(x, y, where=(y < 0), color="red", alpha=0.3)plt.title('Conditional Fill Based on y Value')
plt.show()
6.2 使用场景
1. 显示数据范围或不确定性区域
通常用于填充某个变量的最大值和最小值之间的区域，或者展示某个数据的置信区间，强调数据的不确定性。例如测量值的上下限，用于可视化模型预测中的置信区间。
2. 强调正负区域
当某个函数的值在某些区间为正，某些区间为负时，可以填充这些不同的区域，突出正负的变化。例如经济学中的盈亏点，强调时间序列数据的正负变化。
3. 表示差异或变化范围
用来填充它们之间的差异，表示它们之间的变化范围或差异大小。
例如展示实际值和预测值之间的差异，比较两种方法或模型的结果
4. 绘制累计变化
显示总资产的增长或减少，表示不同来源的收入变化
fill_between()特别适合那些需要突出显示不同区间的数据
7. stackplot()堆叠面积图
7.1 stackplot()方法
堆叠面积图能够显示随时间变化的多个数据系列的累积值，直观地展示组成部分的相对变化以及它们对整体的贡献。通过不同颜色的堆叠区域，可以直观地看到每个数据系列的变化及其对总值的贡献。
import matplotlib.pyplot as plt
import numpy as np# 数据准备
days = np.array([1, 2, 3, 4, 5])
apples = np.array([3, 4, 2, 5, 6])
bananas = np.array([1, 2, 3, 1, 2])
cherries = np.array([4, 3, 2, 4, 5])# 绘制堆叠面积图
plt.stackplot(days, apples, bananas, cherries, labels=['Apples', 'Bananas', 'Cherries'], colors=['#ff9999','#66b3ff','#99ff99'])#labels表示数据系列的标签，如果需要添加图例，一定要有label# 添加图例
plt.legend(loc='upper left')
plt.title('Fruit Sales Over Time')
plt.show()
7.2 使用场景
展示随时间或其他连续变量变化的组成部分和累积值
1. 展示随时间变化的组成部分变化
例如，在一个公司中，销售额可以分为不同产品线的销售额，可以清晰展示各个产品线的变化趋势以及它们对总销售额的贡献。不同部门的销售趋势，公司各产品的开支变化。
2. 能源或资源消耗的分解
展示能源或资源消耗的分解。例如，不同能源（如煤、电、水力、风能）的消耗情况以及它们在总消耗中的占比。
3. 金融数据的组成部分变化
展示不同投资项目的收益变化、不同资产类别在总投资组合中的比例变化。
不同资产类别（如股票、债券、房地产）随时间的投资收益变化。
不同收入来源对总收入的贡献。
4. 人口统计数据
人口统计学中的变化趋势，例如不同年龄段的人口随时间的变化。通过堆叠图，可以清晰地看到每个年龄段在总人口中的变化情况。
5. 项目进展的累积展示
堆叠图可以用来展示多个任务或项目的完成进度，以及它们对整体进度的贡献。
展示多个项目的进展情况 & 任务时间分配的变化
8. stairs()阶梯图
8.1 stairs()方法
阶梯图通常用于表示数据随时间或特定区间的分段恒定变化，某个数据在某个区间内保持恒定，之后突然跳到另一个值。显示数据的逐步变化。
value = [3,9,10,5,7]
edges = [0,1,2,3,4,5]
plt.stairs(value, edges) #在前面的为y值，后面的为x轴；edges列表比value列表值多一项
#两点连成一条线
plt.show()
8.2 使用场景
1. 分段恒定数据
当数据在某个区间内保持恒定值，然后在下一个区间内突然跳变，阶梯图可以直观展示每个区间的值变化。例如，某项指标或信号在一段时间内保持固定值，接着发生跳变。
2. 分段函数
阶梯图非常适合用来绘制分段恒定函数，例如阶跃函数或Piecewise常数函数，这些函数在每个区间内都有固定的输出值。
3. 直方图的分段表示
阶梯图可以用来替代直方图，展示频率分布时更加清晰，特别是当数据密集时，阶梯图可以减少过度的视觉杂乱。
4. 信号处理中的阶跃变化
阶梯图在信号处理中很常见，尤其是在表示离散信号或数字信号的情况下，信号的数值可能在不同的时刻发生突然变化。
5. 财务和市场分析
在一些财务分析和市场研究中，阶梯图用于展示某些指标（如库存水平、资金流动）在特定时间内保持不变，并在特定时间点发生跳变。
9. 参考资料
《matplotlib》
这篇关于Matplotlib详解 - PlotType : Pairwise data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！
