目录

Python数据处理从零开始—-第四章（可视化）①Matplotlib包

Python数据处理从零开始—-第四章（可视化）②图形和轴

Python数据处理从零开始—-第四章（可视化）③散点图和误差棒

Python数据处理从零开始—-第四章（可视化）④误差图

Python数据处理从零开始—-第四章（可视化）⑤（韦恩图）

Python数据处理从零开始—-第四章（可视化）⑥（画布设置）

Python数据处理从零开始—-第四章（可视化）⑦（多图合并)

Python数据处理从零开始—-第四章（可视化）⑧火山图

Python数据处理从零开始—-第四章（可视化）⑨线性相关曲线

Python数据处理从零开始—-第四章（可视化）⑩ROC曲线

Python数据处理从零开始—-第四章（可视化）①①多分类ROC曲线

=========================================================

正文

使用样式表自定义绘图

style包为易于切换的绘图『样式』增加了支持，它们与matplotlibrc文件参数相同。
有一些预定义样式由matplotlib提供。 例如，有一个名为『ggplot』的预定义样式，它模拟ggplot（R 的一种流行的绘图软件包）的美学。 为了使用此样式。首先，调出所有可以选择的样式列表

print(plt.style.available) # 打印样式列表
[‘bmh’, ‘classic’, ‘dark_background’, ‘fast’, ‘fivethirtyeight’, ‘ggplot’, ‘grayscale’, ‘seaborn-bright’, ‘seaborn-colorblind’, ‘seaborn-dark-palette’, ‘seaborn-dark’, ‘seaborn-darkgrid’, ‘seaborn-deep’, ‘seaborn-muted’, ‘seaborn-notebook’, ‘seaborn-paper’, ‘seaborn-pastel’, ‘seaborn-poster’, ‘seaborn-talk’, ‘seaborn-ticks’, ‘seaborn-white’, ‘seaborn-whitegrid’, ‘seaborn’, ‘Solarize_Light2’, ‘tableau-colorblind10’, ‘_classic_test’]

%reset -f
%clear
# In[*]
import numpy as np
import matplotlib.pyplot as plt
# In[*]

# 生成一张12*4的图
fig = plt.figure(figsize=(12,4))
# 生成第一个子图在1行2列第一列位置
ax1 = fig.add_subplot(121)
# 生成第二子图在1行2列第二列位置
ax2 = fig.add_subplot(122)
# 柱状图数据
x1 = [0.3, 1.7, 4, 6, 7]
y1 = [5, 20, 15, 25, 10]
# 折线图数据
x2 = np.arange(0,10)
y2 = [25,2,12,30,20,40,50,30,40,15]
# 第一个子图绘图和设置
ax1.bar(x1,y1)
ax1.set(xlabel='x',ylabel='y',title='title')
# 第二个子图绘图和设置
ax2.plot(x2,y2)
ax2.set(xlabel='x',ylabel='y',title='title')
plt.show()

使用经典的style，plt.style.use(‘classic’)

# In[*]
plt.style.use('classic')
# 生成一张12*4的图
fig = plt.figure(figsize=(12,4))
# 生成第一个子图在1行2列第一列位置
ax1 = fig.add_subplot(121)
# 生成第二子图在1行2列第二列位置
ax2 = fig.add_subplot(122)
# 柱状图数据
x1 = [0.3, 1.7, 4, 6, 7]
y1 = [5, 20, 15, 25, 10]
# 折线图数据
x2 = np.arange(0,10)
y2 = [25,2,12,30,20,40,50,30,40,15]
# 第一个子图绘图和设置
ax1.bar(x1,y1)
ax1.set(xlabel='x',ylabel='y',title='title')
# 第二个子图绘图和设置
ax2.plot(x2,y2)
ax2.set(xlabel='x',ylabel='y',title='title')
plt.show()

使用ggplot2

plt.style.use('ggplot')
# 生成一张12*4的图
fig = plt.figure(figsize=(12,4))
# 生成第一个子图在1行2列第一列位置
ax1 = fig.add_subplot(121)
# 生成第二子图在1行2列第二列位置
ax2 = fig.add_subplot(122)
# 柱状图数据
x1 = [0.3, 1.7, 4, 6, 7]
y1 = [5, 20, 15, 25, 10]
# 折线图数据
x2 = np.arange(0,10)
y2 = [25,2,12,30,20,40,50,30,40,15]
# 第一个子图绘图和设置
ax1.bar(x1,y1)
ax1.set(xlabel='x',ylabel='y',title='title')
# 第二个子图绘图和设置
ax2.plot(x2,y2)
ax2.set(xlabel='x',ylabel='y',title='title')
plt.show()

最常用的style样式

# In[*]
plt.style.use('seaborn-whitegrid')
# 生成一张12*4的图
fig = plt.figure(figsize=(12,4))
# 生成第一个子图在1行2列第一列位置
ax1 = fig.add_subplot(121)
# 生成第二子图在1行2列第二列位置
ax2 = fig.add_subplot(122)
# 柱状图数据
x1 = [0.3, 1.7, 4, 6, 7]
y1 = [5, 20, 15, 25, 10]
# 折线图数据
x2 = np.arange(0,10)
y2 = [25,2,12,30,20,40,50,30,40,15]
# 第一个子图绘图和设置
ax1.bar(x1,y1)
ax1.set(xlabel='x',ylabel='y',title='title')
# 第二个子图绘图和设置
ax2.plot(x2,y2)
ax2.set(xlabel='x',ylabel='y',title='title')
plt.show()

最整洁的一套样式

plt.style.use('seaborn-white')
# 生成一张12*4的图
fig = plt.figure(figsize=(12,4))
# 生成第一个子图在1行2列第一列位置
ax1 = fig.add_subplot(121)
# 生成第二子图在1行2列第二列位置
ax2 = fig.add_subplot(122)
# 柱状图数据
x1 = [0.3, 1.7, 4, 6, 7]
y1 = [5, 20, 15, 25, 10]
# 折线图数据
x2 = np.arange(0,10)
y2 = [25,2,12,30,20,40,50,30,40,15]
# 第一个子图绘图和设置
ax1.bar(x1,y1)
ax1.set(xlabel='x',ylabel='y',title='title')
# 第二个子图绘图和设置
ax2.plot(x2,y2)
ax2.set(xlabel='x',ylabel='y',title='title')
plt.show()