目录

带基线的棒棒糖图1

带基线的棒棒糖图2

带标记的棒棒糖图

哑铃图1

哑铃图2

包点图1

包点图2

雷达图1

雷达图2

交互式雷达图

---

【声明】：未经版权人书面许可，任何单位或个人不得以任何形式复制、发行、出租、改编、汇编、传播、展示或利用本博客的全部或部分内容，也不得在未经版权人授权的情况下将本博客用于任何商业目的。但版权人允许个人学习、研究、欣赏等非商业性用途的复制和传播。非常推荐大家学习《Python数据可视化科技图表绘制》这本书籍。

带基线的棒棒糖图1

import matplotlib.pyplot as plt
import numpy as np

# 生成数据
x = np.linspace(0, 2 * np.pi, 100)  # 生成100个从0到2π的等间隔数据
y = np.sin(x) + np.random.uniform(size=len(x)) - 0.2
# 根据正弦函数生成y值，并添加一些随机噪声
my_color = np.where(y >= 0, 'orange', 'skyblue')  # 根据y的正负确定颜色

plt.vlines(x=x, ymin=0, ymax=y, color=my_color, alpha=0.4)  # 绘制垂直柱状图
plt.scatter(x, y, color=my_color, s=1, alpha=1)  # 绘制散点图

# 添加标题和坐标轴标签
plt.title("Evolution of the value of ...", loc='left')  # 设置标题左对齐
plt.xlabel('Value of the variable')  # x轴标签
plt.ylabel('Group')  # y轴标签

# 保存图片
plt.savefig('P109带基线的棒棒糖图1.png', dpi=600, transparent=True)
plt.show()

带基线的棒棒糖图2

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
np.random.seed(19781101)  # 固定随机种子，以便结果可复现
values = np.random.uniform(size=80)  # 生成80个0到1之间的随机数
positions = np.arange(len(values))  # 生成与values长度相同的位置数组

plt.figure(figsize=(10, 6))  # 创建图形窗口大小

# 使用`bottom`参数自定义位置
plt.subplot(2, 2, 1)  # 创建一个2x2的子图矩阵，并选择第1个子图
plt.stem(values, markerfmt=' ', bottom=0.5)  # 绘制棒棒糖图，设置基线位置
plt.title("Custom Bottom")  # 设置子图标题

# 隐藏基线
plt.subplot(2, 2, 2)  # 选择第2个子图
(markers, stemlines, baseline) = plt.stem(values)  # 获取stem图的组件
plt.setp(baseline, visible=False)  # 隐藏基线
plt.title("Hide Baseline")  # 设置子图标题

# 隐藏基线-第二种方法
plt.subplot(2, 2, 3)  # 选择第3个子图
plt.stem(values, basefmt=" ")  # 绘制棒棒糖图，设置基线格式为空
plt.title("Hide Baseline-Method 2")  # 设置子图标题

# 自定义基线的颜色和线型
plt.subplot(2, 2, 4)  # 选择第4个子图
(markers, stemlines, baseline) = plt.stem(values)  # 获取棒棒糖图的组件
plt.setp(baseline, linestyle="-", color="grey",
         linewidth=6)  # 设置基线的颜色、线型和线宽
plt.title("Custom Baseline Color and Style")  # 设置子图标题

plt.tight_layout()  # 自动调整子图布局

# 保存图片时自动调整边界
plt.savefig('P111带基线的棒棒糖图2.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

带标记的棒棒糖图

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.patches as patches

df = pd.read_csv(r"E:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv")  # 读取数据

# 提取'mpg'列作为x变量，并计算其标准化值
x = df.loc[:, ['mpg']]
df['mpg_z'] = (x - x.mean()) / x.std()
df['colors'] = 'black'  # 设置所有点的颜色为黑色

# 为'Fiat X1-9'设置不同的颜色
df.loc[df.cars == 'Fiat X1-9', 'colors'] = 'darkorange'

# 根据'mpg_z'列的值对数据进行排序
df.sort_values('mpg_z', inplace=True)
df.reset_index(inplace=True)

plt.figure(figsize=(14, 12), dpi=80)  # 绘制图形
plt.hlines(y=df.index, xmin=0, xmax=df.mpg_z, color=df.colors,
           alpha=0.4, linewidth=1)  # 绘制水平线

# 绘制散点图，并为'Fiat X1-9'设置不同的大小
plt.scatter(df.mpg_z, df.index, color=df.colors,
            s=[600 if x == 'Fiat X1-9' else 300 for x in df.cars], alpha=0.6)

plt.yticks(df.index, df.cars)  # 设置y轴刻度标签
plt.xticks(fontsize=12)  # 设置x轴刻度字体大小
# 添加注释
plt.annotate('Mercedes Models', xy=(0.0, 11.0), xytext=(1.0, 11),
             xycoords='data', fontsize=15, ha='center', va='center',
             bbox=dict(boxstyle='square', fc='firebrick'),
             arrowprops=dict(arrowstyle='-[,widthB=2.0,lengthB=1.5',
                             lw=2.0, color='steelblue'), color='white')
# 添加补丁
p1 = patches.Rectangle((-2.0, -1), width=0.3, height=3, alpha=0.2,
                       facecolor='red')
p2 = patches.Rectangle((1.5, 27), width=0.8, height=5, alpha=0.2,
                       facecolor='green')
plt.gca().add_patch(p1)
plt.gca().add_patch(p2)

# 图形修饰
plt.title('Diverging Bars of Car Mileage',
          fontdict={'size': 20})  # 设置标题
plt.grid(linestyle='--', alpha=0.5)  # 添加网格线

# 保存图片时自动调整边界
plt.savefig('P112带标记的棒棒糖图.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

哑铃图1

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 创建一个DataFrame
value1 = np.random.uniform(size=20)  # 生成第一组随机数
value2 = value1 + np.random.uniform(size=20) / 4
# 生成第二组随机数，基于第一组数据并加上一定随机量
df = pd.DataFrame({
    'group': list(map(chr, range(65, 85))),  # 创建从A到T的组标签
    'value1': value1,
    'value2': value2
})

# 按照第一组值的大小对DataFrame进行排序
ordered_df = df.sort_values(by='value1')
my_range = range(1, len(df.index) + 1)  # 创建一个范围，用于y轴坐标

# 使用hlines函数绘制水平线图
plt.hlines(y=my_range, xmin=ordered_df['value1'],
           xmax=ordered_df['value2'],
           color='grey', alpha=0.4)  # 绘制水平线
plt.scatter(ordered_df['value1'], my_range, color='skyblue', alpha=1,
            label='value1')  # 绘制value1的散点图
plt.scatter(ordered_df['value2'], my_range, color='green', alpha=0.4,
            label='value2')  # 绘制value2的散点图
plt.legend()  # 显示图例

# 添加标题和坐标轴名称
plt.yticks(my_range, ordered_df['group'])  # 设置y轴标签和坐标
plt.title("Comparison of the value 1 and the value 2", loc='left')
# 设置标题
plt.xlabel('Value of the variables')  # 设置x轴标签
plt.ylabel('Group')  # 设置y轴标签

# 保存图片时自动调整边界
plt.savefig('P114哑铃图1.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

哑铃图2

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.lines as mlines  # 导入线段模块

df = pd.read_csv(r"E:\PythonProjects\experiments_figures\绘图案例数据\health.csv")  # 导入数据

# 按 2014 年的数据进行排序
df.sort_values('pct_2014', inplace=True)
df.reset_index(inplace=True)


# 绘制线段的函数
def newline(p1, p2, color='black'):
    ax = plt.gca()  # 获取当前坐标轴
    l = mlines.Line2D([p1[0], p2[0]], [p1[1], p2[1]],
                      color='skyblue')  # 创建线段对象
    ax.add_line(l)  # 添加线段到坐标轴
    return l


# 创建图形和轴
fig, ax = plt.subplots(1, 1, figsize=(8, 5), facecolor='#f7f7f7', dpi=600)

# 绘制垂直的参考线
# 绘制垂直的参考线，用于标记百分比位置
ax.vlines(x=.05, ymin=0, ymax=26, color='black', alpha=1,
          linewidth=1, linestyles='dotted')
ax.vlines(x=.10, ymin=0, ymax=26, color='black', alpha=1,
          linewidth=1, linestyles='dotted')
ax.vlines(x=.15, ymin=0, ymax=26, color='black', alpha=1,
          linewidth=1, linestyles='dotted')
ax.vlines(x=.20, ymin=0, ymax=26, color='black', alpha=1,
          linewidth=1, linestyles='dotted')

# 绘制 2013 年和 2014 年的点
# 使用散点图绘制 2013 年和 2014 年的数据点
ax.scatter(y=df['index'], x=df['pct_2013'], s=50, color='#0e668b',
           alpha=0.7, label='2013')  # 绘制 2013 年数据点
ax.scatter(y=df['index'], x=df['pct_2014'], s=50, color='#a3c4dc',
           alpha=0.7, label='2014')  # 绘制 2014 年数据点

# 绘制线段
# 使用for循环遍历DataFrame的每一行，并绘制相应的线段
for i, p1, p2 in zip(df['index'], df['pct_2013'], df['pct_2014']):
    newline([p1, i], [p2, i])  # 调用函数绘制线段

# 图形修饰
# 设置图形的背景颜色和标题
ax.set_facecolor('#f7f7f7')
ax.set_title("Dumbbell Chart:Pct Change-2013 vs 2014",
             fontdict={'size': 16})  # 设置标题
ax.set(xlim=(0, .25), ylim=(-1, 27), ylabel='Index',
       xlabel='Percentage')  # 设置坐标轴的范围和标签
ax.set_xticks([.05, .1, .15, .20])  # 设置x轴刻度位置
ax.set_xticklabels(['5%', '10%', '15%', '20%'])  # 设置x轴刻度标签
ax.legend()  # 显示图例

# 保存图片时自动调整边界
plt.savefig('P115哑铃图2.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

包点图1

import pandas as pd
import matplotlib.pyplot as plt

df_raw = pd.read_csv(r"E:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv")  # 读取数据

# 按制造商分组，并计算每个制造商的平均城市里程
df = df_raw[['cty', 'manufacturer']].groupby('manufacturer').apply(
    lambda x: x.mean())

# 按城市里程排序数据
df.sort_values('cty', inplace=True)
df.reset_index(inplace=True)

fig, ax = plt.subplots(figsize=(8, 5), dpi=600)  # 绘图

# 使用hlines绘制水平线条，代表每个制造商
ax.hlines(y=df.index, xmin=11, xmax=26, color='gray', alpha=0.7,
          linewidth=1, linestyles='dashdot')

# 使用scatter绘制点，点的位置表示城市里程
ax.scatter(y=df.index, x=df.cty, s=75, color='firebrick', alpha=0.7)

# 设置标题、标签、刻度和x轴范围
ax.set_title('Dot Plot for Highway Mileage',
             fontdict={'size': 16})  # 设置标题
ax.set_xlabel('Miles Per Gallon')  # 设置横轴标签
ax.set_yticks(df.index)  # 设置纵轴刻度
ax.set_yticklabels(df.manufacturer.str.title(), fontdict={
    'horizontalalignment': 'right'})  # 设置纵轴标签
ax.set_xlim(10, 27)  # 设置x轴范围

# 保存图片时自动调整边界
plt.savefig('P117包点图1.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

包点图2

# 导入必要的库
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv(r"E:\PythonProjects\experiments_figures\绘图案例数据\mtcars1.csv")  # 读取数据

# 提取'mpg'列作为x变量，并计算其标准化值
x = df.loc[:, ['mpg']]
df['mpg_z'] = (x - x.mean()) / x.std()

# 根据'mpg_z'列的值确定颜色
df['colors'] = ['red' if x < 0 else 'darkgreen' for x in df['mpg_z']]

df.sort_values('mpg_z', inplace=True)  # 根据'mpg_z'列的值对数据进行排序
df.reset_index(inplace=True)  # 重置索引

# 绘制图形
plt.figure(figsize=(14, 12), dpi=600)
plt.scatter(df.mpg_z, df.index, s=450, alpha=0.6, color=df.colors)

# 在每个点上添加'mpg_z'的值作为标签
for x, y, tex in zip(df.mpg_z, df.index, df.mpg_z):
    t = plt.text(x, y, round(tex, 1),
                 horizontalalignment='center',
                 verticalalignment='center',
                 fontdict={'color': 'white'})

# 轻化边框
plt.gca().spines["top"].set_alpha(0.3)
plt.gca().spines["bottom"].set_alpha(0.3)
plt.gca().spines["right"].set_alpha(0.3)
plt.gca().spines["left"].set_alpha(0.3)

plt.yticks(df.index, df.cars)  # 设置y轴刻度标签
plt.title('Diverging Dotplot of Car Mileage',
          fontdict={'size': 20})  # 设置标题
plt.xlabel('$Mileage$')  # 设置x轴标签
plt.grid(linestyle='--', alpha=0.5)  # 添加网格线
plt.xlim(-2.5, 2.5)  # 设置x轴范围

# 保存图片时自动调整边界
plt.savefig('P119包点图2.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

雷达图1

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 设置数据
df = pd.DataFrame({'group': ['A', 'B', 'C', 'D', 'E'],  # 五组数据
                   'var1': [38, 1.5, 30, 4, 29], 'var2': [29, 10, 9, 34, 18],
                   'var3': [8, 39, 23, 24, 19], 'var4': [7, 31, 33, 14, 33],
                   'var5': [28, 15, 32, 14, 22]})  # 每组数据的变量

# 获取变量列表
categories = list(df.columns[1:])
N = len(categories)

# 通过复制第1个值来闭合雷达图
values = df.loc[0].drop('group').values.flatten().tolist()
values += values[:1]
# 计算每个变量的角度
angles = [n / float(N) * 2 * np.pi for n in range(N)]
angles += angles[:1]

# 初始化雷达图
fig, ax = plt.subplots(figsize=(4, 4), subplot_kw=dict(polar=True))
# 绘制每个变量的轴，并添加标签
plt.xticks(angles[:-1], categories, color='grey', size=8)

# 添加y轴标签
ax.set_rlabel_position(0)
plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
plt.ylim(0, 40)

ax.plot(angles, values, linewidth=1, linestyle='solid')  # 绘制数据
ax.fill(angles, values, 'b', alpha=0.1)  # 填充区域

# 保存图片时自动调整边界
plt.savefig('P120雷达图1.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

雷达图2

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 设置数据
df = pd.DataFrame({'group': ['A', 'B', 'C', 'D', 'E'],  # 五组数据
                   'var1': [38, 1.5, 30, 4, 29], 'var2': [29, 10, 9, 34, 18],
                   'var3': [8, 39, 23, 24, 19], 'var4': [7, 31, 33, 14, 33],
                   'var5': [28, 15, 32, 14, 22]})  # 每组数据的变量

# ------- 第一部分:创建背景
categories = list(df)[1:]  # 列出除了'group'列之外的所有列名
N = len(categories)  # 变量的数量

# 计算每个轴在图中的角度（将图分成等份，每个变量对应一个角度）
angles = [n / float(N) * 2 * 3.14 for n in range(N)]  # 计算角度
angles += angles[:1]  # 为了闭合图形，将第1个角度再次添加到列表末尾

# 初始化雷达图
ax = plt.subplot(111, polar=True)
# 第1个轴在图的顶部
ax.set_theta_offset(3.14 / 2)
ax.set_theta_direction(-1)

# 为每个变量添加标签
plt.xticks(angles[:-1], categories)  # 设置x轴标签

# 添加y轴标签
ax.set_rlabel_position(0)
plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)  # 设置y轴刻度
plt.ylim(0, 40)  # 设置y轴范围

# ------- 第二部分:添加绘图
# 绘制第1个个体
values = df.loc[0].drop('group').values.flatten().tolist()  # 获取第一组的值
values += values[:1]  # 为了闭合图形，将第1个值再次添加到列表末尾
ax.plot(angles, values, linewidth=1, linestyle='solid',
        label="group A")  # 绘制线条
ax.fill(angles, values, 'b', alpha=0.1)  # 填充颜色

# 绘制第2个个体
values = df.loc[1].drop('group').values.flatten().tolist()  # 获取第二组的值
values += values[:1]  # 为了闭合图形，将第1个值再次添加到列表末尾
ax.plot(angles, values, linewidth=1, linestyle='solid',
        label="group B")  # 绘制线条
ax.fill(angles, values, 'r', alpha=0.1)  # 填充颜色
plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))  # 添加图例

# 保存图片时自动调整边界
plt.savefig('P122雷达图2.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()

交互式雷达图

import matplotlib.pyplot as plt
import pandas as pd
# 设置数据
df = pd.DataFrame({'group': ['A', 'B', 'C', 'D'],
                   'var1': [38, 1.5, 30, 4], 'var2': [29, 10, 9, 34],
                   'var3': [8, 39, 23, 24], 'var4': [7, 31, 33, 14],
                   'var5': [28, 15, 32, 14]})
# ------- 第一部分:定义一个函数来绘制数据集中的每一行！
def make_spider(row, title, color):
    # 变量的数量
    categories = list(df)[1:]
    N = len(categories)
    # 计算每个轴在图中的角度
    angles = [n / float(N) * 2 * 3.14 for n in range(N)]
    angles += angles[:1]
    ax = plt.subplot(1, 4, row + 1, polar=True)  # 初始化雷达图
    # 如果希望第1个轴在顶部：
    ax.set_theta_offset(3.14 / 2)
    ax.set_theta_direction(-1)
    # 为每个变量添加标签
    plt.xticks(angles[:-1], categories, color='grey', size=8)
    # 添加y轴标签
    ax.set_rlabel_position(0)
    plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
    plt.ylim(0, 40)
    # 绘制数据
    values = df.loc[row].drop('group').values.flatten().tolist()
    values += values[:1]
    ax.plot(angles, values, color=color, linewidth=2, linestyle='solid')
    ax.fill(angles, values, color=color, alpha=0.4)

    plt.title(title, size=11, color=color, y=1.1)  # 添加标题


# ------- 第二部分:将函数应用到所有数据
# 初始化图形
my_dpi = 96
plt.figure(figsize=(1000 / my_dpi, 1000 / my_dpi), dpi=my_dpi)

my_palette = plt.colormaps.get_cmap("Set2")  # 创建颜色调色板

# 循环绘制雷达图
for row in range(0, len(df.index)):
    make_spider(row=row, title='group ' + df['group'][row],
                color=my_palette(row))

# 保存图片时自动调整边界
plt.savefig('P123交互式雷达图.png', dpi=600, bbox_inches='tight', transparent=True)
plt.show()