Python如何利用matplotlib画出漂亮的分析图表呢？下面给大家解答

　　小编写这篇文章的一个主要目的，主要是给大家讲解Python事宜，主要是利用Python中的matplotlib去做数据分析表，当我们把数据分析表做出来之后，怎么才能做的够漂亮一些呢？下面就给大家详细解答下。

　　前言

　　作为一名优秀的分析师，还是得学会一些让图表漂亮的技巧，这样子拿出去才更加有面子哈哈。好了，今天的锦囊就是介绍一下各种常见的图表，可以怎么来画吧。

　　数据集引入

　　首先引入数据集，我们还用一样的数据集吧，分别是Salary_Ranges_by_Job_Classification以及GlobalLandTemperaturesByCity。（具体数据集可以后台回复plot获取）

　　#导入一些常用包
　　import pandas as pd
　　import numpy as np
　　import seaborn as sns
　　%matplotlib inline
　　import matplotlib.pyplot as plt
　　import matplotlib as mpl
　　plt.style.use('fivethirtyeight')
　　#解决中文显示问题，Mac
　　from matplotlib.font_manager import FontProperties
　　#查看本机plt的有效style
　　print(plt.style.available)
　　#根据本机available的style，选择其中一个，因为之前知道ggplot很好看，所以我选择了它
　　mpl.style.use(['ggplot'])
　　#['_classic_test','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']
　　#数据集导入
　　#引入第1个数据集Salary_Ranges_by_Job_Classification
　　salary_ranges=pd.read_csv('./data/Salary_Ranges_by_Job_Classification.csv')
　　#引入第2个数据集GlobalLandTemperaturesByCity
　　climate=pd.read_csv('./data/GlobalLandTemperaturesByCity.csv')
　　#移除缺失值
　　climate.dropna(axis=0,inplace=True)
　　#只看中国
　　#日期转换,将dt转换为日期，取年份,注意map的用法
　　climate['dt']=pd.to_datetime(climate['dt'])
　　climate['year']=climate['dt'].map(lambda value:value.year)
　　climate_sub_china=climate.loc[climate['Country']=='China']
　　climate_sub_china['Century']=climate_sub_china['year'].map(lambda x:int(x/100+1))
　　climate.head()

      折线图

　　折线图是比较简单的图表了，也没有什么好优化的，颜色看起来顺眼就好了。下面是从网上找到了颜色表，可以从中挑选～

　　#选择上海部分天气数据

　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df1.head()

　　#折线图
　　df1.plot(colors=['lime'])
　　plt.title('AverageTemperature Of ShangHai')
　　plt.ylabel('Number of immigrants')
　　plt.xlabel('Years')
　　plt.show()

　　上面这是单条折线图，多条折线图也是可以画的，只需要多增加几列。

　　#多条折线图
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'TJ'})
　　df3=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})
　　#合并
　　df123=df1.merge(df2,how='inner',on=['dt'])
　　.merge(df3,how='inner',on=['dt'])
　　.set_index(['dt'])
　　df123.head()

　　#多条折线图

　　df123.plot()
　　plt.title('AverageTemperature Of 3 City')
　　plt.ylabel('Number of immigrants')
　　plt.xlabel('Years')
　　plt.show()

　　饼图

　　接下来是画饼图，我们可以优化的点多了一些，比如说从饼块的分离程度，我们先画一个“低配版”的饼图。

　　df1=salary_ranges.groupby('SetID',axis=0).sum()

　　#“低配版”饼图
　　df1['Step'].plot(kind='pie',figsize=(7,7),
　　autopct='%1.1f%%',
　　shadow=True)
　　plt.axis('equal')
　　plt.show()

　　#“高配版”饼图
　　colors=['lightgreen','lightblue']#控制饼图颜色['lightgreen','lightblue','pink','purple','grey','gold']
　　explode=[0,0.2]#控制饼图分离状态，越大越分离
　　df1['Step'].plot(kind='pie',figsize=(7,7),
　　autopct='%1.1f%%',startangle=90,
　　shadow=True,labels=None,pctdistance=1.12,colors=colors,explode=explode)
　　plt.axis('equal')
　　plt.legend(labels=df1.index,loc='upper right',fontsize=14)
　　plt.show()

　　散点图

　　散点图可以优化的地方比较少了，ggplot2的配色都蛮好看的，正所谓style选的好，省很多功夫！

　　#选择上海部分天气数据
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})
　　#合并
　　df12=df1.merge(df2,how='inner',on=['dt'])
　　df12.head()

      #散点图
　　df12.plot(kind='scatter',x='SH',y='SY',figsize=(10,6),color='darkred')
　　plt.title('Average Temperature Between ShangHai-ShenYang')
　　plt.xlabel('ShangHai')
　　plt.ylabel('ShenYang')
　　plt.show()

　　面积图

　　#多条折线图
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'TJ'})
　　df3=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})

　  #合并
　　df123=df1.merge(df2,how='inner',on=['dt'])
　　.merge(df3,how='inner',on=['dt'])
　　.set_index(['dt'])
　　df123.head()
　　colors=['red','pink','blue']#控制饼图颜色['lightgreen','lightblue','pink','purple','grey','gold']
　　df123.plot(kind='area',stacked=False,
　　figsize=(20,10),colors=colors)
　　plt.title('AverageTemperature Of 3 City')
　　plt.ylabel('AverageTemperature')
　　plt.xlabel('Years')
　　plt.show()

　　直方图

　　#选择上海部分天气数据
　　df=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df.head()

　　#最简单的直方图
　　df['AverageTemperature'].plot(kind='hist',figsize=(8,5),colors=['grey'])
　　plt.title('ShangHai AverageTemperature Of 2010-2013')#add a title to the histogram
　　plt.ylabel('Number of month')#add y-label
　　plt.xlabel('AverageTemperature')#add x-label
　　plt.show()

　　条形图

　　#选择上海部分天气数据
　　df=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df.head()
　　
　　df.plot(kind='bar',figsize=(10,6))
　　plt.xlabel('Month')
　　plt.ylabel('AverageTemperature')
　　plt.title('AverageTemperature of shanghai')
　　plt.show()
　　df.plot(kind='barh',figsize=(12,16),color='steelblue')
　　plt.xlabel('AverageTemperature')
　　plt.ylabel('Month')
　　plt.title('AverageTemperature of shanghai')
　　plt.show()

　　综上所述，这篇文章就给大家介绍完毕，希望可以给大家带来帮助。