Fork me on GitHub

matplotlib绘图技巧

Posted on | In , |
Words count in article: 2k | Reading time ≈ 9

Matplotlib是一个非常经典的绘图库，甚至有人将numpy+pandas+matplotlib称之为数据分析三剑客，足以说明这个库的重要性。虽然Peter钟情于Plotly，但掌握Matplotlib绘制技巧也非常重要。

基于Matplotlib的绘图技巧太多了，想深入学习的小伙伴建议直接官网：https://matplotlib.org/。

从本文中你将学习到以下下面几点：

  • 基本图形绘制：折线图、柱状图、直方图、双轴线图等
  • 绘制小技巧：添加图例、标题、注释、颜色等
  • 实战：股票趋势图和K线图制作

导入库

一般绘图的时候需要导入常见的库；在使用matplotlib绘制的时候还需要解决中文的问题

1
2
3
4
5
6
7
8
9
10
import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
%matplotlib inline

# 用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决负号“-”显示为
plt.rcParams['axes.unicode_minus'] = False

折线图

1
2
3
4
5
x = [2,3,4]
y = [4,6,8]

plt.plot(x,y)
plt.show()

多折线图

1
2
3
4
5
6
7
8
9
# 默认参数
x1 = np.array([1,3,5])
y1 = x1 + 4
plt.plot(x1,y1)

# 第二条红线
y2 = x1 * 2
plt.plot(x1,y2,color="red",linewidth=3,linestyle="--")
plt.show()

柱状图

1
2
3
4
5
x = [2,3,4,5,6]
y = [4,6,8,10,12]

plt.bar(x,y)
plt.show()

散点图

1
2
3
4
5
x = np.random.rand(20)  # 0-1之间的20个随机数
y = np.random.rand(20)

plt.scatter(x,y)
plt.show()

直方图

1
2
3
4
5
# 随机生成1000个服从正态分布的数据，均值为0，标准差为1
data = np.random.randn(1000)

plt.hist(data, bins=40, edgecolor="black")
plt.show()

频率直方图

主要是y轴发生了变化，全部是小数表示的

1
2
3
4
5
data = np.random.randn(1000)

# 区别：加上参数density=1
plt.hist(data, bins=40, density=1, edgecolor="black")
plt.show()

绘图技巧

技巧1：设置大小

1
2
3
4
5
6
7
8
x = [2,3,4]
y = [4,6,8]

plt.plot(x,y)
#设置大小  8代表800像素
plt.rcParams["figure.figsize"] = (8,6)

plt.show()

添加文字说明

文字说明包含标题、轴标签等

1
2
3
4
5
6
7
8
9
10
x = [2,3,4]
y = [4,6,8]

plt.plot(x,y)
# 添加标题和轴名称
plt.title("Title")
plt.xlabel("x axis")
plt.ylabel("y axis")

plt.show()

修改线条样式

1
2
3
4
5
6
7
8
9
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
x=np.arange(1,8)

plt.plot(x,marker='>')
plt.plot(x+4,marker='+')
plt.plot(x*2,marker='o')
plt.show()

添加注释

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False

x=[1, 2, 3, 4]
y=[1, 4, 9, 16]

plt.plot(x,y)
plt.xlabel('x坐标轴')
plt.ylabel('y坐标轴')
plt.title('标题')

# 添加注释
plt.annotate('我是注释',
             xy=(2,5),
             xytext=(2, 10),
            arrowprops=dict(facecolor='black',
                            shrink=0.01),
            )

plt.show()

添加图例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 第一条
x1 = np.array([1,3,5])
y1 = x1 + 4
plt.plot(x1,y1,label="y=x+4 ")

# 第二条红线
y2 = x1 * 2
plt.plot(x1,y2,
         color="red",
         linewidth=3,
         linestyle="--",
         label="y=x*2")

# 设定位置
plt.legend(loc='upper left')
plt.show()

调整颜色

1
2
3
4
5
6
7
8
9
10
11
12
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

x=np.arange(1,8)

#颜色的多种写法
plt.plot(x,color='r')  # r表示red  g表示green  b表示blue
plt.plot(x+1,color='0.5')
plt.plot(x+2,color='#AF00FF')
plt.plot(x+3,color=(0.1,0.2,0.3))
plt.show()

设置双轴

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
# 1
x1 = np.array([1,3,5])
y1 = 50*x1 + 14
plt.plot(x1,y1,label="y=50 * x + 4 ")
plt.legend(loc='upper right') # 图例位置

# 重要代码：设置双轴
plt.twinx()

# 2
y2 = -x1 * 20 + 3
plt.plot(x1,y2,color="red",
         linewidth=3,
         linestyle="--",
         label="y=-x * 20 + 3")
plt.legend(loc='upper left')

plt.show()

旋转轴刻度

当某个轴的刻度值过长的时候，我们可以通过旋转的方式进行显示

1
2
3
4
5
6
7
x = ["Monday","Thursday","Wednesday"]
y = [4,6,8]

plt.plot(x,y)
plt.xticks(rotation=45)

plt.show()

绘制多图-方法1

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
import matplotlib.pyplot as plt

# 绘制第1张子图：折线图
ax1 = plt.subplot(221)
plt.plot([1, 2, 3], [2, 4, 6])

# 绘制第2张子图：柱形图
ax2 = plt.subplot(222)
plt.bar([1, 2, 3], [2, 4, 6])

# 绘制第3张子图：散点图
ax3 = plt.subplot(223)
plt.scatter([1, 3, 5], [7, 9, 11])

# 绘制第4张子图：直方图
ax4 = plt.subplot(224)
plt.hist([2, 5, 2, 8, 4])

plt.show()

绘制多图-方法2

subplots函数主要是两个参数：nrows表示行数，ncols表示列数；同时设置大小figsize。

函数返回的是画布fig和子图合集axes

1
2
3
4
5
6
7
8
9
10
11
fig, axes = plt.subplots(nrows=2, ncols=2,figsize=(10,6))

# flatten表示将子图合集展开，得到每个子图
ax1,ax2,ax3,ax4 = axes.flatten()

ax1.plot([1, 2, 3], [2, 4, 6])
ax2.bar([1, 2, 3], [2, 4, 6])
ax3.scatter([1, 3, 5], [7, 9, 11])
ax4.hist([2, 5, 2, 8, 4])

plt.show()

实战：绘制股票趋势图

我们从Tushare官网来获取股票的数据，首先安装：

1
pip install tushare

获取数据

1
2
3
4
import tushare as ts

df = ts.get_k_data("000001",start="2020-05-08",end="2020-08-08")
df

为了方便后续的绘图，需要将日期date字段改成索引：

1
2
# 将日期设置成索引
df1 = df.set_index("date")

默认绘图

我们使用收盘价close来绘制默认的图形

1
2
3
fig = df1["close"].plot()

plt.show()

添加标题

1
2
3
# Pandas直接绘图
fig = df["close"].plot(title="PingAn")
plt.show()

上面是使用Pandas内置的折线图方法来绘制，下面使用Matplobtlib来绘制：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
# 使用Matplotlib绘图

# 获取数据
# import tushare as ts
# df = ts.get_k_data("000001",start="2018-08-08",end="2020-08-08")

# 调整时间
from datetime import datetime
df["date"] = df["date"].apply(lambda x:datetime.strptime(x,"%Y-%m-%d"))

# 绘制折线图
import matplotlib.pyplot as plt
%matplotlib inline

plt.plot(df["date"],df["close"])
# 标题
plt.title("PingAn")
# 旋转
plt.xticks(rotation=-45)
plt.show()

实战进阶：绘制K线图

首先，我们了解一点基本的股票知识：股市的涨跌对K线图的影响

安装库

为了绘制k线图，我们需要安装一个库：

1
2
#安装库mpl_finance
pip install mpl_finance

获取代码

1
2
df = ts.get_k_data("000001",start="2020-09-08",end="2021-03-08")
df.head()

  • date：日期
  • open：开盘价
  • close：收盘价
  • high：最高价
  • low：最低价
  • volume：成交量
  • code：股票代码

日期格式转化

定义一个将字符串形式的日期转成数字型的函数：

1
2
3
4
5
6
7
8
9
10
11
12
from matplotlib.pylab import date2num
import datetime

def date_to_number(dates):
    number_time = []
    for date in dates:
        # 字符串转时间戳格式
        date_time = datetime.datetime.strptime(date,"%Y-%m-%d")
        # 时间戳格式转成数字格式
        number_date = date2num(date_time)
        number_time.append(number_date)
    return number_time

下面进行的操作是取出上面数据中的values部分并转成numpy；同时调用上面的函数：

1
2
3
4
5
# DataFrame转成numpy数组格式
df1 = df.values

# 将二维数组的日期转成数字（使用上面的函数）
df1[:,0] = date_to_number(df1[:,0])

绘制K线图

1
2
3
4
5
6
7
8
9
10
11
fig, ax = plt.subplots(figsize=(15,6))

mpf.candlestick_ochl(ax, # 绘图Axes的实例，画布中的子图
                     df1,  # 带绘图的数据
                     width=0.5,  # K线柱形的宽度
                     colorup="red",  # 收盘价>开盘价
                     colordown="green",  # 收盘价<开盘价
                     alpha=5)  # 柱子的透明度

plt.grid(True)  # 显示网格线
ax.xaxis_date() # 将x轴设置成常规的日期格式

添加均线

下面的代码是添加5日和20日的均线数据：

绘制均线图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
fig, ax = plt.subplots(figsize=(15,6))

mpf.candlestick_ochl(ax, # 绘图Axes的实例，画布中的子图
                     df1,  # 带绘图的数据
                     width=0.5,  # K线柱形的宽度
                     colorup="red",  # 收盘价>开盘价
                     colordown="green",  # 收盘价<开盘价
                     alpha=5)  # 柱子的透明度

# 添加均线
plt.plot(df1[:,0],df["MA5"], c="black")
plt.plot(df1[:,0],df["MA20"])

plt.grid(True)  # 显示网格线
ax.xaxis_date() # 将x轴设置成常规的日期格式

# 添加标题
plt.title("PingAn")
plt.xlabel("date")
plt.ylabel("Price")
plt.show()

添加成交量

我们将K线图放在第一个子图位置，将成交量放在第二个位置即可：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

# 画布、子图、共享x轴
fig, ax = plt.subplots(2,1,sharex=True,figsize=(15,6))

ax1,ax2 = ax.flatten()

# 第一个图
mpf.candlestick_ochl(ax1, # 绘图Axes的实例，画布中的子图
                     df1,  # 带绘图的数据
                     width=0.5,  # K线柱形的宽度
                     colorup="red",  # 收盘价>开盘价
                     colordown="green",  # 收盘价<开盘价
                     alpha=5)  # 柱子的透明度

# 添加均线
ax1.plot(df1[:,0],df["MA5"], c="black")
ax1.plot(df1[:,0],df["MA20"])

# 显示网格线
ax1.grid(True)
# 将x轴设置成常规的日期格式
ax1.xaxis_date()
# 添加标题、轴名称等
ax1.set_title("平安股价走势图")
ax1.set_xlabel("时间")
ax1.set_ylabel("价格")
# --------------------------

# 第2个子图
ax2.bar(df1[:,0],df1[:,5])
ax2.set_xlabel("时间")
ax2.set_ylabel("成交量")  # 成交量
ax2.grid(True)
ax2.xaxis_date()

plt.show()

本文标题:matplotlib绘图技巧

发布时间:2021年12月14日 - 17:12

原始链接:http://www.renpeter.cn/2021/12/14/matplotlib%E7%BB%98%E5%9B%BE%E6%8A%80%E5%B7%A7.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Coffee or Tea