第2章 使用 matplotlib 绘制简单图表

折线图用于展示数据随时间或有序变量的变化趋势。使用 pyplot 的 plot() 函数可快速绘制折线图，也可以在同一个坐标系中绘制多条线，通过颜色、线型加以区分。

import numpy as np
plt.plot(x, y)                       # 单条折线
plt.plot(x, y1, x, y2)               # 多条折线

实例1：未来15天最高气温和最低气温 —— 根据北京市未来 15 天的天气数据，以日期为 x 轴、最高/最低气温为 y 轴，绘制两条折线对比昼夜温差变化。

柱形图用于比较各类别数据的大小。使用 pyplot 的 bar() 函数可绘制柱形图；通过 width 控制柱宽、color/edgecolor 控制填充与边框颜色，通过给 bottom 参数传值可实现堆积柱形图，给 xerr / yerr 传值可为柱形添加误差棒。

plt.bar(x, height, width=0.5, color='m', edgecolor='k')
plt.bar(x, y2, bottom=y1)            # 堆积柱形图

实例2：2013~2019 财年阿里巴巴淘宝和天猫平台的 GMV —— 以财年为 x 轴、GMV（亿元）为 y 轴，柱宽取 0.5，绘制柱形图展示平台成交总额逐年高速增长。

条形图是横向的柱形图，类别名称较长时更适合展示。使用 pyplot 的 barh() 函数可绘制条形图；通过 height 控制条形高度，通过 left 参数传值可绘制堆积条形图，同样支持 xerr / yerr 误差棒。

plt.barh(y, width, height=0.3, color='c')
plt.barh(y, y2, left=y1)             # 堆积条形图

实例3：各商品种类的网购替代率 —— 网购替代率指网民计划购买的商品中实际在线上购买的比例。以商品种类为 y 轴刻度标签、替代率为 x 轴数据，绘制条形图（部分数据如下）。

堆积面积图将多个数据系列层叠显示，既能观察单个系列的变化，又能反映整体总量。使用 pyplot 的 stackplot() 函数可快速绘制，labels 指定图例、baseline 指定基线。

plt.stackplot(x, y1, y2, y3, labels=('A公司','B公司','C公司'))

实例4：物流公司物流费用统计 —— 将月份作为 x 轴刻度标签，A、B、C 三家物流公司的月度物流费用（万元）作为 y 轴数据，绘制堆积面积图对比全年费用规模。

直方图用于展示数据的分布特征：将数据划分为若干区间，统计落入各区间的频数（或频率）。使用 pyplot 的 hist() 函数可快速绘制，bins 指定区间数量、range 指定范围、density 决定绘制频数还是频率。

plt.hist(x, bins=10, density=True)

实例5：人脸识别的灰度直方图 —— 在人脸识别中，灰度直方图刻画图像灰度值的分布。使用一组 10000 个服从标准正态分布的随机数模拟人脸图像灰度值，绘制直方图。

饼图用扇形面积表示各部分占整体的比例。使用 pyplot 的 pie() 函数可绘制饼图或圆环图：explode 控制扇形离开圆心的距离，autopct 显示百分比，shadow 显示阴影，startangle 设置起始角度，wedgeprops 传宽度可制成圆环图。

plt.pie(x, explode=explode, autopct='%3.1f%%',
        shadow=True, startangle=90)

实例6：支付宝月账单报告 —— 用户 A 某月使用支付宝消费共 3000 元，将各分类消费金额占总支出的比例绘制成饼图，直观看出"吃喝"占大头。

散点图用点在坐标系中的位置展示两个变量之间的关系，适合观察相关性；当点的大小再映射一个变量时即为气泡图。使用 pyplot 的 scatter() 函数绘制，s 控制点/气泡大小，c 控制颜色。

plt.scatter(x, y, s=area, c=colors)

实例7：汽车速度与制动距离的关系 —— 以车速（km/h）为 x 轴、制动距离（m）为 y 轴，绘制散点图。点的分布近似一条上翘的曲线，说明车速越快，制动距离非线性地急剧增长。

箱形图（箱线图）用"五数"——最小值、下四分位数 Q1、中位数、上四分位数 Q3、最大值来展示数据的统计分布与离群值。使用 pyplot 的 boxplot() 函数绘制，notch 凹槽显示、sym 异常点样式、whis 须长、patch_artist 允许填充颜色。

plt.boxplot(data, meanline=True, widths=0.3,
            patch_artist=True, showfliers=False)

实例8：2017 年和 2018 年全国发电量统计 —— 将 2017、2018 两年各 12 个月的发电量（亿千瓦·时）分别作为箱形图的数据，比较两年的发电量水平与波动。

雷达图在极坐标系上以多个维度评价对象，每名用户在每个维度上的得分连成一个多边形，适合多维能力/偏好对比。使用 pyplot 的 polar() 函数绘制，theta 为角度、r 为半径。

plt.polar(theta, r)                  # theta: 角度, r: 数值

实例9：霍兰德职业兴趣测试 —— 6 名用户在研究型、艺术型、社会型、企业型、传统型、现实型 6 个维度的测试得分，绘制雷达图比较不同用户的职业兴趣倾向。

误差棒图在数据点上叠加一段"误差"范围，反映测量值或统计值的波动与不确定度。使用 pyplot 的 errorbar() 函数绘制，yerr / xerr 指定误差，fmt 指定点线格式，capsize / capthick 设置端帽大小与粗细。

plt.errorbar(x, y, yerr=y_offset,
             capsize=3, capthick=2)

实例10：4 个树种不同季节的细根生物量 —— 以季节为 x 轴刻度标签，马尾松、樟树、杉木、桂花 4 个树种在春、夏、秋三季的细根生物量（均值 ± 标准差）绘制误差棒图。