今天开始琢磨用Python画图，没使用之前是一脸懵的，我使用的开发环境是Pycharm，这个输出的是一行行命令，这个图画在哪里呢？ 搜索之后发现，它会弹出一个对话框，然后就开始画了，比如下图第一个常用的库是Turtle，它是Python语言中一个很流行的绘制图像的函数库，这个词的意思就是乌龟，你可以想象下一个小乌龟在一个x和y轴的平面坐标系里，从原点开始根据指令控制，爬行出来就是绘制的图形了。   它最常用的指令就是旋转和移动，比如画个圆，就是绕着圆心移动；再比如上图这个怎么画呢，其实主要就两个命令： turtle.forward(200) turtle.left(170) 第一个命令是移动200个单位并画出来轨迹 第二个命令是画笔顺时针转170度，注意此时并没有移动，只是转角度 然后呢？ 循环重复就画出来这个图了 好玩吧。 有需要仔细研究的可以看下这篇文章 https://blog.csdn.net/zengxiantao1994/article/details/76588580 ，这个牛人最后用这个库画个移动的钟表，太赞了。Turtle虽好玩，但是我想要的是我给定数据，然后让它画图，这里就找到另一个常用的画图的库了。 Matplotlib是python最著名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地行制图。其中，matplotlib的pyplot模块一般是最常用的，可以方便用户快速绘制二维图表。 使用起来也挺简单， 首先import matplotlib.pyplot as plt 导入画图的图。 然后给定x和y，用这个命令plt.plot(x, y)就能画图了，接着用plt.show()就可以把图形展示出来。 接着就是各种完善，比如加标题，设定x轴和y轴标签，范围，颜色，网格等等，在 https://blog.csdn.net/guoziqing506/article/details/78975150 这篇文章里介绍的很详细。 现在互联网的好处就是你需要什么内容，基本上都能搜索出来，而且还是免费的。我为什么要研究这个呢？当然是为了用，比如我把比特币的曲线自己画出来可好？ 假设现在有个数据csv文件，一列是日期，另一列是比特币的价格，那用这个命令画下： 这两列数据读到pandas中，日期为df['time']列，比特币价格为df['ini']，那我只要使用如下命令 plt.plot(df['time'], df['ini']) plt.show() 就能得到如下图：自己画的是不是很香，哈哈！ 然后呢，我在上篇文章 https://www.jianshu.com/p/d4013d8a73de 中介绍过求Ahr999指数，那可不可以也放到这张图中呢？不就是加一条命令嘛 plt.plot(df['time'], df['Ahr999']) 图形如下：但是，Ahr999指数怎么就一条线不动啊， 原来两个Y轴不一致，显示出来太怪了，需要用多Y轴，问题来了。 继续谷歌一下，把第二个Y轴放右边就行了，不过呢得使用多图，重新绘制 fig = plt.figure() # 多图 ax1 = fig.add_subplot(111) ax1.plot(df['time'], df['ini'], label="BTC price")  # 绘制第一个图比特币价格 ax1.set_ylabel('BTC price') # 加上标签# 第二个直接对称就行了 ax2 = ax1.twinx()# 在右边增加一个Y轴 ax2.plot(df['time'], df['Ahr999'], 'r', label="ahr999")  # 绘制第二个图Ahr999指数，红色 ax2.set_ylim([0, 50])# 设定第二个Y轴范围 ax2.set_ylabel('ahr999')plt.grid(color="k", linestyle=":")# 网格 fig.legend(loc="center")#图例 plt.show() 跑起来看看效果，虽然丑了点，但终于跑通了。这样就可以把所有指数都绘制到一张图中，等等，三个甚至多个Y轴怎么加？这又是一个问题，留给爱思考爱学习的你。 有了自己的数据，建立自己的各个指数，然后再放到图形界面中，同时针对异常情况再自动进行提醒，比如要抄底了，要卖出了，用程序做出自己的晴雨表。

Python有许多可用于绘图的工具，包括Matplotlib、Seaborn、Bokeh和Plotly。其中，Matplotlib是最常用的工具，它可以用于创建各种类型的静态图表。Seaborn和Bokeh提供了更高级的绘图功能，可以用于创建更复杂和动态的图表。Plotly可以用于创建交互式图表，并且可以在网页上嵌入到网站中。

pre{overflow-x: auto}

技巧1: plt.subplots()

技巧2: plt.subplot()

技巧3: plt.tight_layout()

技巧4: plt.suptitle()

数据集：

让我们导入包并更新图表的默认设置，为图表添加一点个人风格。 我们将在提示上使用 Seaborn 的内置数据集：

import seaborn as sns # v0.11.2   import matplotlib.pyplot as plt # v3.4.2   sns.set(style='darkgrid', context='talk', palette='rainbow')df = sns.load\_dataset('tips')   df.head()

技巧1: plt.subplots()

绘制多个子图的一种简单方法是使用 plt.subplots() 。

这是绘制 2 个并排子图的示例语法：

fig, ax = plt.subplots(nrows=1, ncols=2, figsize=(10,4))   sns.histplot(data=df, x='tip', ax=ax[0])   sns.boxplot(data=df, x='tip', ax=ax[1])

在这里，我们在一个图中绘制了两个子图。 我们可以进一步自定义每个子图。

  例如，我们可以像这样为每个子图添加标题：

fig, ax = plt.subplots(1, 2, figsize=(10,4))   sns.histplot(data=df, x='tip', ax=ax[0])   ax[0].set\_title("Histogram")   sns.boxplot(data=df, x='tip', ax=ax[1])   ax[1].set\_title("Boxplot")

在循环中将所有数值变量用同一组图表示：

numerical = df.select\_dtypes('number').columnsfor col in numerical:    fig, ax = plt.subplots(1, 2, figsize=(10,4))    sns.histplot(data=df, x=col, ax=ax[0])    sns.boxplot(data=df, x=col, ax=ax[1]) 技巧2: plt.subplot()

另一种可视化多个图形的方法是使用 plt.subplot()， 末尾没有 s

  语法与之前略有不同：

plt.figure(figsize=(10,4))   ax1 = plt.subplot(1,2,1)   sns.histplot(data=df, x='tip', ax=ax1)   ax2 = plt.subplot(1,2,2)   sns.boxplot(data=df, x='tip', ax=ax2)

当我们想为多个图绘制相同类型的图形并在单个图中查看所有图形，该方法特别有用：

plt.figure(figsize=(14,4))   for i, col in enumerate(numerical):    ax = plt.subplot(1, len(numerical), i+1)    sns.boxplot(data=df, x=col, ax=ax)

我们同样能定制子图形。例如加个 title

plt.figure(figsize=(14,4))   for i, col in enumerate(numerical):    ax = plt.subplot(1, len(numerical), i+1)    sns.boxplot(data=df, x=col, ax=ax)     ax.set\_title(f"Boxplot of {col}")

通过下面的比较，我们能更好的理解它们的相似处与不同处熟悉这两种方法很有用，因为它们可以在不同情况下派上用场。

技巧3: plt.tight_layout()

在绘制多个图形时，经常会看到一些子图的标签在它们的相邻子图上重叠，

如下所示：

categorical = df.select\_dtypes('category').columnsplt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)

顶部两个图表的 x 轴上的变量名称被剪掉，右侧图的 y 轴标签与左侧子图重叠.使用 plt.tight_layout 很方便

plt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)    plt.tight\_layout()

专业 看起来更好了。

技巧4: plt.suptitle()

真个图形添加标题：

plt.figure(figsize=(8, 8))   for i, col in enumerate(categorical):    ax = plt.subplot(2, 2, i+1)    sns.countplot(data=df, x=col, ax=ax)    plt.suptitle('Category counts for all categorical variables')   plt.tight\_layout()

此外，您可以根据自己的喜好自定义各个图。 例如，您仍然可以为每个子图添加标题。

到此这篇关于python绘图 四个绘图技巧的文章就介绍到这了，希望大家以后多多支持！

---