结合 NumPy 和 Matplotlib 进行数据可视化的十种创意-51CTO.COM

大家好！今天我们要聊的是如何使用 NumPy 和 Matplotlib 来进行数据可视化。这两个库是 Python 中处理数值数据和绘图的强大工具。NumPy 让我们可以高效地处理数组数据，而 Matplotlib 则提供了丰富的图表绘制功能。

1. 基础数据类型可视化

首先，让我们从最基础的数据类型开始。NumPy 可以创建各种类型的数组。Matplotlib 可以将这些数组转化为直观的图表。

import numpy as np
import matplotlib.pyplot as plt

# 创建一个简单的数组
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 使用 Matplotlib 绘制图形
plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

这段代码生成了一个简单的正弦波形图。np.linspace 函数用于生成等差数列，np.sin 用于计算正弦值。plt.plot 函数绘制曲线，plt.title, plt.xlabel, plt.ylabel 设置图表标题和轴标签。

2. 多重数据系列可视化

接下来，让我们尝试同时绘制多个数据系列。这在比较不同数据集时非常有用。

# 创建两个不同的数据系列
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 绘制两个数据系列
plt.plot(x, y1, label='sin(x)')
plt.plot(x, y2, label='cos(x)')
plt.legend()  # 显示图例
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

这里，我们增加了 plt.legend() 函数，它会根据 label 参数自动添加图例。这样就可以区分不同的数据系列了。

3. 散点图可视化

散点图非常适合显示离散数据之间的关系。例如，我们可以用它来表示两个变量之间的相关性。

# 创建随机数据
x = np.random.randn(100)
y = np.random.randn(100)

# 绘制散点图
plt.scatter(x, y)
plt.title('Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

np.random.randn 生成标准正态分布的随机数。plt.scatter 用于绘制散点图。

4. 直方图可视化

直方图可以用来展示数据的分布情况。这对于分析数据频率非常有帮助。

# 创建随机数据
data = np.random.randn(1000)

# 绘制直方图
plt.hist(data, bins=30, alpha=0.7)
plt.title('Histogram')
plt.xlabel('Value')
plt.ylabel('Frequency')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.

plt.hist 用于绘制直方图，bins 参数指定直方图的柱子数量，alpha 参数设置透明度。

5. 等高线图可视化

等高线图适用于展示二维函数的等值线。这在地理信息系统中很常见。

# 创建网格数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sqrt(X**2 + Y**2)

# 绘制等高线图
plt.contourf(X, Y, Z, 20, cmap='viridis')
plt.colorbar()
plt.title('Contour Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.

np.meshgrid 用于创建网格数据，plt.contourf 绘制等高线图，cmap 参数设置颜色映射。

6. 热力图可视化

热力图常用于展示二维数据矩阵，非常适合展示数据的相关性或密度。

# 创建一个随机的二维数据矩阵
data = np.random.rand(10, 10)

# 绘制热力图
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.title('Heatmap')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

plt.imshow 用于绘制热力图，cmap 参数设置颜色映射，interpolation 参数设置插值方法。

7. 饼图可视化

饼图用于展示各个部分占总体的比例，非常适合展示分类数据。

# 创建分类数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
plt.title('Pie Chart')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.

plt.pie 用于绘制饼图，autopct 参数用于显示百分比，startangle 参数设置起始角度。

8. 箱线图可视化

箱线图用于展示数据的分布情况，特别是四分位数和异常值。

# 创建随机数据
data = np.random.randn(100)

# 绘制箱线图
plt.boxplot(data)
plt.title('Box Plot')
plt.ylabel('Value')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.

plt.boxplot 用于绘制箱线图，它可以清晰地展示数据的中位数、四分位数和异常值。

9. 三维可视化

Matplotlib 还支持三维可视化，这对于展示多维数据非常有用。

from mpl_toolkits.mplot3d import Axes3D

# 创建三维数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 创建三维图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis')

ax.set_title('3D Surface Plot')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')
ax.set_zlabel('Z-axis')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.

mpl_toolkits.mplot3d 模块提供了三维绘图功能，plot_surface 用于绘制三维表面图。

10. 动态可视化

动态可视化可以展示数据随时间的变化，非常适合展示时间序列数据。

import matplotlib.animation as animation

# 创建数据
x = np.linspace(0, 10, 100)
y = np.sin(x)

# 创建图形对象
fig, ax = plt.subplots()
line, = ax.plot(x, y)

# 更新函数
def update(frame):
    line.set_ydata(np.sin(x + frame / 10.0))
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=100, interval=50)
plt.title('Dynamic Sine Wave')
plt.xlabel('Time')
plt.ylabel('Amplitude')
plt.show()1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.

matplotlib.animation 模块提供了动画功能，FuncAnimation 用于创建动画，update 函数定义每一帧的更新逻辑。

实战案例：股票价格走势分析

假设我们有一个包含某股票每日收盘价的数据集，我们想要分析其价格走势并预测未来趋势。

import pandas as pd
import yfinance as yf

# 下载股票数据
ticker = 'AAPL'
data = yf.download(ticker, start='2022-01-01', end='2023-01-01')

# 绘制股票价格走势图
plt.figure(figsize=(12, 6))
plt.plot(data['Close'], label='Close Price')
plt.title(f'{ticker} Stock Price')
plt.xlabel('Date')
plt.ylabel('Price (USD)')
plt.legend()
plt.show()

# 计算移动平均线
data['MA50'] = data['Close'].rolling(window=50).mean()
data['MA200'] = data['Close'].rolling(window=200).mean()

# 绘制移动平均线
plt.figure(figsize=(12, 6))
plt.plot(data['Close'], label='Close Price')
plt.plot(data['MA50'], label='50-Day MA')
plt.plot(data['MA200'], label='200-Day MA')
plt.title(f'{ticker} Stock Price with Moving Averages')
plt.xlabel('Date')
plt.ylabel('Price (USD)')
plt.legend()
plt.show()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.

在这个案例中，我们使用 yfinance 库下载了苹果公司（AAPL）的股票数据，并绘制了收盘价走势图。接着，我们计算了 50 日和 200 日的移动平均线，并将其与收盘价一起绘制，以便观察价格趋势。

通过上述示例，我们已经看到了 NumPy 和 Matplotlib 在数据可视化中的强大能力。无论是简单的正弦波形还是复杂的等高线图，都能轻松实现。希望这些基础示例能够帮助大家更好地理解和应用这两个库。下一期我们继续探索更多有趣的应用！