25. matplotlib
Hi, 大家好。我是茶桁。
在上一节课中，我们结束了Python正式的所有内容，但是咱们的Python课程还未结束。从这节课开始，我们要来学习一下Python的第三方库。
Python的生态非常完善也非常活跃，我们不太可能讲目前所有的第三方库全部都介绍一遍，只介绍几个有影响力并且和处理数据相关的。那今天第一Part，我们就先来学习matplotlib。
在之后的课程中，Python的基础理论我就不会细讲了，咱们重点是要快速的认识和学会第三方库。有什么语法上的问题，可以翻看前面几节的教程。
matplotlib是什么？
Matplotlib是一个Python 2D绘图库，它可以在各种平台上以各种硬拷贝格式和交互式环境生成出具有 出版品质的图形。 Matplotlib可用于Python脚本，Python和IPython shell，Jupyter笔记本，Web应用 程序服务器和四个图形用户界面工具包。
Matplotlib试图让简单的事情变得更简单，让无法实现的事情变得可能实现。 只需几行代码即可生成绘图，直方图，功率谱，条形图，错误图，散点图等。
为了简单绘图，pyplot模块提供了类似于MATLAB的界面，特别是与IPython结合使用时。 对于高级用户，您可以通过面向对象的界面或MATLAB用户熟悉的一组函数完全控制线条样式，字体属性，轴属性等。
那么，我们为什么要学习matplotlib呢？
可视化是在整个数据挖掘的关键辅助工具，可以清晰的理解数据，从而调整我们的分析方法。
能将数据进行可视化,更直观的呈现 使数据更加客观、更具说服力
例如下面两个图为数字展示和图形展示：
以上两个图形中，第一组是完全的数据。我们基本很难看出这组数据到底谁大谁小，当然，从位数上我们还是可以比较容易辨认，但是比起第二张图呢？是不是第二张图就非常清晰的展示了数据的大小，一目了然？
那既然我们要学习的是数据可视化，我们首先要做的，必定是要先了解一下常见数据图表，知道其种类和意义。
常见图形种类及意义
我们首先要先了解具体的图形，才能知道我们在什么情况下使用什么图形来表示。
- 折线图：以折线的上升或下降来表示统计数量的增减变化的统计图。特点是：能够显示数据的变化趋势，反映事物的变化情况。(变化)
- 散点图：用两组数据构成多个坐标点，考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。特点是：判断变量之间是否存在数量关联趋势,展示离群点(分布规律)
- 柱状图：排列在工作表的列或行中的数据可以绘制到柱状图中。特点是：绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)
- 直方图：由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围， 纵轴表示分布情况。特点是：绘制连续性的数据展示一组或者多组数据的分布状况(统计)
- 饼图：用于表示不同分类的占比情况，通过弧度大小来对比各种分类。特点是：分类数据的占比情况(占比)。
matplotlib画图实现
首先我们要知道，Python的第三方库几乎全部都需要额外安装才行。我们之前在讲Python环境的时候有提到如何创建虚拟环境以及如何安装第三方库。那我们现在，就来直接安装一下，还记得么？我用的环境是conda， 所以我的安装命令都是使用conda的，不过你将其咱们课程中还是要使用最普遍的方式，所以以下我都会替换成pip。
pip install motplotlib
执行完毕后，motplotlib就安装到您的Python环境内了。
建议在Python环境内安装好Jupyter来进行学习，你会发现简直太方便了。如果是在Jupyter内，那么会在代码执行之后的下方直接显示出结果，而如果我们是使用python xx.py来执行，那Python会调用内部的绘图器来进行显示。
Jupyter for vscode
Python绘图器
当然，你也可以自己在命令行内起一个Jupyter notebook服务，那就可以直接在浏览器上进行操作了。
Jupyter Notebook
当然几种方法中，我还是最推崇在VSCode中进行。毕竟我们还是需要代码提示的。
在正式开始之前，让我们对matplotlib的图像结构建立一个认识：
现在让我们来具体的实现一下，做一个简单的图形：
# 导入模块
import matplotlib.pyplot as plt
# 这段代码会让之后的代码在Jupyter内执行的时候显示图片
%matplotlib inline
# 传入x,y, 通过plot画图
plt.plot([1,0,9],[4,5,6])
# 在执行程序的时候显示图形
plt.show()
在这段代码中，我们使用plot来进行了绘制，x和y分别是plot的两个参数，代表了x轴和y轴。那么这两个轴分别接受了一个列表，那就是有三个点，第一个点是(1,4), 第二个点是(0,5)， 第三个点是(9,6)。最后，我们使用show()函数来进行最终呈现。
绘图折线图
首先，我们来绘制一个折线图，这次我们用变量存储数据的方式：
# 绘制折线图
import matplotlib.pyplot as plt
x = range(1, 8) # x轴的位置
y = [17, 17, 18, 15, 11, 11, 13]
# 传入x,y，plot绘图
plt.plot(x, y)
plt.show()
然后，我们对这个折线图进行一下设置，修改颜色和形状：
# 绘制折线图
import matplotlib.pyplot as plt
x = range(1, 8) # x轴的位置
y = [17, 17, 18, 15, 11, 11, 13]
# 传入x,y，plot绘图
plt.plot(x, y, color='red', alpha=0.5, linestyle='--', linewidth=3)
plt.show()
我们对plot函数传递了几个参数修改了折线的样式，其中color是折线的颜色，alpha是折线的透明度（0-1）， linestyle是折线的样式， linewidth是折线的宽度。
linestyle的几个值分别是：-实线(solid)，这个也是默认值；--短线(dashed)； -.短点相间线(dashdot)； :虚线点(dotted)。
关键点样式
让我们接着进行修改这段折线样式：
...
# 传入x,y，plot绘图
plt.plot(x, y, color='red', alpha=0.5, linestyle='--', linewidth=3, marker='o')
plt.show()
我们这次只增加了一个参数，很明显，marker就是关键点的样式。
折线和关键点到底有哪些值呢？我们看一下下面这个表：
如果看不懂描述的小伙伴，最直接的办法就是放到代码里直接运行一下看看。
当然，我们还可以改变关键点的大小等参数：
plt.plot(x, y, color='red', alpha=0.5, linestyle='--', linewidth=3, marker='o', markersize='10',markeredgecolor='blue', markeredgewidth=3)
那这里面，markersize是表示关键点的大小，markeredgecolor是关键点边框的颜色，markeredgewidth就是关键点边框的宽度。
既然图片渲染出来了，那我们总是需要进行保存的。那么下面，我们就看看如何将图片保存下来，在保存之前，我们还会根据需要设置一下图片的大小。
设置图片大小和保存
from matplotlib import pyplot as plt
import random
x = range(2, 26, 2) # x轴的位置
y = [random.randint(15, 30) for i in x]
# 设置图片大小
plt.figure(figsize=(20, 8), dpi=80)
plt.plot(x,y)
# plt.show()
# 保存
plt.savefig('./data/img/t1.png')
我们依次来看这段代码，里面有我们认识的也有我们不认识的。其中的random是为了生成随机数，这个我们就先不管了。直接看设置部分。
figsize这参数是为了指定figure的宽和高，单位为英寸。
dpi参数指定绘图对象的分辨率，即每英寸多少个像素，缺省值为80，1英寸等于2.5cm, A4纸为21*30cm的纸张。
然后我们继续往下看，savefig就是指定目录进行保存。这里我们需要注意两点：
- 如果保存的目录有路径不存在，则会报错无法保存。
- 我们需要
savefig的时候尽量不要使用show方法，因为savefig也具备了展示图片的功能，并且，如果show存在的话，在展示完图片之后，会释放figuer资源，那么savefig保存下来的图片将会是空白的。就好比我们open('file', 'a+') as fp一个文件，在使用fp.write的时候没有往里面写入内容。因为这些内容被上面一个方法清空了，但是文件我还是会保存的，只是文件内没有任何内容。
然后我们回过头来继续看我们写的这段代码，其实savefig能存储的文件格式很多，包括能够存储svg格式的矢量图。只需要plt.savefig('./t1.svg')，保存的时候换一下后缀名就可以了。
现在让我们看下保存好的图片：
绘制轴上的刻度
有没有发现，虽然我们折线图是正常的，但是似乎x轴上的刻度区间太大了，并不是所有关键点都明显展示出来了。那现在我们就来设置一下x轴和y轴的刻度。
...
# 设置x轴的刻度
plt.xticks(x)
# # 设置y轴的刻度
plt.yticks(y)
# 设置图片大小
plt.plot(x,y)
plt.show()
这段代码中我们将保存文件的代码去掉了。因为主要是进行设置，所以我们展示一下看看正确与否就行了。
我们看到现在的图片，刻度上x轴遵循了我们之前对x的设定，(2, 26, 2)， 从2开始，到25， 并且步进值为2.y轴呢？因为是随机数，所以关键点的分布并不均匀。
这个时候，我就又需要进行修改了，一个是y轴的刻度要分配的更均匀，再有就是x轴上，我希望区间为1，而不是2。让我们来对其进行下修改：
...
# 设置x轴的刻度
plt.xticks(range(1, 25))
# 设置y轴的刻度
plt.yticks(range(min(y), max(y)+1))
# 设置图片大小
plt.plot(x,y)
plt.show()
似乎图不太一样，原因是因为我在代码中使用的是随机数函数random.randint来差生y轴的数据，所以每次生成的图片都会有些不同。
我们来好好看看轴线上的刻度。确实和关键点都对应上了。并且比起关键点来说更密集一点。原因就在于，我们将x的刻度点范围改为(1, 25)，无步进值。y轴在绘制的时候也做了定义，范围设置为(最小的y值, 最大的y值+1)，同样，也是没有步进值。这样，两个轴上的刻度分布就非常均匀了。
这里的关键知识点就是：我们可以使用xticks和yticks来生成x轴刻度或者y轴刻度，并且，在其中可以传递参数来对x轴上的刻度和y轴上的刻度进行定义。
不过我们现在这个还是无法满足需求，原因就在于我们这个折线图是为了显示不同时间点上的温度变化。那么我们就必须要让x轴显示时间，而y轴显示温度。
让我们继续修改一下,这里我们就只展示轴线代码的修改：
# 构造x轴刻度标签
x_ticks_label = ["{}:00".format(i) for i in x]
# 让字旋转45度
plt.xticks(x, x_ticks_label, rotation=45)
# 构造y轴的刻度标签
y_ticks_label = ["{}℃".format(i) for i in range(min(y), max(y)+1)]
plt.yticks(range(min(y), max(y)+1), y_ticks_label)
最后生成的图片：
这里，我们使用了x_ticks_label来设置了x轴的刻度上显示的信息。当然，y轴也是相同的方式。然后将label传入轴刻度生成方法xticks中进行刻度生成，在生成的时候，我们还使用了xticks的参数rotation设置为45来完成了label的旋转。
设置显示中文
不过这并未结束，matplotlib默认是只显示英文的，无法显示中文。但是我们无论是刻度，图标题，很多时候都必须显示中文。该怎么办呢？
接下来就让我们来看看如何修改matplotlib的默认字体。这一段，我们重新写一个需求，来看看2个小时内每分钟跳动变化。
from matplotlib import pyplot as plt
from matplotlib import font_manager
import random
x = range(0, 120)
y = [random.randint(10, 30) for i in range(120)]
plt.figure(figsize=(20, 8), dpi=80)
plt.plot(x,y)
# 设置字体和Label
my_font = font_manager.FontProperties(fname='/System/Library/Fonts/PingFang.ttc', size=18)
plt.xlabel('时间', fontproperties=my_font)
plt.ylabel('次数', fontproperties=my_font)
# 设置标题
plt.title('每分钟跳动次数', fontproperties=my_font, color='red')
plt.show()
我们引入了font_manager，然后利用它设置了我们需要用到的字体（必须是中文字体）给到一个变量my_font内。最后在设置label的时候，将字体设置为这个变量。
这样，我们就完成了中文字体的显示。
作为对比，我们来看看这样设置的是什么样：
...
plt.xlabel('时间')
plt.ylabel('次数')
plt.title('每分钟跳动次数',color='red')
plt.show()
一图多线
大多数时候，我们的一张图表上可能不仅需要一条线。而是两条线相互交错。这就形成了两组数据的对比，我们打个比方来说：我们正在和一位同事竞争销售额，需要查看去年（2022年）全年的数据对比：
# 销售额数据对比
y1 = [20,10,10,20,40,30,40,40,50,60,50,40]
y2 = [10,30,20,30,40,20,10,30,30,80,30,20]
x = range(1, 13)
# 设置图形
plt.figure(figsize=(20, 8), dpi=80)
plt.plot(x, y1, color='orange', label="茶桁")
plt.plot(x, y2, color='green', label='同事')
# 设置x轴刻度
xtick_labels = ['{}月'.format(i) for i in x]
my_font = font_manager.FontProperties(fname='/System/Library/Fonts/PingFang.ttc', size=24)
plt.xticks(x, xtick_labels, fontproperties=my_font, rotation=45)
# 绘制网格
plt.grid(alpha=0.4) #网格也可以设置样式，这里透明度为0.4
# 添加图例(注意：只有在这里需要添加prop参数是显示中文，其他的都用fontproperties)
# 设置位置loc : upper left、 lower left、 center left、 upper center
plt.legend(prop=my_font, loc='upper right')
plt.show()
我们在代码中设置两两组数据，分别为y1, y2。这两组数据一共12个，对应了12个月份。然后我们在plot方法中设置了线条的颜色，设置了这条线条对应的数据，并且添加了label。意在对这个线条写个说明。
在之后，我们添加了grid网格，意图让线条上的关键点更明显。
最后使用legend来完成plot中设置的label的显示，并在其中设置了显示所用字体。这里需要注意的是，在legend方法中设置字体所用的形参是prop而非fontproperties。在最后，我们使用loc设置了这两个label显示的位置，其中的关键字upper right代表的是两个方位「上，右」，来确定显示位置为右上角。
最后，我们绘制的图片显示如图：
从图上能明显看出来，我的销售数据是在稳步上升的，而同事起伏比较大。大部分时候我占优势，可是旺季时顶峰数据同事比我高很多，所以说基本上是各有千秋。
基于折线图，我们再来看几个拓展的部分。
首先，我们在绘图的时候，实际上是支持多个坐标系绘制在一张图上的。这也经常是数据图对比经常用到的方式：
# 多个坐标系子图 add_subplot方法，给figure新增子图
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(1, 100)
fig = plt.figure(figsize=(20, 10), dpi=80)
# 子图1
ax1 = fig.add_subplot(2,2,1)
ax1.plot(x,x)
# 子图2
ax2 = fig.add_subplot(2,2,2)
ax2.plot(x, x**2)
ax2.grid(color='r', linestyle='--', linewidth=1, alpha=0.3)
# 子图3
ax3 = fig.add_subplot(2,2,3)
ax3.plot(x, np.log(x))
plt.show()
我们利用add_subplot方法，在一个figure上添加了三个子图。
其次，有一些时候，我们需要对坐标轴范围进行设定。
# 设定坐标轴范围
x = np.arange(-10, 11, 1)
y = x ** 2
plt.plot(x,y)
# plt.xlim([-5,5])
# 单边调整
# plt.xlim(xmin=-4)
# plt.xlim(xmax=4)
plt.ylim(ymin=0)
plt.xlim(xmin=0)
plt.show()
在这段代码中，我展示了三个调整范围的方式。
第一个是使用数组划定范围来进行调整。
第二个方式是分别设定一边的值（最小值或者最大值）。
最后一个方式是只设定x轴和y轴的最小值。下图展示的是第三个方式绘制的图：
当然，坐标轴并不会是一成不变的。有的时候我们可能需要y轴在x轴的正中间。所以我们需要改变坐标轴的默认显示方式
我们先来看看原本的图默认样式是什么样：
# 改变坐标轴的默认显示方式
y = range(0, 14, 2)
x = [-3, -2, -1, 0, 1, 2, 3]
plt.figure(figsize=(20,8), dpi=80)
plt.plot(x,y)
plt.show()
然后我们对这张图进行修改，获取图像之后设置四周边线，并且移动底边，移动到y轴的0位置
# 改变坐标轴的默认显示方式
y = range(0, 14, 2)
x = [-3, -2, -1, 0, 1, 2, 3]
plt.figure(figsize=(20,8), dpi=80)
# 获得当前图表的图像
ax = plt.gca()
# 设置图形四周的边线
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.spines['bottom'].set_color('blue')
ax.spines['left'].set_color('red')
# 设置底边的移动范围，移动到y轴的0位置，`data`: 移动轴的位置到交叉轴的指定坐标
ax.spines['bottom'].set_position(('data', 0))
ax.spines['left'].set_position(('data', 0))
plt.plot(x,y)
plt.show()
代码中，我们使用gca()获取了图像赋值给变量ax，然后对其进行修改，spines可以修改四周边线，包括颜色和位置等。分别设置完颜色之后，我们分别对底边和左边使用了set_position进行了位移。移动到0点位置。那其实，底边对应的就是x轴，左边对应的就是y轴。
绘制散点图
我们拿到了一组数据，就是今年3月份每天的最高气温，现在我想在图表上进行展示。为了展示气温的分布，我们准备使用散点图进行展示。
# 绘制散点图
y = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22, 22,22,23]
x = range(1,32)
plt.figure(figsize=(20,8),dpi=80)
# 使用scatter绘制散点图
plt.scatter(x, y, label='3月份')
plt.show()
本来这样就已经完成绘制了。不过我们看一下图表，虽然散点是绘制完成了，但是整张图上我们看不出太多信息，包括刻度值，月份等等，另外，我记得咱们之前加过图例，现在我们都加上：
from matplotlib import font_manager
# 绘制散点图
y = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22, 22,22,23]
x = range(1,32)
plt.figure(figsize=(20,8),dpi=80)
# 使用scatter绘制散点图
plt.scatter(x, y, label='3月份')
my_font = font_manager.FontProperties(fname='/System/Library/Fonts/PingFang.ttc', size=12)
_xticks_labels = ['3月{}日'.format(i) for i in x]
plt.xticks(x[::3], _xticks_labels[::3], fontproperties=my_font, rotation=45)
plt.xlabel('日期', fontproperties=my_font)
plt.ylabel('温度', fontproperties=my_font)
# 图例
plt.legend(prop=my_font)
plt.show()
以上代码中的内容，基本都是咱们之前学过的内容，我就不多做解释了。其中，我们可以看到，plt.之后的方法就是绘制不同的图形，之前我们看到的plot是折线图，这次我们学到scatter是散点图。在图形绘制之后，剩下的就是对其进行修饰和设置。
绘制条形图
今天刷到一条新闻，说目前2023年暑期档电影的票房基本已经定型，目前全部累计票房已经超过2019年称为历史最高暑期档，而最引人瞩目的是，国产电影全线压制好莱坞大片。这真是一个值的骄傲的事情。那现在，我们就来展现一下暑期档电影票房的对比吧,我们一步一步来，最开始当然是拿到数据。
本数据来源于猫眼，2023年8月20日14:00的实时数据，后期未下线的电影数据可能会有变化。
a = ['消失的她','碟中谍7:致命清算','芭比','八角笼中','茶啊二中','热烈','长安三万里','巨齿鲨2:深渊','封神第一部','孤注一掷']
b = ['35.22','3.46','2.47','21.92','3.66','8.69','17.56','7.53','22.36','26.48']
然后我们就可以开始绘制柱状图了：
plt.figure(figsize=(20,8), dpi=80)
plt.bar(range(len(a)), [float(i) for i in b], width=0.3)
plt.show()
现在图形是绘制出来了，但是完全无法让人满意。我们并不知道哪个柱子是哪个电影的，并且对比之下，我们只能看出大概高低，并不知道具体的票房。那我们现在来进行修改, 先加上x轴和y轴上的刻度标识，并且将y轴刻度范围放大。
plt.xticks(range(len(a)), a, fontproperties=my_font)
plt.yticks(range(0,51,5), range(0,51,5))
目前的图我们是能看出谁是谁了，而且比起刚才看起来y轴上也舒服了很多，没有顶天立地。
接下来，我们继续修改。给柱子加上颜色，好做区分。并且将绘制的图形赋值给到变量rects，在下面我们好对每一根柱子上写一个数字，将票房数值写上去。这样，具体的票房我们就能一目了然。
a = ['消失的她','碟中谍7:致命清算','芭比','八角笼中','茶啊二中','热烈','长安三万里','巨齿鲨2:深渊','封神第一部','孤注一掷']
b = ['35.22','3.46','2.47','21.92','3.66','8.69','17.56','7.53','22.36','26.48']
plt.figure(figsize=(20,8), dpi=80)
rects = plt.bar(range(len(a)), [float(i) for i in b], width=0.3, color=['r','g','b','r','g','b','r','g','b','r'])
plt.xticks(range(len(a)), a, fontproperties=my_font)
plt.yticks(range(0,51,5), range(0,51,5))
# 加标注(水平居中)
for rect in rects:
height = rect.get_height()
plt.text(rect.get_x()+rect.get_width() / 2, height+1, str(height), ha='center')
plt.show()
这段代码中其他的都好理解，就是加标注这一段。我们使用for从rects中分别获取到每一根柱子，然后设定了一个高，这个高度就是柱子的实际高度。再设定一个text给到这根柱子，text的高度为柱子的定位为每根柱子的x轴位置+其宽度的二分之一，高度为柱子高度+1， 字符串为柱子高度本身，设置水平居中。
来，让我们看看效果：
现在，我们的显示虽然还是不完美，但是已经非常清晰了。
当然，柱状图除了竖向的，还有横向，但是横向就不能称之为柱状图，而是条形图：
# 横向条形图
a = ['消失的她','碟中谍7:致命清算','芭比','八角笼中','茶啊二中','热烈','长安三万里','巨齿鲨2:深渊','封神第一部','孤注一掷']
b = ['35.22','3.46','2.47','21.92','3.66','8.69','17.56','7.53','22.36','26.48']
plt.figure(figsize=(20,8), dpi=80)
rects = plt.barh(range(len(a)), [float(i) for i in b], height=0.5, color=['r','g','b','r','g','b','r','g','b','r'])
plt.xticks(range(0,51,5), range(0,51,5))
plt.yticks(range(len(a)), a, rotation=45, fontproperties=my_font)
# 加标注(水平居中)
for rect in rects:
width = rect.get_width()
plt.text(width+1, rect.get_y()+0.5/2, str(width)+' 亿', va='center', fontproperties=my_font)
plt.show()
其方法和原理都和柱状图是一样的，不同的点就在于柱状图的方法是bar，横向条形图的方法为barh。另外，别忘了切换x,y轴。
在这里，恭喜《封神》破22亿，加油...
我们平时看到的柱状图或者条形图，一定不只是这样一根一根的，还有那种两根或两根以上并列的对吧？其形式也很简单，就是在当前的柱子旁边多加一根而已：
# 多条并列
index = np.arange(4)
BJ = [50,55,53,60]
SH = [44,66,55,41]
# 并列
plt.bar(index,BJ, width=0.3)
plt.bar(index+0.3, SH, width=0.3, color='green')
plt.xticks(index+0.3/2, index)
plt.show()
直方图
这个图形的学习，我们还是拿电影数据来做，但是这次我们不拿刚才用过的数据了，我们拿到一个250部电影的时长数据，现在我们要统计处这些电影时长的分布状态。（比如，市场为100分钟到120分钟的电影数量，出现频率等），我们该如何去做呢？
来，让咱们尝试一下，还是老样子，先落位数据：
times = [131,98,125,131,124,139,131,117,128,108,135,138,131,102,107,114,119,128,121,142,127,130,124,101,110,116,117,110,128,128,115,99,95,138,117,111,78,132,124,113,150,110,117,136,126,134,95,144,105,126,130,126,130,126,116,123,106,112,138,123,99,136,123,117,119,105,137,123,128,125,104,109,134,125,127,105,120,107,129,116,108,132,103,136,118,102,120,114,105,115,132,145,119,121,112,139,125,138,109,132,134,156,106,117,127,144,139,139,119,140,83,110,102,123,107,143,115,136,118,139,123,112,118,125,109,119,133,112,114,122,109,106,123,116,131,127,115,118,112,135,115,146,137,116,103,144,83,123,111,110,111,100,154,136,100,118,119,133,134,106,129,126,110,111,109,141,120,117,106,149,122,122,110,118,127,121,114,125,126,114,140,103,130,141,117,106,114,121,114,133,137,92,121,112,146,97,137,105,98,117,112,81,97,139,113,134,106,144,110,137,137,111,104,117,100,111,101,110,105,129,137,112,120,113,133,112,83,94,146,133,101,131,116,111,84,137,115,122,106,144,109,123,116,111,111,133,150,134,76,104]
print(len(times))
---
250
没问题，250个数据齐了。现在让我们来开始绘图：
plt.figure(figsize=(20,8), dpi=80)
# 设置组距
distance = 2
# 计算组距
group_num = int((max(times) - min(times)) / distance)
plt.hist(times, bins=group_num)
plt.xticks(range(min(times), max(times))[::2])
plt.grid(linestyle='--', alpha=0.5)
plt.xlabel('电影时长大小', fontproperties=my_font)
plt.ylabel('电影的数据量', fontproperties=my_font)
plt.show()
从代码中看，直方图的方法是hist, 其中参数为需要展示的数据和组距。
x轴刻度上，我们将最小的电影时长和最大的电影时长顺序分布，步进值为2。
现在我们从图中能看到，110 ～ 112这个时间段的电影数量是最多的，其次就是116 ~ 118分钟的。
现在，我们更清晰的感受了i库55起1422
直方图的作用。
饼状图
最后我们来看看饼状图，饼状图相信大家平时看的也很多。基本上，我们遇到比例，份额对比的时候会使用这个图形。
来，让我们先绘制一个基本图形：
size = [55, 35, 10] # 各部分大小
plt.figure(figsize=(20,8), dpi=100)
plt.pie(size)
plt.show()
现在让我们在这个基础的饼状图上进行设置和修改，首先，我们需要这个图形各个区域都有个名称，然后是我们自己设定下他们的颜色，而不是用默认的，接着，我们需要将其中一部分突出显示。
# 修改生成饼图代码
plt.pie(size,
explode=[0, 0.05, 0],
colors = ['r','g','b'],
labels = ['第一部分','第二部分','第三部分'])
现在是按照我刚才希望的去变化了，但是并不让人满意。我们需要将文字设置成中文显示，然后整个图形旋转一下，让突出的部分部要向下，接着我们希望显示出百分比，并且有一个图例，分别标识出颜色和区域的文字。
size = [55, 35, 10] # 各部分大小
plt.figure(figsize=(20,8), dpi=100)
label_list = ['第一部分','第二部分','第三部分'] # 各部分标签
color = ['red', 'green', 'blue'] # 各部分颜色
explode = [0, 0.05, 0] # 各部分突出值
patches, l_text, p_text = plt.pie(size,
explode = explode,
colors = color,
labels = label_list,
labeldistance=1.1,
autopct='%1.1f%%',
shadow=False,
startangle=150,
pctdistance=0.6)
for t in l_text:
print(dir(t))
t.set_fontproperties(my_font)
for t in p_text:
t.set_size(18)
for i in patches:
i.set_color('pink')
break
plt.legend(prop=my_font)
plt.show()
我们在这段代码中，将之前在pie方法中的三组列表数据拿出来赋值给了三个变量，然后增加了一些其他参数用于标签距离、设置旋转、百分比距离等。
然后将生成的图赋值给到三个变量，patches, l_text, p_text，这三个变量分别接受的参数为「饼的区域」、「饼的外部说明文字」、「饼的内部标识文字」。
然后，对这三个变量分别进行设置。
最后，将图例的字体设置一下，然后显示出来。
总结
今天的课程到这里也就结束了。最后让我们来总结一下
最后，我们留个作业吧，好久没留作业了。将咱们之前做的这个饼图加上阴影，扩大分离的那块区域的分离距离。如图：
小伙伴们，记得认真学习并且完成作业。
好，下课。
