Tips："分享是快樂的源泉??，在我的博客里，不僅有知識的海洋??，還有滿滿的正能量加持??，快來和我一起分享這份快樂吧??！

喜歡我的博客的話，記得點(diǎn)個紅心??和小關(guān)小注哦！您的支持是我創(chuàng)作的動力！數(shù)據(jù)源存放在我的資源下載區(qū)啦！

數(shù)據(jù)可視化（六）：Pandas爬取NBA球隊排名、爬取歷年中國人口數(shù)據(jù)、爬取中國大學(xué)排名、爬取sina股票數(shù)據(jù)、繪制精美函數(shù)圖像

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams["font.family"]=['SimHei']
plt.rcParams['axes.unicode_minus']=False

1. 爬取NBA球隊排名頁面，并進(jìn)行分析

• 頁面url https://nba.hupu.com/standings

提示：

data = pd.read_html(url, header=0) #header=0 去掉第一行列索引

# 爬取數(shù)據(jù)并將東部和西部聯(lián)盟存放到df1 df2
url = "https://nba.hupu.com/standings"
data = pd.read_html(url,header=0) #header=0 去掉第一行列索引
data_merge = pd.concat([df,data[0]])

data_merge.columns = data_merge.iloc[0,:]
data_merge = data_merge.iloc[1:]

# 重置索引，不保留原索引作為新列  
data_merge.reset_index(drop=True, inplace=True)  

# 東部數(shù)據(jù)
df1 = data_merge.iloc[0:15,:]
df1

# 西部數(shù)據(jù)
df2 = data_merge.iloc[17:,:]
df2.reset_index(drop=True, inplace=True)  
df2

# 將df1增加一列"所屬聯(lián)盟"，賦值為"東部賽區(qū)"
df1["所屬聯(lián)盟"] = "東部賽區(qū)"
df1

# 將df2增加一列"所屬聯(lián)盟"，賦值為"西部賽區(qū)"
df2["所屬聯(lián)盟"] = "西部賽區(qū)"
df2

# 將df1、df2合并成df
df_merge = pd.concat([df1,df2], axis = 0)
df_merge.reset_index(drop=True,inplace=True)
df_merge

# 將df數(shù)據(jù)保存為csv文件 nba.csv
df_merge.to_csv('./nba.csv', encoding='utf-8', index=False,sep=",")

# 將所有球隊按照 勝率(百分比) 降序排序，排名相同的隊伍按 失分 升序排名
# 提示：ascending也可以接收列表參數(shù)
df_merge.sort_values(by=["勝率","失分"],ascending=[False,True]).reset_index(drop=True)

# 對df按“所屬聯(lián)盟”分組，計算勝、負(fù)、勝率的最大值、最小值、均值、標(biāo)準(zhǔn)差
# 注意：百分比不是數(shù)值，要轉(zhuǎn)換成小數(shù)
# 轉(zhuǎn)換數(shù)值類型
df_merge["勝"] = df_merge["勝"].astype(int)
df_merge["負(fù)"] = df_merge["負(fù)"].astype(int)
# 將百分比字符串轉(zhuǎn)換為小數(shù)  
df_merge['勝率'] = df_merge['勝率'].str.replace('%', '').astype(float) / 100
df_merge.head()

df_grouped = df_merge.groupby(by='所屬聯(lián)盟').agg(
    {  
    '勝': ['max', 'min', 'mean', 'std'],  
    '負(fù)': ['max', 'min', 'mean', 'std'],  
    '勝率': ['max', 'min', 'mean', 'std']  
})  

# 柱狀圖顯示東西賽區(qū)的勝率（百分比）均值
# 提取勝率均值列，并重置列名以簡化后續(xù)操作  
df_grouped_win_rate_mean = df_grouped['勝率']['mean'].reset_index()  
df_grouped_win_rate_mean.columns = ['所屬聯(lián)盟', '勝率均值']  
df_grouped_win_rate_mean

# 將勝率均值轉(zhuǎn)換為百分比  
df_grouped_win_rate_mean['勝率均值_百分比'] = df_grouped_win_rate_mean['勝率均值'] * 100  
df_grouped_win_rate_mean

# 繪制柱狀圖  
plt.figure(figsize=(10, 6))  # 設(shè)置圖形大小  
bars = plt.bar(df_grouped_win_rate_mean['所屬聯(lián)盟'], df_grouped_win_rate_mean['勝率均值_百分比'])  
  
# 設(shè)置數(shù)據(jù)標(biāo)簽  
def format_percent(x):  
    return "{:.2%}".format(x / 100)  
  
# 添加百分比形式的數(shù)據(jù)標(biāo)簽  
for rect in bars:  
    height = rect.get_height()  
    plt.text(rect.get_x() + rect.get_width() / 2, height, format_percent(height),  
             ha='center', va='bottom')  

plt.xlabel('所屬聯(lián)盟')  # 設(shè)置x軸標(biāo)簽  
plt.ylabel('勝率均值')  # 設(shè)置y軸標(biāo)簽  
plt.title('東西賽區(qū)勝率均值比較')  # 設(shè)置圖形標(biāo)題  
plt.xticks(rotation=0)  # 設(shè)置x軸刻度標(biāo)簽的旋轉(zhuǎn)角度為0  
plt.tight_layout()  # 調(diào)整布局  
plt.ylabel('勝率均值 (%)')  # 將y軸標(biāo)簽更改為百分比形式  
plt.show()  # 顯示圖形

2. 爬取以下網(wǎng)址的歷年中國人口數(shù)據(jù)進(jìn)行并進(jìn)行分析

url = ‘https://population.gotohui.com/’

# 爬取數(shù)據(jù)并存放到df，并將df保存為population.csv
url = 'https://population.gotohui.com/'
data = pd.read_html(url,header=0) #header=0 去掉第一行列索引

df = data[0]
df.to_csv("./population.csv", encoding='utf-8', index=False,sep=",")

# 統(tǒng)計df表格中的空值
# 檢測空值  
null_values = df.isnull() 
total_null_count = null_values.sum()  
total_null_count

# 將空值的列'老年人(%)'、'兒童(%)'中數(shù)據(jù)用前值替換；'男性(%)'、'女性(%)'用均值替換
# 使用前一個非空值替換 '老年人(%)' 和 '兒童(%)' 列中的空值  
df['老年(%)'].fillna(method='ffill', inplace=True)  
df['兒童(%)'].fillna(method='ffill', inplace=True)  

# 計算 '男性(%)' 和 '女性(%)' 列的均值，并替換這些列中的空值  
mean_male = df['男性(%)'].mean()  
mean_female = df['女性(%)'].mean()  
df['男性(%)'].fillna(mean_male, inplace=True)  
df['女性(%)'].fillna(mean_female, inplace=True) 
df

# 將除了 時間(年) 列外所有的列的數(shù)據(jù)改成保留小數(shù)點(diǎn)后2位小數(shù)
# 提示：采用lambda函數(shù)和applymap函數(shù)
# 保留除了'時間'字段之外的列的小數(shù)點(diǎn)后兩位  
columns_to_round = ['人口(萬人)', '出生率(‰)', '增長率(‰)', '老年(%)', '兒童(%)', '男性(%)', '女性(%)']  
  
df[columns_to_round] = df[columns_to_round].apply(lambda x: x.round(2))  
  
# 查看格式化后的輸出，可以設(shè)置顯示選項 （空值輸出時浮點(diǎn)數(shù)格式）
pd.options.display.float_format = '{:.2f}'.format 

# 顯示修改后的DataFrame  
df.head()

# 在同一張表上繪制歷年人口出生率和增長率曲線
# 確保'時間'列是日期類型，這樣可以按時間順序繪制曲線  
df['時間'] = pd.to_datetime(df['時間'], format='%Y')  # 假設(shè)時間格式為'年'  
  
# 繪制出生率曲線  
plt.plot(df['時間'], df['出生率(‰)'], label='出生率(‰)', marker='o')  
  
# 繪制增長率曲線  
plt.plot(df['時間'], df['增長率(‰)'], label='增長率(‰)', marker='o', linestyle='--')  
  
# 設(shè)置圖表標(biāo)題和坐標(biāo)軸標(biāo)簽  
plt.title('歷年人口出生率和增長率曲線')  
plt.xlabel('時間')  
plt.ylabel('比率')  
  
# 顯示圖例  
plt.legend()  
  
# 顯示網(wǎng)格  
plt.grid(True)  
  
# 格式化x軸以顯示年份  
plt.gcf().autofmt_xdate()  
  
# 顯示圖表  
plt.show()

# 繪制男女比率差絕對值的曲線圖
# 計算男女比率差的絕對值  
df['比率差絕對值'] = abs(df['男性(%)'] - df['女性(%)'])  
df

# 繪制男女比率差絕對值的曲線圖  
plt.plot(df['時間'], df['比率差絕對值'], marker='o')  
  
# 設(shè)置圖表標(biāo)題和坐標(biāo)軸標(biāo)簽  
plt.title('男女比率差絕對值曲線圖')  
plt.xlabel('時間')  
plt.ylabel('比率差絕對值')  
  
# 顯示網(wǎng)格  
plt.grid(True)    
  
# 顯示圖表  
plt.show()

# 在一個畫布的四個子畫布上(兩行兩列)分別畫出：
# 1、近十年老人、兒童、其它（100減去老人、兒童占比）人群比率均值的柱狀比較圖
# 2、近五年男性、女性比率的柱狀比較圖
# 3、近十年人口增增長率和出生率的水平柱狀圖
# 4、2022年老人、兒童、其它的餅圖

import matplotlib.pyplot as plt  
import pandas as pd  
  
# 假設(shè)df_1, df_2, df_3, df_4已經(jīng)定義好，并且包含了需要繪制的數(shù)據(jù)  
  
# 創(chuàng)建一個2x2的畫布和子圖  
fig, axs = plt.subplots(2, 2, figsize=(12, 8))  
  
# 第一幅圖：近十年老人、兒童、其它人群比率均值的柱狀比較圖  
bars = axs[0, 0].bar(df_1.columns, df_1.iloc[0])  
bar_width = 0.35  
axs[0, 0].set_title('近十年老人、兒童、其它人群比率均值的柱狀比較圖')  
axs[0, 0].set_xlabel('人群')  
axs[0, 0].set_ylabel('比率均值(%)')  
for bar in bars:  
    height = bar.get_height()  
    axs[0, 0].text(bar.get_x() + bar_width / 2, height, '{:.2f}'.format(height), ha='center', va='bottom')  
  
 # 第二幅圖：近五年男性和女性比例的柱狀比較圖  
df_2 = df_2.sort_values(by='時間')  
bar_width = 0.35  
index_male = range(len(df_2))  
index_female = [i + bar_width for i in index_male]  
  
axs[0, 1].bar(index_male, df_2['男性(%)'], bar_width, label='男性比例')  
axs[0, 1].bar(index_female, df_2['女性(%)'], bar_width, label='女性比例')  
  
# 設(shè)置x軸的標(biāo)簽位置為index_male的中間位置，并且標(biāo)簽內(nèi)容為df_2['時間']的值  
tick_positions = [i + bar_width / 2 for i in index_male]  
axs[0, 1].set_xticks(tick_positions)  
axs[0, 1].set_xticklabels(df_2['時間'])  # 設(shè)置x軸的標(biāo)簽內(nèi)容  
  
# 設(shè)置x軸刻度標(biāo)簽的旋轉(zhuǎn)角度  
axs[0, 1].tick_params(axis='x', rotation=45)  # 旋轉(zhuǎn)x軸刻度標(biāo)簽  
  
axs[0, 1].set_title('近五年男性和女性比例的柱狀比較圖')  
axs[0, 1].set_xlabel('年份')  
axs[0, 1].set_ylabel('比例(%)')  
axs[0, 1].legend()  
  
# 第三幅圖：近十年人口增長率和出生率水平柱狀圖  
axs[1, 0].barh(df_3['時間'], df_3['增長率(‰)'], label='增長率', color='skyblue')  
axs[1, 0].barh(df_3['時間'], df_3['出生率(‰)'], left=df_3['增長率(‰)'], label='出生率', color='lightcoral')  
axs[1, 0].set_title('近十年人口增長率和出生率水平柱狀圖')  
axs[1, 0].set_xlabel('千分比')  
axs[1, 0].set_ylabel('年份')  
axs[1, 0].legend()  
axs[1, 0].grid(axis='x', alpha=0.75)  
  
# 第四幅圖：2022年老人、兒童、其他人群分布的餅圖  
labels = df_4.columns  
sizes = df_4.iloc[0]  
axs[1, 1].pie(sizes, labels=labels, autopct='%1.1f%%', startangle=90)  
axs[1, 1].axis('equal')  
axs[1, 1].set_title('2022年老人、兒童、其他人群分布')  
  
# 調(diào)整子圖間距  
plt.tight_layout()  
  
# 顯示整個畫布  
plt.show()

# 在同一幅圖上畫出'出生率(‰)', '增長率(‰)'箱線圖。
import seaborn as sns  
import matplotlib.pyplot as plt  
  
# 設(shè)置圖形大小  
plt.figure(figsize=(10, 6))  
  
# 繪制箱線圖  
sns.boxplot(data=df[['出生率(‰)', '增長率(‰)']])  
 
# 設(shè)置標(biāo)題和軸標(biāo)簽  
plt.title('出生率和增長率的箱線圖')  
plt.xlabel('指標(biāo)')  
plt.ylabel('值 (‰)')  
  
# 顯示圖形  
plt.show()

# 利用散點(diǎn)圖尋找 ‘增長率(‰)’ 異常值的年份，即尋找增長率背離正常變化范圍的年份。
import matplotlib.pyplot as plt  
import pandas as pd  
import numpy as np  
  
# 計算增長率的四分位數(shù)  
Q1 = df_6['增長率(‰)'].quantile(0.25)  
Q3 = df_6['增長率(‰)'].quantile(0.75)  

  
# 定義正常值范圍，這里使用0.8倍IQR作為異常值的界限  
lower_bound = Q1 - 0.8 * IQR  
upper_bound = Q3 + 0.8 * IQR  
  
# 識別異常值  
outliers = df_6[(df_6['增長率(‰)'] < lower_bound) | (df_6['增長率(‰)'] > upper_bound)]  
  
# 繪制散點(diǎn)圖  
plt.figure(figsize=(10, 6))  
plt.scatter(df_6['時間'], df_6['增長率(‰)'], color='blue', label='正常值')  
  
# 在圖上標(biāo)注異常值  
plt.scatter(outliers['時間'], outliers['增長率(‰)'], color='red', label='異常值')  
for index, row in outliers.iterrows():  
    plt.annotate(f'({row["時間"]}, {row["增長率(‰)"]})', (row['時間'], row['增長率(‰)']))  

# 設(shè)置標(biāo)題和軸標(biāo)簽  
plt.title('增長率隨時間變化的散點(diǎn)圖及異常值標(biāo)注')  
plt.xlabel('時間')  
plt.ylabel('增長率(‰)')  
  
# 顯示圖例  
plt.legend()  
  
# 顯示網(wǎng)格線  
plt.grid(True)  
  
# 顯示圖形  
plt.show()

# 利用正態(tài)分布方法（類似3??方法，采用1.5??）找出增長率異常值
import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
  
# 計算增長率的均值和標(biāo)準(zhǔn)差  
mean_growth_rate = df_7['增長率(‰)'].mean()  
std_growth_rate = df_7['增長率(‰)'].std()  
  
# 設(shè)定異常值的閾值，這里使用1.5倍標(biāo)準(zhǔn)差  
threshold = mean_growth_rate + 1.5 * std_growth_rate  
# 對于低于均值的異常值，使用負(fù)的1.5倍標(biāo)準(zhǔn)差  
lower_threshold = mean_growth_rate - 1.5 * std_growth_rate  
  
# 識別異常值  
outliers_upper = df_7[df_7['增長率(‰)'] > threshold]  
outliers_lower = df_7[df_7['增長率(‰)'] < lower_threshold]  
outliers = pd.concat([outliers_upper, outliers_lower])  
  
# 繪制散點(diǎn)圖，并標(biāo)注異常值  
plt.figure(figsize=(10, 6))  
plt.scatter(df_7['時間'], df_7['增長率(‰)'], color='blue', label='正常值')  
  
# 標(biāo)注異常值  
plt.scatter(outliers['時間'], outliers['增長率(‰)'], color='red', label='異常值')  
for index, row in outliers.iterrows():  
    plt.annotate(f'({row["時間"]}, {row["增長率(‰)"]})', (row['時間'], row['增長率(‰)']))  

# 設(shè)置標(biāo)題和軸標(biāo)簽  
plt.title('增長率隨時間變化的散點(diǎn)圖及異常值標(biāo)注')  
plt.xlabel('時間')  
plt.ylabel('增長率(‰)')  
  
# 顯示圖例  
plt.legend()  
  
# 顯示網(wǎng)格線  
plt.grid(True)  
  
# 顯示圖形  
plt.show()

3. 獲取大學(xué)排名數(shù)據(jù)并進(jìn)行分析

• 獲取數(shù)據(jù)地址：http://www.jdxzz.com/paiming/2022/0830/9651208.html
• 數(shù)據(jù)爬取后，存在“主榜”和“副榜”，只保留主榜數(shù)據(jù)

提示：

data = pd.read_html(url, header=0) #header=0 去掉第一行列索引
df = pd.DataFrame(data[0]) # 只獲取主榜表格數(shù)據(jù)

# 獲取“主榜”數(shù)據(jù)并放入df
# 將數(shù)據(jù)保存到universities.csv
url = 'http://www.jdxzz.com/paiming/2022/0830/9651208.html'
data = pd.read_html(url,header=0) #header=0 去掉第一行列索引
data

df = data[0]
df.to_csv("../data/universities.csv", encoding='utf-8', index=False,sep=",")

# 不同 辦學(xué)層次 的大學(xué)數(shù)量？
# 畫出不同 辦學(xué)層次 的大學(xué)數(shù)量的折線圖，按升序畫
df_group = df.groupby(by='辦學(xué)層次')["辦學(xué)層次"].count().reset_index(name='數(shù)量')
df_group = df_group.sort_values(by='數(shù)量',ascending=True).reset_index(drop=True)
df_group

import matplotlib.pyplot as plt  
  
# 繪制折線圖  
plt.figure(figsize=(10, 6))  # 設(shè)置圖形大小  
plt.plot(df_group['辦學(xué)層次'], df_group['數(shù)量'], marker='o')  # 繪制折線，并使用圓圈標(biāo)記數(shù)據(jù)點(diǎn)  
  
# 設(shè)置標(biāo)題和軸標(biāo)簽  
plt.title('不同辦學(xué)層次的大學(xué)數(shù)量折線圖')  
plt.xlabel('辦學(xué)層次')  
plt.ylabel('數(shù)量')  
  
# 顯示網(wǎng)格線  
plt.grid(True)  
  
# 顯示圖形  
plt.show()

# 顯示只包含 財經(jīng)大學(xué)、財經(jīng)學(xué)院 的子表，并按排名排列
# 提示：Pandas 中類似SQL中的like查詢
# df.query('column.str.contains("string")', engine='python')

df_gdufe = df.query('學(xué)校名稱.str.contains("財經(jīng)")', engine='python').reset_index(drop=True)
df_gdufe

# 計算不同 辦學(xué)層次 大學(xué)的 總分均值、排名均值，四舍五入取一位小數(shù)
df_grouped = df.groupby(by='辦學(xué)層次').agg(
    {  
    '總分': 'mean',  
    '全國排名': 'mean'  
}).round(1)

df_grouped.columns = ["總分均值","排名均值"]
df_grouped

4. 獲取sina股票數(shù)據(jù)并進(jìn)行分析

• 獲取數(shù)據(jù)地址：http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p=
• 數(shù)據(jù)分6頁，p=1代表第1頁

提示

df = pd.DataFrame()
for i in range(6):    
    url = 'http://vip.stock.finance.sina.com.cn/q/go.php/vComStockHold/kind/jjzc/index.phtml?p={page}'.format(page=i+1)
    df = pd.concat([df, pd.read_html(url)[0]]) # 按行連接
    print("第{page}頁爬取成功！".format(page=i+1))

# 爬取6頁表格數(shù)據(jù)并合并數(shù)據(jù)到df，再保存到sina.csv文件
df.to_csv('../data/sina.csv', encoding='utf-8', index=False,sep=",")

# 從sina.csv中讀取到df，并隨機(jī)顯示10行數(shù)據(jù)
df = pd.read_csv(fr"../data/sina.csv",encoding='utf-8', sep=",")
df.sample(10)

# 基金持股比例最高的10個股份的 代碼 簡稱 比例
df_top = df.sort_values(by="持股比例(%)",ascending=False).reset_index(drop=True)[["代碼","簡稱","持股比例(%)"]]
df_top.head(10)

# 按照持股家數(shù)分組 計算 持股占已流通A股比例(%) 的平均數(shù) 降序
df.groupby(by="家數(shù)")[["持股占已流通A股比例(%)"]].mean().sort_values(by="持股占已流通A股比例(%)",ascending=False)

# 統(tǒng)計銀行的平均 家數(shù) 和 平均 持股比例(%) （簡稱含有銀行字眼）
df_bank = df.query('簡稱.str.contains("銀行")', engine='python').reset_index(drop=True)[["簡稱","家數(shù)","持股比例(%)"]]
df_bank

# 統(tǒng)計家數(shù)增加最多的10個股票，按 持股占已流通A股比例(%) 降序排序
df["增加家數(shù)"] = df["家數(shù)"] - df["上期家數(shù)"]
df.head()

df_10 = df.sort_values(by="增加家數(shù)",ascending=False).reset_index(drop=True).head(10)
df_10

df_10.sort_values(by="持股占已流通A股比例(%)",ascending=False).reset_index(drop=True)

# 將 持股占已流通A股比例(%)>8 同時 持股比例(%)>5 的股票挑選出來
df.loc[(df["持股占已流通A股比例(%)"] > 8) & (df["持股比例(%)"] > 5)]

# 將%號加到 持股占已流通A股比例(%) 和 持股比例(%) 兩列， 元素值改為字符串
# 使用apply和lambda表達(dá)式添加%號，并轉(zhuǎn)換為字符串  
df['持股占已流通A股比例(%)'] = df['持股占已流通A股比例(%)'].apply(lambda x: f"{x}%" if not pd.isna(x) else pd.NA)  
df['持股比例(%)'] = df['持股比例(%)'].apply(lambda x: f"{x}%" if not pd.isna(x) else pd.NA)  
  
# 查看修改后的DataFrame  
df

5. matplotlib模仿繪圖

按繪圖樣式，寫出繪制代碼。

# 代碼
# 創(chuàng)建?些數(shù)據(jù)
x1 = np.linspace(0, 5, 100)
x2 = np.linspace(0, 2*np.pi, 100)
x3 = np.linspace(0, 2*np.pi, 100)

y1 = np.sin(2*np.pi*x1)
y2 = np.sin(x2)
y3 = np.cos(x3)
# 創(chuàng)建?個新的Figure,包含2x2個Axes
fig = plt.figure(figsize=(16, 12))
# 在2x2?格中創(chuàng)建4個Axes

# =========================================第一幅圖=========================================
plt.subplot(2, 2, 1) # 第??第?個
plt.plot(x1, y1, linestyle='-')
# 設(shè)置左上角的子圖橫坐標(biāo)范圍為0到5（留白效果），縱坐標(biāo)范圍為-2.0到2.0  
plt.xlim(-0.3, 5.3)  
plt.ylim(-2.0, 2.0)  
plt.xlabel("x軸")
plt.ylabel("y軸")

# =========================================第二幅圖=========================================
plt.subplot(2, 2, 2) # 第??第?個
plt.plot(x2, y2, linestyle='-.',color='m')
# 設(shè)置橫坐標(biāo)的刻度位置和標(biāo)簽  
ticks = np.arange(0, 2 * np.pi + np.pi/4, np.pi/2)  # 刻度位置：從0開始，每隔π/2一個刻度  
labels = [r'$0$', r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$']  # 對應(yīng)的標(biāo)簽  
plt.xticks(ticks, labels)  # 設(shè)置刻度和標(biāo)簽  
  
# 設(shè)置橫坐標(biāo)范圍，稍微擴(kuò)大以留下空白  
plt.xlim(-0.3, 2 * np.pi + 0.3)  
plt.ylim(-1.5, 1.5) 
plt.xlabel("y=sin(x)")

# =========================================第三幅圖=========================================
plt.subplot(2, 2, 3) # 第??第?個
plt.plot(x3, y3, linestyle='--',color='m')
# 設(shè)置橫坐標(biāo)的刻度位置和標(biāo)簽  
ticks = np.arange(0, 2 * np.pi + np.pi/4, np.pi/2)  # 刻度位置：從0開始，每隔π/2一個刻度  
labels = [r'$0$', r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$']  # 對應(yīng)的標(biāo)簽  
plt.xticks(ticks, labels)  # 設(shè)置刻度和標(biāo)簽  
  
# 設(shè)置橫坐標(biāo)范圍，稍微擴(kuò)大以留下空白  
plt.xlim(-0.3, 2 * np.pi + 0.3)  
plt.ylim(-1.5, 1.5)  
plt.xlabel("y=cos(x)")

plt.show()

6. matplotlib模仿繪圖

按繪圖樣式，寫出繪制代碼。

• 繪圖函數(shù)：y=sin(x), y=cos(x), x = np.linspace(-np.pi, np.pi, 256, endpoint=True)
• 繪制填充區(qū)域: 紫色區(qū)域：(-2.5<x)&(x<-0.5)，綠色區(qū)域：sinx>0.5

# 代碼
import numpy as np
import matplotlib.pyplot as plt

# 創(chuàng)建一個大小為(10, 6)的圖像，設(shè)置分辨率為80
plt.figure(figsize=(10,6), dpi=80)

# 生成一個從-pi到pi的256個點(diǎn)的等差數(shù)列
x = np.linspace(-np.pi, np.pi, 256, endpoint=True)

# 計算x對應(yīng)的sin和cos值
C, S = np.cos(x), np.sin(x)

# 繪制sin(x)曲線，設(shè)置顏色為藍(lán)色，線寬為2.5，線型為實(shí)線
plt.plot(x, S, color="blue", linewidth=2.5, linestyle="-", label=r'$sin(x)$')

# 繪制cos(x)曲線，設(shè)置顏色為紅色，線寬為2.5，線型為實(shí)線
plt.plot(x, C, color="red", linewidth=2.5, linestyle="-", label=r'$cos(x)$')

# 填充cos(x)曲線在x范圍(-2.5, -0.5)之間的區(qū)域，顏色為深紫色(DarkViolet)，透明度為0.5
plt.fill_between(x, C, where=((-2.5 < x) & (x < -0.5)), color='DarkViolet', alpha=0.5)

# 填充sin(x)曲線在值大于0.5的區(qū)域，顏色為深綠色(DarkGreen)，透明度為0.5
plt.fill_between(x, S, where=(S > 0.5), color='DarkGreen', alpha=0.5)

# 添加圖例，位于左上角，并設(shè)置圖例的背景色為白色
plt.legend(loc='upper left', facecolor='white')

# 設(shè)置x軸和y軸的范圍
plt.xlim(x.min()*1.2, x.max()*1.2)
plt.ylim(C.min()*1.2, C.max()*1.2)

# 設(shè)置x軸和y軸的刻度標(biāo)簽
plt.xticks([-np.pi, -np.pi/2, 0, np.pi/2, np.pi], [r'$-\pi$', r'$-\pi/2$', r'$0$', r'$+\pi/2$', r'$+\pi$'])
plt.yticks([-1,1], [r'$-1$', r'$1$'])

# 移動坐標(biāo)軸到原點(diǎn)
ax = plt.gca()
ax.spines['right'].set_color('none')
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom')
ax.yaxis.set_ticks_position('left')
ax.spines['bottom'].set_position(('data',0))
ax.spines['left'].set_position(('data',0))

# 設(shè)置特殊點(diǎn)的標(biāo)記和注釋
t = 2*np.pi/3
plt.plot([t,t],[0,np.cos(t)], color ='red', linewidth=2.5, linestyle="--")
plt.scatter([t,],[np.cos(t),], 50, color ='red')
plt.annotate(r'$sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
             xy=(t, np.sin(t)), xycoords='data',
             xytext=(+10, +30), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

plt.plot([t,t],[0,np.sin(t)], color ='blue', linewidth=2.5, linestyle="--")
plt.scatter([t,],[np.sin(t),], 50, color ='blue')
plt.annotate(r'$cos(\frac{2\pi}{3})=-\frac{1}{2}$',
             xy=(t, np.cos(t)), xycoords='data',
             xytext=(-90, -50), textcoords='offset points', fontsize=16,
             arrowprops=dict(arrowstyle="->", connectionstyle="arc3,rad=.2"))

# 添加標(biāo)題，并設(shè)置標(biāo)題的顏色為綠色，位置為中心
plt.title('繪圖實(shí)例之SIN()&COS()', color="green", loc="center")

# 添加網(wǎng)格線
plt.grid(True)

# 顯示圖像
plt.show()

文章來源地址http://www.zghlxwxcb.cn/news/detail-856907.html

到了這里，關(guān)于數(shù)據(jù)可視化（六）：Pandas爬取NBA球隊排名、爬取歷年中國人口數(shù)據(jù)、爬取中國大學(xué)排名、爬取sina股票數(shù)據(jù)、繪制精美函數(shù)圖像的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！