Matplotlib可视化实践系列：折线图

2017/1/2 0 人评论 26,833 次阅读

matplotlib是Python下最常用的数据可视化绘图库，功能强大，绘图精美，虽然也有基于matplotlib的seabron库，极大得简化的绘图的流程，但个人还是更加偏向于在静态数据可视化方面使用matplotlib来进行绘图工作。
下面，我们从matplotlib的一个折线图开始，了解如何使用matplotlib绘制可观的图形。
此文简陋，权作引路，更丰富详细的用法和实例，还请自己到matplotlib官网上详参。

一、引入matplotlib

import sys
sys.path.append('C:\Python34\Lib\site-packages')
import matplotlib.pyplot as plt
import tushare as ts

%matplotlib inline

在此，我们使用tushare模块的股票数据来作为绘图的演示数据

# 获取上证50指数的历史数据
data = ts.get_hist_data('sz50',start='2016-11-01',end='2016-12-30')

data = data.sort_index()
data.head(10)

	open	high	close	low	volume	price_change	p_change	ma5	ma10	ma20	v_ma5	v_ma10	v_ma20
date
2016-11-01	2250.49	2263.62	2263.48	2246.95	220153.06	13.01	0.58	2255.026	2249.795	2222.904	241296.18	287549.64	235541.77
2016-11-02	2256.12	2259.19	2244.74	2242.77	222608.25	-18.74	-0.83	2252.550	2252.116	2226.805	231525.71	280377.65	242027.97
2016-11-03	2241.44	2283.25	2273.63	2239.87	409130.28	28.89	1.29	2257.224	2257.137	2231.718	266475.15	301517.76	256544.75
2016-11-04	2271.85	2284.95	2271.93	2266.92	361920.91	-1.70	-0.07	2260.850	2260.255	2236.447	282392.41	302041.27	270031.14
2016-11-07	2271.96	2279.55	2276.95	2265.36	259667.05	5.02	0.22	2266.146	2260.855	2240.151	294695.91	278404.53	273364.39
2016-11-08	2284.01	2294.62	2282.42	2276.74	325958.75	5.47	0.24	2269.934	2262.480	2243.811	315857.05	278576.61	279077.64
2016-11-09	2281.12	2281.59	2263.92	2244.43	373524.31	-18.50	-0.81	2273.770	2263.160	2246.957	346040.26	288782.99	290014.44
2016-11-10	2279.94	2297.97	2289.45	2279.94	345659.97	25.53	1.13	2276.934	2267.079	2251.323	333346.20	299910.68	298143.04
2016-11-11	2285.61	2315.96	2308.43	2284.29	569486.00	18.98	0.83	2284.234	2272.542	2256.254	374859.22	328625.81	314642.09
2016-11-14	2304.61	2338.58	2317.77	2303.97	616848.62	9.34	0.41	2292.398	2279.272	2262.498	446295.53	370495.72	333903.58

首先，我们绘制一个基本的折线图

# 一个基本的折线图
x = range(len(data))
# 收盘价的折线图
plt.plot(x,data['close'])

简单的使用plot()方法就绘制出了一个基本的的折线图。

为了方便下面的演示，我们在图形里面再加入一个最高价的折线图

x = range(len(data))
plt.plot(x,data['close'])
plt.plot(x,data['high'])

在plot()方法后面，再加入一个绘制折线图的方法，就可以在同一个图形里绘制出第二条折线，就是这么简单。

但是我们发现两个问题，第一，图形过小不便于查看，第二，两条折线因为比较相近，颜色也不易区分，接下来，咱们设置一下图形的大小和线条的颜色。

# 设置图形大小和线条颜色
x = range(len(data))
plt.figure(figsize=(10,5))
plt.plot(x,data['close'])
plt.plot(x,data['high'])

嗯，实例化一个figure对象，使用参数figsize设置其大小为(16,8)，这样，下面的绘图方法都是继承于figure这个对象的属性了。

我们再解决第二个问题，线条颜色

x = range(len(data))
plt.figure(figsize=(10,5))
plt.plot(x,data['close'])
plt.plot(x,data['high'],color='r')

我们在plot()方法里面使用color属性，把最高价的折线颜色设置为了红色，这样两条折线看起来就容易分清楚了。

但是这样的图片还是太过于简陋，我们把折线图的标题、X轴信息，Y轴信息，图例加上：

from matplotlib.pylab import datestr2num
x = range(len(data))
x_date = [datestr2num(i) for i in data.index]
plt.figure(figsize=(10,5))
plt.title("上证50指数历史最高价、收盘价走势折线图")
plt.xlabel("时间")
# plt.xticks(x,[i for i in data.index])
plt.ylabel("指数")
plt.plot_date(x_date,data['close'],'-',label="收盘价")
plt.plot_date(x_date,data['high'],'-',color='r',label="开盘价")
plt.legend()

因为X轴的信息为时间戳，在这里，我们使用的matplotlib.pylab的datestr2num方法，将时间字符串转换为数字，然后再通过plot_date()方法绘制出折线图，普通的X轴信息使用plt.xticks即可设置。

使用title()方法设置标题，xlable()方法设置X轴说明，ylable()方法设置Y轴说明，legend()方法设置图例

这样，一个基本的折线图就完成了，但是看着并不是很美观，我们把它美化一下。

x = range(len(data))
x_date = [datestr2num(i) for i in data.index]
plt.figure(figsize=(10,5))
plt.title("上证50指数历史最高价、收盘价走势折线图")
plt.xlabel("时间")
plt.xticks(rotation=45)
plt.ylabel("指数")
plt.plot_date(x_date,data['close'],'-',label="收盘价")
plt.plot_date(x_date,data['high'],'-',color='r',label="最高价")
plt.legend()
plt.grid()

这样虽然看起来比之前好看很多了，但是仍然觉得画面粗糙感很强，我们可以试着换一个图形主题。

x = range(len(data))
x_date = [datestr2num(i) for i in data.index]
plt.style.use('ggplot')
plt.figure(figsize=(10,5))
plt.title("上证50指数历史最高价、收盘价走势折线图")
plt.xlabel("时间")
plt.xticks(rotation=45)
plt.ylabel("指数")
plt.plot_date(x_date,data['close'],'-',label="收盘价")
plt.plot_date(x_date,data['high'],'-',label="最高价")
plt.legend()
plt.grid(True)