今天学习Python的matplotlib，书上的一道例题感觉写的很好（黄红梅的Python数据分析与应用），就是

利用matplotlib的各种图来对2000-2017年季度生产总值进行分析，这道题确实是学习用图分析数据的一道经典

题，于是我根据书上的代码和自己的理解在jupyter上敲了一下，并做了总结，贴在下面，方便后序的学习和使用

1 首先把数据文件导进来，然后大概了解数据文件里面有啥内容，这是文件的链接，有需要的朋友可以下载来学习使用

https://files.cnblogs.com/files/henuliulei/%E5%9B%BD%E6%B0%91%E7%BB%8F%E6%B5%8E%E6%A0%B8%E7%AE%97%E5%AD%A3%E5%BA%A6%E6%95%B0%E6%8D%AE.zip

然后再绘制散点图，下面是以第一季度绘制的，代码如下

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’#设置中文显示，否则可能无法显示中文或者是各种字符错乱
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
print(data)#这时的data是数据对象
print(data.keys())#该数据对象是个字典，所以先获取他的key值
print(data[‘columns’])#看一下key值里面有什么，
print(data[‘values’])#看一下value值里面有什么，
name=data[‘columns’]
values=data[‘values’]
plt.figure(figsize=(8,7))
plt.scatter(values[:,0],values[:,2],marker=’o’)#以数据的第零列做x轴，第三列做y轴,来描绘散点图
plt.xlabel(‘年份’);
plt.ylabel(‘生产总值（亿元）’);
plt.ylim((0,225000))
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation=45)#此时取得值都是第一季度的
plt.title(‘2000-2017年季度生产总值散点图’)
plt.savefig(‘D:/2000-2017年季度生产总值散点图.png’)#注意要先保存再show
plt.show()#下面是得到的结果

可以很清晰看出数据里面大致是啥东西。

2： 再如下面是分析的第一二三产业的的国民生产总值，代码如下

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’#设置中文显示，否则可能无法显示中文或者是各种字符错乱
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
plt.scatter(values[:,0],values[:,3],marker=’o’,c=’red’)#下面三类是绘制的第一二三产业的增加值
plt.scatter(values[:,0],values[:,4],marker=’D’,c=’blue’)
plt.scatter(values[:,0],values[:,5],marker=’v’,c=’yellow’)
plt.xlabel(‘年份’);
plt.ylabel(‘生产总值（亿元）’);
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation=45)#此时取得值都是第一季度的
plt.title(‘2000-2017年季度生产总值散点图’)
plt.legend([‘第一产业’,’第二产业’,’第三产业’])
plt.savefig(‘D:/2000-2017年季度生产总值散点图.png’)#注意要先保存再show
plt.show()

其实画图并不是目的，真正的目的是通过这些图来进行数据分析，获取我们要找到的东西

比如上面的图我们可以得到：第一季度增长平缓，第三季度呈现指数增长，第二季度每年会根据季度呈现指数增长。总体来看，我国近18年的各个产业都在持续增长中，

并且第二和第三产业的增长幅度比较大，18年增长了400%以上。这些结论性的东西才是我们最终的目的。

3 下面是折现图分析第一季度

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’#设置中文显示，否则可能无法显示中文或者是各种字符错乱
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
plt.plot(values[:,0],values[:,2],color=’r’,linestyle=’–‘)
plt.xlabel(‘年份’);
plt.ylabel(‘生产总值（亿元）’);
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation=45)#此时取得值都是第一季度的
plt.title(‘2000-2017年季度生产总值折现图’)
plt.savefig(‘D:/2000-2017年季度生产总值散点图.png’)#注意要先保存再show
plt.show()

 散点图可以反映x和y轴（特性）的相关关系

而绘制折线图可以了解特性之间的趋势关系

4点线图（其实就是改变marker）

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
plt.plot(values[:,0],values[:,2],color=’r’,linestyle=’–‘,marker=’s’)#plot绘制点线图
plt.xlabel(‘年份’,fontsize=10);
plt.ylabel(‘生产总值（亿元）’,fontsize=20);
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation=45)
plt.title(‘2000-2007年各季度国民生产总值点线图’)
plt.savefig(‘D:/a4.png’)
plt.show()

有时可能默认的图片字体大小可能不符合要求，只需要用fontsize去改变大小即可

5：下面绘制2000-2017年各产业季度生产总值折线图

plt.plot(values[:,0],values[:,3],’bs-‘)#第三个参数的含义是颜色blue点的形状正方形线的类型是实线-
plt.plot(values[:,0],values[:,4],’ro-.’)
plt.plot(values[:,0],values[:,5],’gh–‘)
plt.xlabel(‘年份’,fontsize=15);
plt.ylabel(‘生产总值（亿元）’,fontsize=20);
plt.xticks(range(0,70,4),values[range(0,70,4),1],rotation=45)
plt.title(‘2000-2007年各季度国民生产总值折线图’)
plt.legend([‘第一季度’,’第二季度’,’第三季度’])
plt.savefig(‘D:/a4.png’)
plt.show()

同时把三条线加到同一张图片上，同时每个图片设置各自的属性（颜色，点的形状，线性）

注意要先绘制图形，再添加图例（先plot再legend）否则图列显示不出来。同理应该先保存再show()

6：下面是直方图

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
name=data[‘columns’]
values=data[‘values’]
plt.bar(range(3),values[-1,3:6],width=0.5)#-1指的是最后一行2017，第一个参数是下标位置，第二个是对应的y值，后一个是宽度，默认为0.8，还可以自己设置颜色
plt.xlabel(‘年份’,fontsize=15);
plt.ylabel(‘生产总值（亿元）’,fontsize=20);
plt.xticks(range(3),[‘第一产业’,’第二产业’,’第三产业’])
plt.title(‘2017年第一季度国民生产总值直方图’)

plt.savefig(‘D:/a4.png’)
plt.show()

调用plt.bar方法获取直方图,

直方图容易分析数字占比关系

7：下面是饼图的使用

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
name=data[‘columns’]
values=data[‘values’]
label=[‘第一产业’,’第二产业’,’第三产业’]
explode=[0.1,0.5,0.03]#设置指定项距离圆心的距离为N 倍的半径
plt.pie(values[-1,3:6],explode=explode,labels=label,autopct=’%1.1f%%’)
plt.title(‘2017年第一季度各产业国民生产总值直方图’)
plt.savefig(‘D:/a4.png’)
plt.show()

 通过explode改变每份图距离圆心的距离，该距离为半径的指定倍数，也可以通过radius=数值来设置半径的大小

饼图可以方便看出占比

8：下面介绍箱线图的使用

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.sans-serif’]=’SimHei’
plt.rcParams[‘axes.unicode_minus’]=False
data=np.load(“D:/国民经济核算季度数据.npz”)#加载数据
plt.figure(figsize=(8,7))
name=data[‘columns’]
values=data[‘values’]
label=[‘第一产业’,’第二产业’,’第三产业’]
gdp=(list(values[:,3]),list(values[:,4]),list(values[:,5]))
plt.boxplot(gdp,notch=True,labels=label,meanline=True)#第一个参数是数据，第二个参数是是否带有缺口，第三个参数是标签，第四个参数是是否带有均值线
plt.title(‘2017年第一季度各产业国民生产总值箱线图’)
plt.savefig(‘D:/a4.png’)
plt.show()

可以看出第一产业某个季度有异常值，第三季度增速大，而且数据前半部分相对密集。
总结：通过matplotlib对国民生产总值分析，可以让我们更快的了解对其中绘图方法的使用的了解
。且无论是哪种绘图方法都不要忘记对最种的结果进行分析，获取我们所要的结论。