PS:最近刚好用到Matlplotlib数据可视化，顺便对一些常用的函数做一下总结。🍥🍥

绘制单张数据图

    import matplotlib.pyplot as plt
    # 后续默认已经调用过库
    plt.plot([1,2,3,8,6,9])

将多个数据放在同一个表格中

    plt.plot([1,2,3,8,6,9])
    plt.plot([1,3,9,6,2,0])

加入标签

    plt.plot([1,2,3,8,6,9],label=1)
    plt.plot([1,3,9,6,2,0],label=2)
    plt.legend()

• 🌚如果不加入plt.legend()图片中无法显示标签，并且可以通过调整参数更改绘制的位置。同时，也可以将标签放到统计图的外侧。

• 🍪在结束绘制时记得添加plt.close()`,否则就会把图像全部画在同一张图片里。`plt.cla()`、`plt.clf()`、`plt.close()之间的区别可以参考

在统计图中绘制辅助线

    plt.plot([1,2,3,8,6,9],label=1)
    plt.plot([1,3,9,6,2,0],label=2)
    plt.axvline(3,linestyle='dashed') # 绘制竖直辅助线
    plt.axhline(3,linestyle='dashed') # 绘制水平参考线
    plt.legend()

显示图片是可以使用plt.show()
保存绘制的图像plt.savefig('保存路径及文件名')，可以添加参数设置保存图像的质量

在一个窗口中显示多个表格

plt.subplot(2,1,1) # 在窗口1行1列绘制图像
plt.plot([1,2,3,8,6,9])
plt.subplot(2,1,2) # 在窗口2行1列绘制图像
plt.plot([1,3,9,6,2,0])
plt.close()

引用

Python——legend()图例位置调整

Python_matplotlib画图时图例说明(legend)放到图像外侧

matplotlib之清理、清除 axes 和 figure （plt.cla、plt.clf、plt.close）

数据可视化之matplotlib实战：plt.axhline() axvline()函数 绘制水平or垂直参考线

Python使用matplotlib.subplot在同一窗口中绘制多个子图