Python数据可视化全套课件

数据可视化导论初识数据可视化技术目录数据可视化定义数据可视化发展历程数据可视化作用数据可视化流程典型应用场景数据可视化操作工具01数据可视化定义初识数据可视化技术数据的视觉表现形式图形与图像处理在数据可视化中，图形与图像处理技术扮演着至关重要的角色。通过将复杂的数据集转换为直观的图表和图像，这些技术帮助用户快速理解数据模式和趋势。计算机视觉的应用计算机视觉技术使得机器能够“看”懂图像内容，进而分析和解译数据。这项技术广泛应用于面部识别、物体检测等领域，极大地丰富了数据可视化的表现力。用户界面设计的重要性优秀的用户界面设计是数据可视化成功的关键。它不仅需要美观吸引，更重要的是要提供清晰、直观的数据展示方式，确保用户能够轻松地获取信息并作出决策。初识数据可视化技术科学与艺术结合01数据可视化的科学性数据可视化基于统计学、心理学和计算机科学等多学科知识，通过科学的方法和工具，将复杂的数据集转化为易于理解的视觉形式，帮助用户发现数据背后的规律和趋势。02数据可视化的艺术性数据可视化不仅仅是展示数据，更是一种艺术表达。设计师通过色彩、布局、形状等视觉元素，创造出既美观又富有表现力的图表，使数据故事更加生动和吸引人。03科学与艺术的融合在数据可视化中，科学与艺术的结合体现在如何平衡准确性和美感。一方面，确保数据的真实性和精确性；另一方面，通过创意设计提升用户体验，使数据传达更加高效和愉悦。02数据可视化发展历程初识数据可视化技术古代地图绘制01古代地图绘制的起源古代地图绘制起源于人类对地理空间认知的需求，通过简单的线条和符号记录地形地貌，为早期文明的探索与交流提供了基础。02手工制图技术的发展随着科学技术的进步，手工制图技术得到显著提升，人们开始使用更精确的工具和方法来制作地图，使得地图的准确性和实用性大大增强。03可视化工具的应用在16世纪，几何图表和地图成为可视化的主要形式，这些工具不仅用于展示地理信息，还广泛应用于商业数据分析，促进了信息的传递和理解。初识数据可视化技术16世纪几何图表01几何图表的兴起在16世纪，随着商业和航海活动的增加，人们开始寻求更有效的方式来展示地理信息和商业数据。几何图表因其直观性和易于理解的特点而逐渐流行起来。02商业数据的可视化随着商业活动的发展，商人和企业开始利用几何图表来分析和展示商业数据，如贸易路线、商品流通等，这有助于他们做出更明智的商业决策。03地图制作的进步16世纪的地图制作技术得到了显著的提升，制图师们开始使用更精确的测量工具和方法，使得地图更加准确和详细，为航海和探险提供了重要的支持。初识数据可视化技术17世纪物理测量01物理测量的革新17世纪，随着科学革命的兴起，物理测量技术得到了显著的发展。科学家们开始使用更加精确的仪器和方法来测量自然现象，为数据可视化奠定了基础。02图表和图形的应用17世纪，科学家们开始使用图表和图形来记录和分析实验数据。这种直观的方式使得复杂的数据更容易被理解和解释，推动了科学研究的进步。03数据可视化的发展17世纪的物理测量不仅推动了数据可视化的发展，也为后来的统计学和数据分析提供了重要的工具。这些工具至今仍在各个领域发挥着重要作用。初识数据可视化技术20世纪计算机支持计算机技术的崛起20世纪中叶，随着电子计算机的发明和普及，数据处理能力得到极大提升，为数据可视化提供了必要的技术支撑，开启了信息时代的新篇章。WilliamS.Cleveland的贡献WilliamS.Cleveland在美国国家标准局的工作期间，对数据可视化进行了深入研究，提出了一系列理论和方法，为该领域的发展奠定了坚实的基础。数据可视化理论的形成在20世纪60年代，随着计算机技术的发展，数据可视化开始形成独立的研究领域，WilliamS.Cleveland等人的研究为这一领域提供了重要的理论基础。初识数据可视化技术1970年代科学研究应用01数据可视化在天文学中的应用1970年代，随着计算机技术的发展，天文学家开始利用数据可视化技术来分析宇宙数据，通过图表和图像的形式更直观地理解星系、行星等天体的运动规律。02生物信息学的兴起在生物学领域，数据可视化帮助科学家解析复杂的遗传信息，通过图形化展示DNA序列、蛋白质结构等，促进了基因工程和分子生物学的研究进展。03地球科学的数据解读地质学家和气象学家使用数据可视化工具来分析地震波、气候模型等数据，这些工具帮助他们更好地预测自然灾害，提高了对地球系统变化的理解。初识数据可视化技术1980年代计算机图形学发展计算机图形学的兴起在1980年代，随着计算机硬件性能的显著提升和软件算法的进步，计算机图形学开始迅速发展，为数据可视化提供了强大的技术支持。数据可视化技术的革新这一时期，数据可视化技术经历了重大革新，从简单的图表和图形发展到复杂的三维模型和动画，极大地丰富了数据的表现形式。精确度与表现力的提升随着计算机图形学的发展，数据可视化的精确度和表现力得到了显著提升，使得研究人员能够更准确地分析和解释复杂数据集。初识数据可视化技术1990年代互联网兴起互联网的普及与影响1990年代，随着互联网技术的飞速发展，全球范围内实现了信息的快速传播和共享，极大地改变了人们的生活方式和工作模式。01数据可视化的兴起在互联网技术的支持下，数据可视化作为一种新兴的信息表达方式开始流行，它通过图形化手段帮助人们更直观地理解和分析数据。02在线数据分析的发展随着互联网技术的发展，在线数据分析成为可能，企业和研究机构能够实时收集、处理和分析大量数据，为决策提供支持。03初识数据可视化技术2000年代大数据时代2000年代，随着互联网和信息技术的飞速发展，大数据技术应运而生。它通过收集、存储、分析海量数据，为企业决策提供有力支持，成为新时代的重要生产力。大数据技术的兴起01在大数据时代，数据可视化技术发挥着至关重要的作用。它将复杂的数据以直观、易懂的方式呈现，帮助人们快速理解数据背后的信息，提高数据分析的效率和准确性。数据可视化的重要性022000年代以来，大数据技术逐渐渗透到各行各业。从金融、医疗到教育、交通等领域，大数据都发挥着重要作用，推动行业创新和发展，为社会带来巨大变革。大数据技术的兴起03初识数据可视化技术2010年代人工智能应用自动驾驶技术的突破2010年代，自动驾驶技术通过深度学习算法实现了对交通标志、行人和其他车辆的识别，谷歌Waymo项目成为该领域的标志性成果，标志着自动驾驶向实用化迈进。智能家居系统的普及利用人工智能技术，智能家居系统能够实现家居设备的自动化控制和管理，智能音箱等设备通过语音识别与用户交互，极大地提高了生活的舒适度和便利性。医疗健康领域的AI应用人工智能在医疗健康领域展现出巨大潜力，通过图像识别技术辅助疾病诊断，同时在药物研发、患者管理和远程医疗服务中发挥作用，显著提升了医疗服务效率和质量。03数据可视化的作用初识数据可视化技术提高理解和分析能力数据可视化的定义与重要性数据可视化是一种将复杂数据通过图形、图表等视觉元素转化为易于理解的信息的技术，它在现代信息处理中发挥着重要作用，帮助用户更好地洞察数据的内涵与规律。提高理解和分析能力的方式通过使用数据可视化工具，我们可以将复杂的数据转化为易于理解的图形和图表，从而提高我们的理解和分析能力，使我们能够更快地从大量数据中提取有价值的信息。数据可视化的实际应用在实际应用中，数据可视化已经被广泛应用于各个领域，如商业分析、科学研究等，它不仅提高了我们的工作效率，也帮助我们做出了更准确的决策。初识数据可视化技术加快决策速度01直观呈现复杂数据通过将复杂的数据集转化为图表和图形，决策者可以迅速识别模式、趋势和异常点，从而在较短时间内做出基于数据的决策。02提高信息处理效率数据可视化工具能够高效地处理和分析大量数据，帮助决策者快速筛选关键信息，减少手动分析的时间和错误，提升决策效率。03促进团队协作与沟通通过共享易于理解的视觉化数据报告，团队成员之间可以更有效地交流想法和见解，共同参与决策过程，加快决策速度并提高决策质量。初识数据可视化技术促进团队合作01迅速传达信息数据可视化通过图表和图形的形式，能够快速向团队成员展示数据背后的故事和趋势，有效减少信息传递过程中的误解和歧义。02降低沟通成本直观的图形和图表帮助团队成员更容易理解复杂数据，减少了解释和讨论所需的时间，从而降低了团队内部的沟通成本。03增强协作效率当团队成员能够清晰地看到数据和分析结果时，他们可以更有效地协同工作，共同解决问题，从而提高了团队的整体协作效率。初识数据可视化技术提升数据驱动思维鼓励以数据为基础的思考方式数据可视化通过将复杂数据转化为直观的图表和图形，极大地促进了基于数据的思维方式，使人们能够更轻松地分析和理解数据背后的信息。01促进问题解决和业务优化利用数据可视化展示数据的趋势、模式和关系，帮助用户快速识别问题根源，从而制定出更有效的解决方案和业务优化策略，提升整体效率。02增强决策依据数据可视化提供了清晰、直观的数据证据，支持决策者做出基于数据的决策，减少主观判断的影响，从而提高决策的准确性和可靠性。0304数据可视化流程【matplotlib.pyplot模块】初识数据可视化技术数据收集01数据库查询数据库查询是数据收集中常用的方法之一，通过编写SQL语句直接从数据库中检索所需数据，这种方法可以快速准确地获取大量结构化数据。02API调用API调用允许开发者利用应用程序接口（API）获取实时或定期更新的数据，这种方式适用于需要频繁更新数据的应用场景，能够保证数据的时效性和准确性。03网络爬虫技术网络爬虫技术使用自动化脚本从互联网上抓取公开信息，适用于大规模数据采集任务，但需要注意遵守相关法律法规和网站的爬取规则。初识数据可视化技术数据清洗缺失值处理是数据清洗中的关键步骤，涉及识别并处理数据集中的空白或不完整记录。通过删除、填充或插值等方法，确保数据的完整性和准确性，为后续分析打下坚实基础。缺失值处理01格式标准化是将数据转换为统一格式的过程，包括日期、时间、数值等的统一表示。这一步骤有助于消除数据格式差异，提高数据处理效率，确保数据分析的一致性和准确性。格式标准化02异常值检测旨在识别并处理数据集中不符合预期的极端值。这些异常值可能由错误或特殊情况造成，通过适当的处理方法，可以保证数据分析的准确性和可靠性。异常值检测03初识数据可视化技术数据分析描述性统计分析描述性统计分析是数据分析的基础，通过对数据集的均值、中位数和标准差等基本统计量的计算，帮助我们快速了解数据的整体分布情况。探索性数据分析（EDA）探索性数据分析通过图表和图形的形式，揭示数据中的模式、趋势和异常值，为深入分析提供直观依据，是理解数据特性的重要步骤。假设检验与回归分析假设检验用于验证数据背后的假设是否成立，而回归分析则探究变量间的关联性，预测因变量的变化，两者共同支持数据的科学解读和应用。初识数据可视化技术数据可视化设计确定数据类型在数据可视化设计之初，明确展示的数据类型至关重要。这包括区分定量数据、定性数据或时间序列数据等，以确保后续的图表选择和设计能够准确反映数据特性。选择图表类型根据数据的特性和分析目的，选择合适的图表类型是关键步骤。例如，柱状图适用于比较不同类别的数据，而折线图则更适合展示数据随时间的变化趋势。故事叙述通过图表讲述数据背后的故事，清晰地传达数据分析的结论和洞察，使观众能够快速抓住重点。初识数据可视化技术数据可视化实现01数据可视化工具选择选择合适的数据可视化工具是实现有效数据展示的关键一步。市面上流行的工具如Tableau、PowerBI提供了丰富的图表类型和交互功能，适合快速开发和部署。02自定义可视化的实现对于特定的数据分析需求，使用编程语言如Python、R或JavaScript进行自定义可视化开发，可以更灵活地控制图表的样式和功能，满足个性化需求。03数据可视化目的数据可视化的主要目的是将复杂的数据分析结果转化为直观易懂的图形表示，帮助用户更容易理解和解释数据，从而做出更加明智的决策。初识数据可视化技术数据解释与应用01数据解释的重要性数据解释是数据可视化流程中的关键步骤，它帮助观众理解图表中的信息和发现。通过有效的解释，观众可以从数据中获得洞见，并据此做出决策或采取行动。02数据应用的方式数据应用可以通过多种方式进行，包括报告、演示、文章等。这些方式可以帮助观众更好地理解和利用数据，从而从中获得价值。03数据解释与应用的目标数据解释与应用的目标是使观众能够从数据中获得洞见，并据此做出决策或采取行动。这是实现数据价值的重要途径，也是数据可视化的最终目标。05数据可视化应用场景初识数据可视化技术科学研究数据可视化技术在科研中的应用数据可视化技术通过将复杂的科学数据转化为直观的图形和图表，帮助研究人员更好地理解和解释数据，从而推动科学发现和创新。实验结果的展示与分析利用数据可视化技术，研究人员可以将实验结果以直观的方式呈现出来，便于对实验数据进行深入分析和比较，提高研究效率。模拟分析的可视化表达数据可视化技术在模拟分析中发挥着重要作用，通过将模拟结果以图形化的形式展示，有助于研究人员更直观地理解模型的行为和特性。初识数据可视化技术交通运输交通疏解可视化技术在交通运输领域，数据可视化技术被用于监测和管理交通状况，通过将复杂的交通数据以图形、图表等形式直观展示，帮助交通管理部门和公众更好地理解交通流量、拥堵情况等信息。01提高交通安全数据可视化技术可以帮助交通管理部门及时发现事故频发区域，通过对这些区域的深入分析，可以采取有效的措施来预防交通事故的发生，从而提高整体的交通安全水平。02优化交通流通过数据可视化技术，交通管理部门可以实时监控交通流量，根据交通状况调整信号灯配时、路线规划等，有效缓解交通拥堵，优化交通流，提高道路使用效率。03初识数据可视化技术资源管理01数据可视化技术在资源管理中的应用数据可视化技术通过将复杂的地理和资源数据转化为易于理解的视觉形式，使资源管理和开发更加直观，帮助决策者更有效地监控、分析和规划资源的使用和管理。02数字地图的形成与作用数字地图是数据可视化技术的一种重要应用，它能够清晰地展示资源的分布情况，为资源管理提供直观的参考，有助于提高资源利用效率和管理水平。03提升资源管理决策效率通过数据可视化技术，决策者可以快速获取并理解大量复杂的资源数据，从而做出更准确、更及时的决策，有效提升资源管理的决策效率和质量。初识数据可视化技术医疗健康数据可视化在医疗健康中的应用数据可视化技术通过将复杂的医疗数据转化为直观的图表和图形，帮助医生快速识别患者的健康状况、疾病发展趋势以及治疗效果，从而提高医疗服务的效率和质量。01提高诊断效率与准确性利用数据可视化技术，医生可以更直观地了解病人的健康数据，从而及时进行诊断和治疗。这种技术的应用有助于提高医疗服务的效率和质量，减少误诊率。02促进个性化治疗方案制定数据可视化技术可以帮助医生更好地理解病人的病情，从而制定出更加个性化的治疗方案。这种方案能够更好地满足病人的需求，提高治疗效果。0306数据可视化工具Matplotlib数据可视化工具介绍Matplotlib的起源与设计Matplotlib作为Python中数据可视化的先驱，其设计理念深受20世纪80年代MATLAB的影响，旨在为科学家和工程师提供强大的绘图工具。丰富的图表类型支持Matplotlib支持多种图表类型，包括线图、散点图、条形图等，满足不同数据展示需求，使数据分析更加直观易懂。高度自定义与扩展性Matplotlib提供了丰富的自定义选项，用户可以根据需要调整图表的样式、颜色、标签等，同时支持与其他Python库结合使用，增强功能。数据可视化工具介绍MatplotlibMatplotlib的起源与设计Matplotlib作为Python中数据可视化的先驱，其设计理念深受20世纪80年代MATLAB的影响，旨在为科学家和工程师提供强大的绘图工具。丰富的图表类型支持Matplotlib支持多种图表类型，包括线图、散点图、条形图等，满足不同数据展示需求，使数据分析更加直观易懂。高度自定义与扩展性Matplotlib提供了丰富的自定义选项，用户可以根据需要调整图表的样式、颜色、标签等，同时支持与其他Python库结合使用，增强功能。数据可视化工具介绍Seaborn01Seaborn简介Seaborn是一个基于Matplotlib的高级可视化库，它提供了简洁的语法和美观的色彩方案，使得数据可视化变得更加简单和吸引人。02交互式界面支持Seaborn支持交互式界面，用户可以通过简单的操作来探索和理解数据，这使得数据分析过程更加直观和高效。03统计数据可视化专注Seaborn专注于统计数据的可视化，它提供了丰富的统计图形类型，可以有效地揭示数据集中的复杂关系，帮助用户深入理解数据。数据可视化工具介绍Plotly01Plotly的交互式绘图功能Plotly提供了强大的交互式绘图功能，用户可以通过缩放、平移和悬停在数据点上以获取更多信息，这使得数据分析变得更加直观和深入。02Plotly的可视化效果丰富性Plotly支持丰富的可视化效果，包括科学图表、3D图表、统计图表和金融图表等，能够满足各种复杂的数据可视化需求。03Plotly的开源性和全面性Plotly是一个开源且全面的工具，它不仅提供了丰富的可视化效果，还支持在Python中创建声明性可视化，使得用户可以更方便地进行数据分析和可视化。数据可视化工具介绍BokehBokeh的核心特性Bokeh是一款Python交互数据可视化库，它以现代网络浏览器为呈现目标，提供优雅、简洁的新颖图形结构和高性能交互性。这使得用户能够轻松地创建出既美观又实用的图表。01Bokeh的共享与集成功能Bokeh支持在线共享选项以及与JupyterNotebooks的集成，这意味着用户可以方便地将他们的可视化作品分享给他人，或者在JupyterNotebooks中直接使用Bokeh进行数据可视化。02Bokeh的API设计Bokeh提供了高级和低级API以满足不同需求。高级API使得初学者可以快速上手，而低级API则为有经验的开发者提供了更大的灵活性和控制力。03数据可视化工具介绍PygalPygal简介Pygal是一个开源的Python数据可视化库，它允许用户创建高度互动的图表和图形，支持SVG和PNG格式下载，适用于多种应用场景。高度互动性Pygal生成的图表具有高度的互动性，用户可以通过鼠标悬停、点击等操作与图表进行交互，从而更深入地了解数据背后的信息。定制化选项Pygal提供了丰富的定制化选项，用户可以根据自己的需求调整图表的颜色、样式、布局等，以创造出符合特定审美或功能要求的可视化作品。数据可视化工具介绍PyechartsPyecharts简介20Pyecharts是一个基于Python的数据可视化库，它为百度ECharts提供了Python接口，使得在Python环境中创建动态、交互式图表变得简单快捷。支持的图表类型Pyecharts支持多种图表类型，包括但不限于条形图、树状图、饼图和3D散点图等，这些图表类型能够满足不同场景下的数据统计和展示需求。应用场景Pyecharts广泛应用于数据统计和数学计算领域，通过其丰富的图表类型和强大的功能，可以帮助用户更直观地理解和分析数据。谢谢！主讲：XX人口普查数据图形展示【matplotlib绘图库】数据可视化工作可以帮助决策者发现数据中的趋势、关联和异常，并从数据特征中发现业务优化点和风险，推动业务增长和创新、规避风险。数据可视化工程师负责将数据转化为直观易懂的图表图形，要具备扎实的数据分析能力，能够理解和解释数据，选择适当的图表类型、颜色、布局等，使数据可视化作品具有吸引力和清晰度，方便用户从中获取数据特征和规律。因此，在数据可视化时要客观、公正；要关注用户体验，设计互动性强、易用性好的数据可视化界面，使用户能够自主地进行数据探索和分析；并同时关注编码规范，在需要的地方添加注释等，增强代码的可读性。人口普查数据图形展示学习目标学习目标认识matplotlib，可以在Python环境中安装matplotlib；掌握matplotlib.pyplot模块常用的绘图函数，可以绘制一些简单的图表；掌握绘制子图的几种方式，可以共享子图之间的坐标轴；掌握图表常用辅助元素的设置；掌握默认的图表样式和修改图表样式的方法Matplotlib库概述基础图形绘制划分画布绘制子图目录/CONTENTSMatplotlib是一个用于绘制图表和可视化数据的Python库，是数据科学、机器学习和科学计算领域中最流行的绘图库之一，支持numpy、pandas等数据结构。它主要用于绘制2D图表，具有丰富的绘制图表、定制图表元素或样式的功能，可以用于生成各种静态、交互式和动画图表。matplotlib也可用于绘制一些3D图表。matplotlib概述matplotlib库中应用最广泛的是matplotlib.Pyplot模块，该模块中包含折线图、柱形图、饼图等各种绘图函数，使用这些绘图函数可以绘制简单的图表。函数名说明函数名说明函数名说明Plot折线图Bar柱形图Barh条形图Pie饼图Scatter散点图Hist直方图Boxplot箱线图Stackplot堆叠区域图polar雷达图Clabel等高线图Specgram光谱图Imshow栅格图errorbar误差棒图stem茎叶图streamplot()矢量场流线图matplotlib概述matplotlib.pyplot模块基础图形·折线图散点图柱状图条形图茎叶图误差棒图雷达图饼图箱线图直方图matplotlib.pyplot模块基础图形安装pipinstallmatplotlibcondainstallmatplotlib升级pipinstall--upgradematplotlibcondaupdatematplotlib环境搭建安装和升级frommatplotlibimportpyplotasplt升级frompylabimportmplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcParams['axes.unicode_minus']=False环境搭建导入绘图库figure(num=None,figsize=None,dpi=None,facecolor=None,edgecolor=None)创建画布参数说明num表示图形的编号或名称。数字为编号，字符串为名称。如果是False，则禁止画图形框。figsize用于设置画布的尺寸，指定figure的宽和高，类型为整数构成的元组，顺序为（width,height），单位为英寸。如果没有提供，默认为rcfigure.figsize。facecolor用于设置画板的背景颜色。如果没有提供，默认是rcfigure.facecoloredgecolor用于显示边框颜色。如果没有提供，默认是

rcfigure.edgecolordpi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。如果没有提供，默认为rcfigure.dpiframeon布尔型，可选，默认为True。表示是否显示边框。如果是False，则禁止画图形框。title(label,fontdict=None,loc=’center’,pad=None,**kwargs)编辑图表组件参数说明labelstr，设置标题文本字符串fontdictDict，设置文本的外观，例如文本大小，文本对齐方式等。默认值：fontdict={‘fontsize’：rcParams[‘axes.titlesize’]，‘fontweight’：rcParams[‘axes.titleweight’]，‘verticalalignment’：‘baseline’，‘horizontalalignment’：loc}locstr，设置标题的位置，例如'center'，'left'和'right'padfloat，设置标题距轴顶部的偏移量(以磅为单位)。其默认值为“无”。kwargs设置其他关键字参数作为文本属性，例如color，fonstyle，linespacing，backgroundcolor，rotation等添加图表标题title(label,fontdict=None,loc=’center’,pad=None,**kwargs)编辑图表组件函数名说明xlabel（label,fontdict,labelpad,**kwargs）ylabel（label,fontdict,labelpad,**kwargs）指定当前图形中X轴或Y轴名称，可以设置其位置、颜色、字体大小等xlim（min,max）ylim（min,max）指定当前图形中X轴或Y轴的刻度范围，确定一个数值范围xticks（ticks,labels,**kwargs）yticks（ticks,labels,**kwargs）指定当前图形中X轴或Y轴刻度的数量与取值。其中参数：ticks：表示刻度显示的位置列表；Labels：表示指定位置刻度的标签列表。设置坐标轴grid(b=None,which=’major’,axis=’both’,**kwargs)编辑图表组件参数说明b是否显示网格线。布尔值或None，可选参数。如果没有关键字参数，则b为True，如果b为None且没有关键字参数，相当于切换网格线的可见性which网格线显示的尺度。字符串，可选参数，取值范围为{'major','minor','both'}，默认为'both'。'major'为主刻度、'minor'为次刻度axis选择网格线显示的轴。字符串，可选参数，取值范围为{'both','x','y'}，默认为'both'**kwargsLine2D线条对象属性。比如颜色、宽度等添加网格线axhline(loc=0,min=0,max=1,linestyle='-',**kwargs)axvline(loc=0,min=0,max=1,linestyle='-',**kwargs)编辑图表组件参数名说明loc表示水平参考线的y坐标位置或垂直参考线的x坐标位置min表示参考线的起始位置，默认为0max表示参考线的终止位置，默认为1linestyle表示参考线的类型，默认为实线添加参考线matplotlib.pyplot.show(*,block=None)编辑图表组件图形展示matplotlib.pyplot.savefig(url)图形保存Matplotlib库概述基础图形绘制划分画布绘制子图目录/CONTENTS目录人口增长趋势图形展示人口年龄结构变化图形展示受教育程度数据图形展示折线图（LineChart）是一种将数据点按照顺序连接起来的图形，可以看作是将散点图按照x轴坐标顺序连接起来的图形。折线图一般以时间序列为轴，适用于展示固定时间间隔的数据变化趋势。绘制折线图基础语法plot（x,y,fmt,scalex=True,scaley=True,data=None,label=None）参数说明X接收array。表示x轴对应的数据。默认值为range(len(y))。Y接收array。表示y轴对应的数据。无默认值fmt表示快速设置线条样式的格式字符串。label表示应用于图例的标签文本。scalex，scaley接收bool。表示这些参数确定视图限制是否适合于数据限制。默认为Truedata接收可索引对象。表示具有标签数据的对象。默认为Nonecolor接收特定str。表示指定线条的颜色。默认为None颜色取值可以使用单词或其缩写，如blue或blinewidth接收int或float，指定线条宽度linestyle接收特定str。表示指定线条类型。默认为“-”。marker接收特定str。表示绘制的点的类型。默认为Nonemarerksize接收int，指定标记点大小alpha接收float。表示点的透明度。默认为None绘制折线图人口抽样调查数据绘制折线图绘制折线图展示近年来人口增长趋势fig=plt.figure(figsize=(12,6))plt.plot(df['年末总人口(万人)'])plt.xticks(df.index)plt.xlabel('（年份）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.title('年末总人口',fontsize=15)plt.show()绘制折线图绘制折线图比较“男性人口”和“女性人口”数据fig=plt.figure(figsize=(12,6))plt.plot(df['男性人口(万人)'],color='b',marker='h',markersize=10)plt.plot(df['女性人口(万人)'],color='r',marker='D',markersize=10)plt.ylabel('（万人）',fontsize=12)plt.legend(['男性人口','女性人口'],loc=4,fontsize=15,facecolor='gray')plt.xticks(df.index)plt.xlabel('（年份）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.title('男性人口|女性人口',fontsize=15)plt.show()绘制折线图绘制折线图比较“城镇人口”和“乡村人口”数据变化fig=plt.figure(figsize=(12,6))plt.plot(df['城镇人口(万人)'],color='r',marker='>',linestyle='None')plt.plot(df['乡村人口(万人)'],color='g',marker='<',linestyle='None')plt.xticks(df.index)plt.xlabel('（年份）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.legend(['城镇人口','乡村人口'],loc=5,fontsize=15,facecolor='gray')plt.title('城镇人口|乡村人口',fontsize=15)plt.show()绘制折线图添加水平网格线plt.grid(b=True,axis='y',linewidth=0.5,color='b')绘制折线图同时增加水平网格线和垂直网格线plt.grid(b=True,axis='both',linewidth=0.5,color='b')绘制折线图添加参考线，便于数据之间的比较plt.axhline(y=67000,linestyle='--',color='orange')plt.axvline(x=2010,linestyle='-.',color='orange')绘制折线图为图表添加指向型注释文本matplotlib.pyplot.annotate(s,xy,*args,**kwargs)参数说明s接收str，表示注释文本的内容。xy接收元组（x,y），表示被注释的点的坐标位置。xytext接收元组（x,y），表示注释文本所在的坐标位置。arrowprops接收dict，表示指示箭头的属性字典。包括width、headwidth、headlength、shrink、arrowstyle等。arrowstyle表示箭头类型，可取值：-、->、<->、<-、|-|、-[、-|>、<|-、<|-|>、fancy、simple、wedgebbox接收dict，表示注释文本的边框属性字典。绘制折线图给“城镇人口|农村人口”折线图添加注释文本plt.annotate('2010年城镇人口66978',(2010,66978),(2009,60000),

arrowprops=dict(arrowstyle="wedge"))plt.annotate('2010年农村人口67113',(2010,67113),(2008,75000),

arrowprops=dict(arrowstyle="fancy"))绘制折线图散点图（scatterdiagram）又称为散点分布图，由若干数据点组成。主要用于判断两变量之间是否存在某种关联，或者总结数据点的分布模式。每个数据点有位置特征：横坐标和纵坐标。利用坐标点（散点）的分布形态反映特征间的统计关系。绘制散点图基础语法scatter(

x,y,s=None,c=None,marker=None,cmap=None,norm=None,

vmin=None,vmax=None,alpha=None,linewidths=None,

verts=None,edgecolors=None,data=None

)绘制散点图参数名说明x，y表示数据点的位置（x,y）。必备参数。x,y都不能为空。x,y支持多维数组，但是x,y的维度必须一致，多维数组会被展平（flatten）为一维数组。s表示数据点标记的大小。可选参数。默认值为rcParams['lines.markersize']**2。c表示数据点的颜色。可选参数。默认是蓝色’b’,表示的是标记的颜色，或者可以是一个表示颜色的字符，或者是一个长度为n的表示颜色的序列等等如‘b’=blue，‘y’=yellow，‘k’=black等。marker表示数据点标记的样式，默认为圆形’o’：rcParams["scatter.marker"]('o')alpha表示标记的透明度。取值范围为[0,1]，0为透明，1为不透明。默认值为None。linewidths表示数据点的描边（边缘线）宽度。浮点数或类数组结构。默认值为rcParams["lines.linewidth"](1.5)。edgecolors表示数据点的描边（边缘线）颜色。取值为{'face','none',None}、颜色、颜色序列。默认值为rcParams["scatter.edgecolors"]('face')。'face'：标记边缘颜色与标记颜色相同'none'：没有边线。vmin,vmax表示亮度的最小值和最大值。当norm存在的时候忽略。绘制散点图展示近20年人口增长趋势df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(12,6))plt.scatter(df.index,df['年末总人口(万人)'])plt.xticks(df.index)plt.xlabel('（年份）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.title('年末总人口',fontsize=15)plt.show()绘制散点图绘制气泡图展示近年来人口增长趋势plt.scatter(df.index,df['年末总人口(万人)'],

s=np.random.randint(50,3000,19), c=np.random.rand(19),alpha=0.6, linewidths=3,edgecolors='r')绘制散点图绘制散点图比较“城镇人口”和“乡村人口”数据变化绘制散点图plt.scatter(df.index,df['城镇人口(万人)'],color='r', marker='s',s=df['城镇人口(万人)']/100)plt.scatter(df.index,df['乡村人口(万人)'],color='g', marker='s',s=df['乡村人口(万人)']/100)绘制散点图比较“男性人口”和“女性人口”数据df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(3,6))plt.scatter(np.array(['男']*20),df['男性人口(万人)'],c='blue')plt.scatter(np.array(['女']*20),df['女性人口(万人)'],c='red')plt.xlabel('（性别）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.title('男性人口|女性人口',fontsize=15)plt.show()绘制散点图绘制散点图和折线图比较“城镇人口”和“乡村人口”数据变化plt.scatter(df.index,df['城镇人口(万人)'],color='r',marker='s',s=df['城镇人口(万人)']/100)plt.scatter(df.index,df['乡村人口(万人)'],color='g',marker='s',s=df['乡村人口(万人)']/100)柱形图（BarChart）是由一系列宽度相等的纵向矩形条（柱体）组成的图表。柱形图一般以数据分类为轴，每类数据一个柱体；使用柱体的高度表示数值，以此反映不同分类数据之间的差异。绘制柱形图bar(

x,

height,

width=0.8,

bottom=None,

align=’center’,

data=None,

tick_label=None,

xerr=None,

yerr=None,

**kwargs

)基础语法绘制柱形图参数说明x表示柱形的x轴坐标值。height表示柱形的高度。width表示柱形的宽度，默认值为0.8。bottom柱形左侧的x坐标值，默认值为0。align表示柱形的对齐方式，，可选“center”和“edge”。默认值为“center”,即柱形与刻度线居中对齐；“edge”表示将柱形的左端与刻度线对齐tick_label表示柱形对应的刻度标签。xerr，yerr若未设为None，则需要为柱形图添加水平/垂直误差棒。color接收特定str或包含颜色字符串的list。表示柱形图颜色。默认为None绘制柱形图展示近年来人口增长趋势df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(12,6))plt.bar(df.index,df['年末总人口(万人)'])plt.xticks(df.index)plt.ylim([128000,142000])plt.ylabel('（万人）',fontsize=12)plt.xlabel('（年份）',fontsize=12)plt.title('年末总人口',fontsize=15)plt.show()绘制柱形图绘制柱形图比较“男性人口”和“女性人口”数据plt.bar(df.index-0.2,df['男性人口(万人)'],width=0.4)plt.bar(df.index+0.2,df['女性人口(万人)'],width=0.4)plt.legend(['男性人口','女性人'],loc=0,fontsize=15,facecolor='gray')plt.title('男性人口|女性人口',fontsize=15)plt.xticks(df.index)plt.ylim([62000,73000])绘制柱形图绘制柱形图比较“城镇人口”和“乡村人口”数据变化plt.bar(df.index-0.2,df['城镇人口(万人)'],color='r',width=0.4)plt.bar(df.index+0.2,df['乡村人口(万人)'],color='g',width=0.4)plt.legend(['城镇人口','乡村人口'],loc=0,fontsize=15,facecolor='gray')plt.title('城镇人口|乡村人口',fontsize=15)plt.xticks(df.index)plt.ylim([45000,100000])plt.ylabel('（万人）',fontsize=12)plt.xlabel('（年份）',fontsize=12)plt.show()绘制柱形图“城镇人口”和“乡村人口”柱形堆叠图plt.bar(df.index,df['城镇人口(万人)'],width=0.4)plt.bar(df.index,df['乡村人口(万人)'],width=0.4,bottom=df['城镇人口(万人)'])plt.legend(['城镇人口','乡村人口'],loc='upperleft',fontsize=15,facecolor='gray',ncol=2)绘制柱形图plt.bar(df.index-0.25,df['城镇人口(万人)'],width=0.4, yerr=df['城镇人口(万人)']*0.02)plt.bar(df.index+0.15,df['乡村人口(万人)'],width=0.4, yerr=df['乡村人口(万人)']*0.02)添加误差棒绘制柱形图绘制条形图条形图是横置的柱形图，由一系列高度相等、长短不一的横向矩形条组成。条形图一般以数据分类为轴，每类数据一个矩形条；使用矩形条的长度表示数值，以此反映不同分类数据之间的差异。barh(

y,width,height=0.8,left=None,align='center',

tick_label=None,xerr=None,yerr=None,**kwargs

)基础语法绘制条形图参数说明y表示条形的y值。width表示条形的宽度。height表示条形的高度，默认值为0.8。color接收特定str或包含颜色字符串的list。表示柱形图颜色。默认为Noneleft条形左侧的x坐标值，默认值为0。align表示条形的对齐方式，，可选“center”和“edge”。默认值为“center”,即条形与刻度线居中对齐；“edge”表示将条形的左端与刻度线对齐tick_label表示条形对应的刻度标签。xerr，yerr若未设为None，则需要为条形图添加水平/垂直误差棒。绘制条形图展示近20年人口增长趋势df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(12,6))plt.barh(df.index,df['年末总人口(万人)'])plt.grid(b=True,axis='x',linewidth=0.5,color='r')plt.title('年末总人口',fontsize=15)plt.xlim([128000,142000])plt.yticks(df.index)plt.xlabel('（万人）',fontsize=12)plt.ylabel('（年份）',fontsize=12)plt.show()绘制条形图绘制条形图比较“男性人口”和“女性人口”数据plt.barh(df.index-0.2,df['男性人口(人)'],color='b',height=0.4)plt.barh(df.index+0.2,df['女性人口(万人)'],color='r',height=0.4)plt.legend(['男性人口','女性人口'],loc=0,fontsize=15,facecolor='gray')plt.title('男性人口|女性人口',fontsize=15)plt.yticks(df.index)plt.xlim([62000,73000])plt.xlabel('（万人）',fontsize=12)plt.ylabel('（年份）',fontsize=12)plt.show()绘制条形图绘制条形图比较“城镇人口”和“乡村人口”数据变化plt.barh(df.index-0.2,df['城镇人口(万人)'],height=0.4)plt.barh(df.index+0.2,df['乡村人口(万人)'],height=0.4)plt.legend(['城镇人口','乡村人'],loc='best',fontsize=15,facecolor='gray')plt.title('城镇人口|乡村人口',fontsize=15)plt.grid(b=True,axis='x',linewidth=0.5,color='r')plt.yticks(df.index)plt.xlim([45000,100000])plt.xlabel('（万人）',fontsize=12)plt.ylabel('（年份）',fontsize=12)plt.show()绘制条形图plt.barh(df.index,df['城镇人口(万人)'],height=0.4)plt.barh(df.index,df['乡村人口(万人)'],height=0.4,left=df['城镇人口(万人)'])plt.legend(['城镇人口','乡村人口'],loc='lowerright',fontsize=15,facecolor='gray',bbox_to_anchor=(1.08,0))“城镇人口”和“乡村人口”条形堆叠图绘制条形图plt.barh(df.index-0.25,df['城镇人口(万人)'], height=0.4,xerr=df['乡村人口(万人)']*0.02)plt.barh(df.index+0.15,df['乡村人口(万人)'],

height=0.4,xerr=df['乡村人口(万人)']*0.02)添加误差棒绘制条形图绘制茎叶图茎叶图从外观来看更像是火柴，由基线、茎线、茎头三部分构成，根据基线（baseline）上的位置（locs）绘制从基线到杆头（heads）的茎线，并在茎头（heads）处放置标记，又称为棉棒图、火柴杆图、大头针图等。茎叶图是柱形图的变形。以茎头的位置反映不同分类数据之间的差异，适用于展示中小规模数据集各分类之间的比较。stem(

[loc],head,linefmt=None,markerfmt=None,basefmt=None,

bottom=0,label=None,use_line_collection=True,orientation='vertical',data=None)基础语法绘制茎叶图参数说明loc接收array，表示茎线的位置，对于水平茎叶图，该参数即茎线的y轴位置。默认值为range(len(heads))。可选参数。head接收array，表示茎头的位置，对于垂直茎叶图，该参数即茎头的y值，对于水平茎叶图，该参数即茎头的x值。必备参数。linefmt接收str，表示定义茎线的颜色和线形，取值同plot函数。默认值为'C0-'。可选参数。markerfmt接收str，表示定义茎头标记的形状和颜色。默认值为'C0o'。可选参数。basefmt接收str，表示定义基线的格式字符串。默认值为'C3-'。可选参数。bottom接收float，表示基线的位置。默认值为0。可选参数。label接收str，表示图例中使用的标签。默认值None。可选参数。use_line_collection接收bool，表示控制线条对象类型。默认值True。可选参数。绘制茎叶图展示近年来人口增长趋势绘制茎叶图df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(12,6))plt.stem(df.index,df['年末总人口(万人)'],use_line_collection=True)plt.title('年末总人口',fontsize=15)plt.ylim([128000,142000])plt.xticks(df.index)plt.ylabel('（万人）',fontsize=12)plt.xlabel('（年份）',fontsize=12)plt.show()绘制茎叶图比较“男性人口”和“女性人口”数据绘制茎叶图plt.stem(df.index-0.15,df['男性人口(万人)'],linefmt='r--',markerfmt='ro',use_line_collection=True)plt.stem(df.index+0.15,df['女性人口(万人)'],markerfmt='s',use_line_collection=True)plt.legend(['男性人口','女性人口'],loc=0,fontsize=15,facecolor='gray')plt.title('男性人口|女性人口',fontsize=15)plt.ylabel('（万人）',fontsize=12)plt.xlabel('（年份）',fontsize=12)plt.xticks(df.index)plt.ylim([62000,73000])plt.show()绘制茎叶图比较“男性人口”和“女性人口”数据绘制茎叶图plt.stem(df.index-0.15,df['男性人口(万人)'],linefmt='r--', markerfmt='ro',use_line_collection=True,bottom=66000)plt.stem(df.index+0.15,df['女性人口(万人)'], markerfmt='s',use_line_collection=True,bottom=66000)绘制茎叶图比较“城镇人口”和“乡村人口”数据变化绘制茎叶图plt.stem(df.index-0.15,df['城镇人口(万人)'],linefmt='r--', markerfmt='ro',use_line_collection=True)plt.stem(df.index+0.15,df['乡村人口(万人)'], markerfmt='s',use_line_collection=True,basefmt='b--')plt.legend(['城镇人口','乡村人口'],loc=0,fontsize=15,facecolor='gray')plt.title('城镇人口|乡村人口’,fontsize=15)plt.xticks(df.index)plt.ylabel('（万人）',fontsize=12)plt.xlabel('（年份）',fontsize=12)plt.show()绘制茎叶图比较“城镇人口”和“乡村人口”数据变化绘制茎叶图plt.stem(df.index,df['城镇人口(万人)']-df['乡村人口(人)'],markerfmt='ro’,use_line_collection=True)matplotlib.pyplot模块matplotlib.pyplot.errorbar()误差棒图是使用误差棒注明被测量数据的不确定度大小的图表，用于表示测量数据中客观存在的测量偏差。绘制误差棒图此处可以放一个动态的误差棒图素材误差棒图是使用误差棒注明被测量数据的不确定度大小的图表，用于表示测量数据中客观存在的测量偏差。误差棒是在表示测量值大小的方向上的一条线段，它以被测量数据的平均值为中点，线段长度的一半为不确定度绘制误差棒图基础语法errorbar(

x,y,yerr=None,xerr=None,fmt='',ecolor=None,data=None,**kwargs

)绘制误差棒图参数说明x，y表示数据点的位置。xerr，yerr表示数据的误差范围。fmt表示数据点的标记样式和数据点之间连接线的样式。默认为‘-’实线。若设置为标记点样式，则不再显示折线。marker表示数据点的标记样式markersize表示数据点的标记样式大小elinewidth表示误差棒的线条宽度。ecolor表示误差棒的颜色capsize表示误差棒边界横杆的大小。默认无capthick表示误差棒边界横杆的厚度。uplims,lolims表示y轴误差棒上下限xuplims,xlolims表示x轴误差棒上下限绘制误差棒图展示近20年人口增长趋势绘制误差棒图df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(12,6))plt.errorbar(df.index,df['年末总人口(万人)'],yerr=df['年末总人口(万人)']*0.01)plt.xticks(df.index)plt.xlabel('（年份）',fontsize=12)plt.ylabel('（万人）',fontsize=12)plt.title('年末总人口',fontsize=15)plt.show()绘制误差棒图展示近20年人口增长趋势绘制误差棒图plt.errorbar(df.index,df['年末总人口(万人)'],yerr=df['年末总人口(万人)']*0.01,fmt='s',elinewidth=3,capsize=10,capthick=2)绘制误差棒图展示近20年人口增长趋势绘制误差棒图plt.errorbar(df.index,df['年末总人口(万人)'],yerr=df['年末总人口(万人)']*0.01, fmt='--',elinewidth=3,capsize=10,capthick=2,ecolor='r',marker='s',markersize=10)绘制误差棒图比较“城镇人口”和“乡村人口”数据变化绘制误差棒图plt.errorbar(df.index,df['城镇人口(万人)'],yerr=df['城镇人口(万人)']*0.02, capsize=5,capthick=2,lolims=True)plt.errorbar(df.index,df['乡村人口(万人)'],yerr=df['乡村人口(万人)']*0.02, capsize=5,capthick=2,uplims=True)添加无指向型注释文本绘制误差棒图matplotlib.pyplot.text(x,y,s,fontdict=None,**kwargs)参数说明x,y接收float，表示注释文本的x轴和y轴坐标位置。s接收str，表示注释文本的内容。fontdict接收dict，表示字体格式添加无指向型注释文本绘制误差棒图plt.text(2020,52000,'乡村人口',{'fontsize':15,'color':'orange'})plt.text(2020,88000,'城镇人口',{'fontsize':15,'color':'blue'})绘制雷达图雷达图又称蜘蛛网图、星状图、极区图，由一组坐标轴和多个等距同心圆或多边形组成，是一种表现多维（4维以上）数据的图表。雷达图的坐标轴起始于圆心，每个坐标轴代表一个指标，连接多个维度的数据点，围成一个多边形，适用于对多指标对象做出全局性、整体性评价。matplotlib.pyplot.polar(theta,r,**kwargs)基础语法参数说明theta表示每个数据点所在射线与极径的夹角。r表示每个数据点到原点的距离。绘制雷达图绘制雷达图展示2004年、2010年、2016年、2022年城镇人口、农村人口、男性人口、女性人口df=pd.read_excel('人口数据.xlsx','总人口',index_col=0)fig=plt.figure(figsize=(8,8))df1=df.iloc[::6,[1,3,2,4]]data=df1.Tradar_labels=df1.columnsdim_num=len(radar_labels)angles=np.linspace(0,2*np.pi,dim_num,endpoint=False)plt.figure(figsize=(6,6))plt.polar(angles,data,linestyle='None',marker='*',markersize=10,alpha=0.6)plt.thetagrids(angles*180/np.pi,labels=['城镇','男性','乡村','女性'],fontsize=12)plt.legend(df1.index,loc=4,bbox_to_anchor=(1.4,0),fontsize=12)plt.title('城镇人口乡村人口男性人口女性人口',fontsize=15)plt.show()绘制雷达图雷达图的数据点可以使用marker参数设置标注类型，并可以同时设置标注的其他属性参数；也可以使用linestle设置线型并设置线段其他属性。修改绘制雷达图代码，指定参数linestyle='-.'设置线型，指定marker='*'设置标注点类型，并同时指定了标注大小markersize=10和透明度alpha=0.6：plt.polar(angles2,data,linestyle='-.',marker='*',markersize=10,alpha=0.6)绘制雷达图绘制雷达图展示2004年、2010年、2016年、2022年城镇人口、农村人口、男性人口、女性人口df1=df.iloc[::6,[1,3,2,4]]data=df1.Tradar_labels=df1.columnsdim_num=len(radar_labels)angles=np.linspace(0,2*np.pi,dim_num,endpoint=False)plt.figure(figsize=(6,6))plt.polar(angles,data,linestyle='None',marker='*',markersize=10,alpha=0.6)plt.thetagrids(angles*180/np.pi,labels=['城镇','男性','乡村','女性'],fontsize=12)plt.legend(df1.index,loc=4,bbox_to_anchor=(1.4,0),fontsize=12)plt.title('城镇人口乡村人口男性人口女性人口',fontsize=15)plt.show()因为图形只展示数据点不连线，因此也不需要闭环，则数据及标签也不需要处理绘制雷达图绘制雷达图展示2004年、2010年、2016年、2022年城镇人口、农村人口、男性人口、女性人口目录人口增长趋势图形展示人口年龄结构变化图形展示受教育程度数据图形展示目录人口增长趋势图形展示人口年龄结构变化图形展示受教育程度数据图形展示绘制区域堆叠图堆叠区域图是由若干条折线与折线或水平坐标轴之间的填充区域组成的图表，用于强调每个部分变化的趋势；堆叠柱形图和堆叠条形图是由若干个以颜色或线条填充、高度不一的纵向矩形条或横向矩形条堆叠而成的图表，主要用于反映各构成部分在总体中的比重。堆叠区域图可以很方便地比较数据间不同情况下的差异（分工比例等），显示完整的数据以进行可视化。它显示了每个数据相互堆叠以及每个数据如何构成完整的图形。它显示数据的各种组成部分，类似于饼图，具有x-label，y-label和标题，其中各个部分可以用不同的颜色表示。stackplot(x,y,labels=(),baseline='zero',data=None,*args,**kwargs)参数说明x形状为(N,)的类数组结构，即尺寸为N的一维数组。必备参数。表示X轴的数据，可以是一维数组。y形状为(M,N)的类数组结构，即尺寸为(M,N)的二维数组。必备参数。表示Y轴的数据，可以是二维数组或一维数组序列。y参数有两种应用