Python数据可视化：使用Matplotlib绘制棒棒糖图表详解
本文详细介绍如何使用Python的Matplotlib库绘制棒棒糖图表。通过对比传统条形图的局限性，演示了利用条形图结合散点图，以及使用折线图标记两端圆点两种方法优化图表视觉效果。文章涵盖颜色区分、线条粗细调整及坐标轴设置等关键参数，帮助读者掌握更清晰的数据展示技巧。
大家好，我是小F～
条形图的局限性与棒棒糖图表的优势
在数据可视化领域，条形图是一种极为常见的图表类型。
尽管其实用性高，但条形图也存在一定局限性。例如，当数据条目过多时，图表容易显得臃肿，导致信息传达不够直观。
棒棒糖图表正是对条形图的一种改进形式，它以简洁清新的设计风格，更清晰、直观地呈现数据信息。
基于条形图的棒棒糖图表绘制方法
接下来，小F将为大家演示如何使用Python绘制棒棒糖图表。
本例使用的数据为我国1949年至2019年历年的出生人口统计，数据来源为国家统计局。
首先，我们需要读取相关数据文件。
import pandas as pd
import matplotlib.pyplot as plt
# 读取数据
df = pd.read_csv('data.csv')
print(df)输出结果如下。
该数据集结构非常简单，每一行仅包含年份和对应的数值两个字段。
我们先尝试绘制一个包含每年具体数值的条形图。
# 绘制柱状图
plt.bar(df.Year, df.value)
plt.show()仅需两行代码即可生成条形图，但视觉效果上确实显得有些拥挤。
接下来，我们将最后一年，即2019年的数据单独区分出来进行特殊处理。
将2019年对应的条形颜色设置为黑色，其余年份的条形则使用浅灰色。
同时，在图表中添加散点图元素，即在条形图的顶部绘制圆形标记。
# 新建画布
fig, ax = plt.subplots(1, figsize=(12, 8))
# 年份数
n = len(df)
# 颜色设置
colors = ['black'] + ((n-1)*['lightgrey'])
plt.bar(df.Year, df.value, color=colors)
plt.scatter(df.Year, df.value, color=colors)
plt.show()得到的初步结果如下。
颜色修改已成功应用，此时还需要进一步调整条形图的宽度以及顶部圆形标记的大小。
# width: 条形图宽度 s: 散点图圆圈大小
plt.bar(df.Year, df.value, color=colors, width=0.2)
plt.scatter(df.Year, df.value, color=colors, s=10)
plt.show()调整后的结果如下。
与之前的蓝色条形图相比，棒棒糖图表的视觉效果确实有了显著提升。
基于线条的棒棒糖图表绘制与优化
除了使用条形图构建棒棒糖图表外，还可以利用线条来绘制，这样能使图表的整体宽度保持一致。
在X轴上，将Year（年份）数据作为线条的起点和终点；在Y轴上，以-20和各年份的具体数值作为起点和终点。
import pandas as pd
import matplotlib.pyplot as plt
# 读取数据
df = pd.read_csv('data.csv')
print(df)
# 新建画布
fig, ax = plt.subplots(1, figsize=(12, 8))
# 年份数
n = len(df)
# 颜色设置
colors = ['black'] + ((n-1)*['lightgrey'])
# 使用线条
for idx, val in df.iterrows():
plt.plot([val.Year, val.Year],
[-20, val.value],
color=colors[idx])
plt.show()得到的结果如下。
可以通过参数设置，在线条的两端绘制圆形标记，而不仅仅是在顶部生成散点图。
随后，通过调整y-limit参数，可以隐藏最底端的圆形标记。
# 新建画布
fig, ax = plt.subplots(1, figsize=(12, 8))
# 年份数
n = len(df)
# 颜色设置
colors = ['black'] + ((n-1)*['lightgrey'])
# 使用线条, markersize设置标记点大小
for idx, val in df.iterrows():
plt.plot([val.Year, val.Year],
[-20, val.value],
color=colors[idx],
marker='o',
markersize=3)
# 设置y轴最低值
plt.ylim(0,)
plt.show()结果如下。
此外，还可以调整lw（线条宽度）和markersize（标记大小）参数，以定义线条的粗细及标记的大小。甚至可以通过绘制两次线条来创建轮廓效果。
# 新建画布
fig, ax = plt.subplots(1, figsize=(12, 8))
color = 'b'
# 年份数
n = len(df)
# 颜色设置
colors = ['black'] + ((n-1)*['lightgrey'])
# 使用线条
for idx, val in df.iterrows():
plt.plot([val.Year, val.Year],
[-20, val.value],
color='black',
marker='o',
lw=4,
markersize=6)
plt.plot([val.Year, val.Year],
[-20, val.value],
color=colors[idx],
marker='o',
markersize=4)
# 移除上边框、右边框
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
# 设置x、y轴范围
plt.xlim(1948, 2020)
plt.ylim(0,)
# 中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.title('中国历年出生人口数据(万)', loc='left', fontsize=16)
plt.text(2019, -220, '来源：国家统计局', ha='right')
# 2019年出生人口数(显示)
value_2019 = df[df['Year'] == 2019].value.values[0]
plt.text(2019, value_2019+80, value_2019, ha='center')
# 保存图片
plt.savefig('chart.png')得到的结果如下。
黑色可能不是最佳选择，尝试更换其他颜色看看效果。
# 新建画布
fig, ax = plt.subplots(1, figsize=(12, 8))
# 年份数
n = len(df)
# 颜色设置
color = 'b'
colors = ['#E74C3C'] + ((len(df)-1)*['#F5B7B1'])
# 使用线条
for idx, val in df.iterrows():
plt.plot([val.Year, val.Year],
[-20, val.value],
color=colors[idx],
marker='o',
lw=4,
markersize=6,
markerfacecolor='#E74C3C')
# 移除上边框、右边框
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
# 设置x、y轴范围
plt.xlim(1948, 2020)
plt.ylim(0,)
# 中文显示
plt.rcParams['font.sans-serif'] = ['Songti SC']
plt.title('中国历年出生人口数据(万)', loc='left', fontsize=16)
plt.text(2019, -220, '来源：国家统计局', ha='right')
# 2019年出生人口数(显示)
value_2019 = df[df['Year'] == 2019].value.values[0]
plt.text(2019, value_2019+80, value_2019, ha='center')
# 保存图片
plt.savefig('chart.png')更换颜色后的结果如下。
源码地址：
链接:https://pan.baidu.com/s/1vUgjonTOvgN7rDPx_8RfUg 密码:i613
现在，对于条形图，你有了另一个更好的选择，即棒棒糖图表。
此外，通过图表我们也可以了解到，目前中国的新出生人口数量呈现逐年减少的趋势。有说法称2020年出生人口降幅可能超过一成，未来几年恐跌破1000万……
以上就是如何用Python绘制棒棒糖图表的详细内容，更多关于用Python绘制棒棒糖图表的资料请关注本站其它相关文章！
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
