#!/usr/bin/env python
# coding: utf-8

# # 1. matplotlib简介

# 在数据分析中，数据的可视化是非常重要的一部分，将数据直观的显示不仅方便于理解，更有助于后续的数据清洗等一系列操作。
# 
# matplotlib是一个用于图表的桌面绘图包，本文将对matplotlib的基本操作进行介绍。
# 
# [matplotlib官网](https://matplotlib.org/)
# 
# [matplotlib绘图样例](https://matplotlib.org/gallery/index.html)，样例是我们学习matplotlib最好的资源

# In[2]:


#python中引入matplotlib的惯例
import matplotlib.pyplot as plt


# In[3]:


#绘制简单的直线
import numpy as np
data = np.arange(10)
plt.plot(data)


# # 1.1 图片与子图

# matplotlib所绘制的图位于图片(Figure)对象中，在图片中添加一个或多个子图进行绘画。

# In[8]:


import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)#最多可以放四个子图的，且当前子图位于第一个
ax2 = fig.add_subplot(2,2,2)#当前子图位于第二个
ax3 = fig.add_subplot(2,2,3)
plt.plot([1.5,3.5,-2,1.6])#直接使用的话会在最后一个子图上进行绘制


# In[9]:


import matplotlib.pyplot as plt
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
plt.plot([1.5,3.5,-2,1.6])
plt.subplots_adjust(wspace=0, hspace=0)#使用subplots_adjust调整子图之间的距离，wspace与hspace分别代表宽度和高度的百分比


# # 1.2 颜色，标记和线的类型

# matplotlib的主函数plot可以接收指定的参数来绘制不同类型的图形

# In[3]:


import matplotlib.pyplot as plt
import numpy as np
data = np.arange(10)
plt.plot(data, linestyle='--', color='r')#可以通过十六进制颜色代码的方式指定任何颜色


# In[7]:


plt.plot(np.random.randn(30).cumsum(), color='#FFB6C1', linestyle='--', marker='o')
#marker可以将凸显实际的数据点


# # 1.3 刻度，标签和图例

# 在matplotlib中我们也可以为图片添加必要的属性以方便理解

# In[18]:


fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.plot(np.random.randn(1000).cumsum())


# In[24]:


#改变x轴刻度
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ticks = ax.set_xticks([0,250,500,750,1000])
labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],
                           rotation=30, fontsize='small')#设置x坐标的刻度，rotation可以设置刻度的旋转角度
ax.set_title("My title")#为图表设置标题
ax.set_xlabel("x-label")#为x轴设置标记
ax.plot(np.random.randn(1000).cumsum())


# In[38]:


#添加图例
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
t1 = np.arange(0.0, 2.0, 0.01)
s1 = 1 + np.sin(2 * np.pi * t1)
t2 = np.arange(0.0, 2.0, 0.01)
s2 = 2 + np.sin(2 * np.pi * t2)
t3 = np.arange(0.0, 2.0, 0.01)
s3 = 3 + np.sin(2 * np.pi * t3)
ax.plot(t1,s1,'r',label='one')
ax.plot(t2,s2,'g--',label='two')
ax.plot(t3,s3,'b*',label='three')
ax.legend(loc='best')#best会在图片的合适位置自动添加图例


# # 1.4 将图片保存到文件

# In[ ]:


plt.savefig('figpath.svg')#参数为文件要保存的路径


# # 2. 使用pandas和seaborn绘图

# In[26]:


import matplotlib.pyplot as plt
from matplotlib.collections import PatchCollection
from matplotlib.patches import Circle, Wedge, Polygon, Ellipse
color = r'#39CF18'
fig, ax = plt.subplots(figsize=[8,8])
plt.xticks([])
plt.yticks([])
ax.set_fc(color)
plt.ylim([0,40])
plt.xlim([0,40])
es1 = Ellipse([15,24], width=21, height=18, facecolor='white', zorder=1)
es2 = Ellipse([26,16], width=18, height=15, facecolor='white',linewidth=5,edgecolor=color,zorder=1)
c1 = Circle([11,27], radius=1.3, facecolor=color, zorder=2)
c2 = Circle([19,27], radius=1.3, facecolor=color, zorder=2)
c3 = Circle([23,18], radius=1, facecolor=color, zorder=2)
c4 = Circle([29,18], radius=1, facecolor=color, zorder=2)
ax.add_artist(es1)
ax.add_artist(es2)
ax.add_artist(c1)
ax.add_artist(c2)
ax.add_artist(c3)
ax.add_artist(c4)
# patches.extend([c1,c2,c3,c4])


# In[19]:


circle1 = plt.Circle((0, 0), 0.2, color='r')
circle2 = plt.Circle((0.5, 0.5), 0.2, color='blue')
circle3 = plt.Circle((1, 1), 0.2, color='g', clip_on=False)

fig, ax = plt.subplots() # note we must use plt.subplots, not plt.subplot
# (or if you have an existing figure)
# fig = plt.gcf()
# ax = fig.gca()

ax.add_artist(circle1)
ax.add_artist(circle2)
ax.add_artist(circle3)


# In[ ]: