书接上回，这次我们用Matplotlib来画一个折线图。
说明一下：本系列关于matplotlib的所有分享，均在Jupyter Notebook里演示。如果你用其它IDE，只是显示方式有些区别。请悉知！
按照Python的正常套路来。
第一步：导包
import matplotlib.pyplot as pltimport pandas as pd # 因为要从csv文件中读取数据，所以需要导入pandas这个包。如果之前没有安装过pandas，那就在命令行运行：pip install pandas之后，再导入
第二步：读数据
dataset = pd.read_csv(r".\dataset\Countries Population from 1995 to 2020.csv") # 我的数据在当前文件夹下dataset这个子文件夹里
关于数据集
网上有很多公开数据集的网站，比较有名的就是Kaggle了，所以我就在Kaggle上随便找了一个：Countries Population from 1955 to 2020，世界各国的人口数据（从1955年到2020年），下面是数据集的链接，说一下，需要注册账号才能下载，如果不想注册，关注公众号后回复：人口数据，可以直接下载。
https://www.kaggle.com/datasets/themlphdstudent/countries-population-from-1955-to-2020
简单看一下数据是什么样子：
可以看到，一共有4195行，14列这么一个数据。那就拿咱们大中国的数据先画个简单的图。
先筛选国家为中国的数据，然后显示一下看看
china_pop_info = dataset[dataset.Country=="China"]china_pop_info
数据有了，现在来画图
plt.plot(china_pop_info['Year'], china_pop_info['Population']) # 传入x轴数据，y轴数据plt.show() # 显示画图结果
还算简单吧！直接调用plt.plot()函数，往里面喂两个值：x，y
也就是x轴上面的数据是什么，y轴上面的数据是什么，要告诉plt.plot()函数，否则它不知道该怎么画折线图。
好了，第一个简单的图画好了。我们再来画一个其它国家的折线图。不知道有哪些国家？我们来看一下：
dataset.Country.unique() # 从Country列统计一下一共有多少个不同的国家名字
可以看到，返回的是一个数组，我们取第二个值：India吧
老样子，复制一下上面的代码，修修改改:
- 变量名改成：india_pop_info
- 筛选条件：dataset.Country == "India"
india_pop_info = dataset[dataset.Country=="India"]plt.plot(india_pop_info ['Year'], india_pop_info ['Population'])plt.show()
好了，我们又画了一个折线图，那如何让这两个图合并在一起，在同一个图上显示呢？这个也简单，先画一个，再画一个呗！只不过需要同时执行画图的那两行代码：
plt.plot(china_pop_info['Year'], china_pop_info['Population']) # 先画China人口的折线图plt.plot(india_pop_info['Year'], india_pop_info['Population']) # 再画India人口的折线图plt.show() # 显示画图结果
可以看到，这两个折线图在同一张图上被画出来了，而且线条颜色有不一样。确实是这样，我们也发现了，默认画一个图的时候，线条颜色是蓝色。
但是哪个线条是我们中国的，哪个线条表示印度的呢？如果在不知道谁的人口总数多的情况下，我们是从上图中是看不出来的对吧！
那就需要添加图例了，这个也简单，在画图的时候，我们再喂进去一个叫做label的参数就可以了。
plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China") # 添加label参数，以示区别plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India") # 添加label参数，以示区别plt.show()
可以看到，虽然我们添加了label这个参数，但是我们画出来的图中并未显示，这个。。。
其实这个label是否显示，是有一个开关的，我们需要把开关打开：plt.legend()
plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China")plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India")plt.legend() # 显示图例plt.show()
有的小伙伴说这个图有点儿小啊，能否调大一些。可以的，没问题，那我们来设置一下画布的大小：
plt.figure(figsize=(15,8)) # 在画图之前，设置画布大小plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China")plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India")plt.legend()plt.show()
现在够大了吧！
还有的小伙伴说你这个图没有标题，x轴标签，y轴标签啊！来，咱们继续改：
- 添加标题
- 添加x轴标签
- 添加y轴标签
plt.figure(figsize=(15,8))plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China")plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India")plt.legend()plt.xlabel('Year') # 添加x标签plt.ylabel('Population Number Billion') # 添加y标签plt.title('China VS India Population') # 添加标题plt.show()
添加好了，不过有个问题：字体太小，视力不好的小伙伴可能看不清楚。继续改：调整字体大小
plt.figure(figsize=(15,8))plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China")plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India")plt.legend()plt.xlabel('Year', fontsize=30) # 调整字体大小plt.ylabel('Population Number Billion', fontsize=30) # 调整字体大小plt.title('China VS India', fontsize=40) # 调整字体大小plt.show()
现在好多了，但是图例和x轴，y轴的刻度字体还是小。继续改
plt.figure(figsize=(15,8))plt.plot(china_pop_info['Year'], china_pop_info['Population'], label="China")plt.plot(india_pop_info['Year'], india_pop_info['Population'], label="India")plt.legend(fontsize=16) # 调整图例字体大小plt.xlabel('Year', fontsize=30)plt.ylabel('Population Number / Billion', fontsize=30)plt.title('China VS India', fontsize=40)plt.tick_params(labelsize=15) # 调整x轴和y轴刻度字体大小plt.show()
好了，今天就先改到这里吧！下次介绍如果添加更多国家的折线图，该如何优化代码。点击关注本公众号，且听下回分解！
👇
