1、折线图（Line Plot）

绘制折线图（Line Plot）是一项基础且常用的功能。折线图非常适合展示数据随时间或其他连续变量变化的趋势。使用plt.plot() 函数用于在坐标轴上绘制折线图（Line Plot），它提供了多种参数来自定义图像的外观。常用参数如下，

使用代码：
import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)

# 创建画布
plt.figure()

# 绘制一条线（正弦曲线），自定义颜色、线条样式、线条宽度和标记
plt.plot(x, y1, color='blue', linestyle='-', linewidth=2, marker='o', markersize=8, label='sin(x)')

# 添加图例
plt.legend()

# 添加标题和轴标签
plt.title('cjavapy Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')

# 使用 plt.draw() 显示画布
plt.draw()

# 显示图表
plt.show()

2、散点图（Scatter Plot）

绘制散点图（Scatter Plot）是一种常用的方法来探索和展示数据集中各个数据点的分布。散点图通常用于比较两个变量之间的关系。使用plt.scatter() 函数用于创建散点图，是数据可视化中常用的一个工具。常用参数如下，

使用代码：

import matplotlib.pyplot as plt

# 示例数据
x = [5, 7, 8, 7, 2, 17, 2, 9, 4, 11, 12, 9, 6]
y = [99, 86, 87, 88, 100, 86, 103, 87, 94, 78, 77, 85, 86]
sizes = [210, 410, 312, 214, 415, 312, 213, 210, 410, 312, 214, 415, 312]
colors = ['red', 'green', 'blue', 'yellow', 'pink', 'black', 'orange', 'purple', 'beige', 'brown', 'gray', 'cyan', 'magenta']

# 创建散点图
plt.scatter(x, y, s=sizes, c=colors, marker='o', alpha=0.5, linewidths=2, edgecolors='w', label='Data Points')

# 添加图例
plt.legend()

# 添加标题和轴标签
plt.title('cjavapy Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 使用 plt.draw() 显示画布
plt.draw()
# 显示图表
plt.show()

3、柱状图（Bar Plot）

绘制柱状图（Bar Plot）是一种常见的方式来可视化数据。柱状图适合展示不同类别间的比较。使用plt.bar() 函数是用于创建条形图的常用函数。

常用参数如下，

使用代码：

import matplotlib.pyplot as plt

# 示例数据
categories = ['Category A', 'Category B', 'Category C', 'Category D']
values = [10, 15, 7, 12]

# 创建条形图
plt.bar(x=categories,          # x 坐标
        height=values,         # 条形的高度
        width=0.6,             # 条形的宽度
        bottom=0,              # 条形的起始位置 y 坐标
        align='center',        # 条形的对齐方式
        color='blue',          # 条形的颜色
        edgecolor='black',     # 条形边缘的颜色
        linewidth=1,           # 条形边缘的线宽
        tick_label=categories, # 条形标签
        label='Value')         # 图例标签

# 添加 x 轴和 y 轴标签
plt.xlabel('Categories')
plt.ylabel('Values')

# 添加图表标题
plt.title('cjavapy Bar Chart Example')

# 显示图例
plt.legend(loc='upper right', fontsize='small', title='Trigonometric Functions', frameon=True, shadow=True, ncol=1)

# 使用 plt.draw() 显示画布
plt.draw()

# 显示图表
plt.show()

4、饼图（Pie Chart）

饼图（Pie Chart）是一种常用的图表类型，用于显示数据的相对比例。每个扇区的大小表示该类别的比例。饼图非常适合于展示部分与整体之间的关系。使用plt.pie()函数绘制饼图，常用参数如下，

使用代码：

import matplotlib.pyplot as plt

# 数据准备
sizes = [15, 30, 45, 10]
labels = ['Category A', 'Category B', 'Category C', 'Category D']
colors = ['gold', 'yellowgreen', 'lightcoral', 'lightskyblue']
explode = (0, 0.1, 0, 0)  # 突出显示第二个扇区

# 绘制饼图
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', startangle=140, shadow=True)

# 确保饼图是圆形的
plt.axis('equal')

# 添加图表标题
plt.title('cjavapy')

# 使用 plt.draw() 显示画布
plt.draw()

# 显示图表
plt.show()

5、直方图（Histogram）

绘制直方图（Histogram）是一种常用的方法来可视化数据的分布。直方图通过将数据分组到连续的区间或“桶”中，并计数每个桶中的观测次数来工作。使用plt.hist() 函数绘制制直方图。常用参数如下，

使用代码：

import matplotlib.pyplot as plt
import numpy as np

# 生成随机数据
data = np.random.normal(0, 1, 1000)  # 生成1000个均值为0，标准差为1的正态分布随机数

# 创建直方图
plt.hist(data, bins=30, range=(-3, 3), density=True, histtype='bar', color='skyblue', edgecolor='black', alpha=0.7, label='Random Data')

# 添加标题和轴标签
plt.title('cjavapy Histogram')
plt.xlabel('Value')
plt.ylabel('Probability Density')

# 显示图例
plt.legend()

# 显示网格
plt.grid(color='gray', linestyle='--', linewidth=0.5)

# 使用 plt.draw() 显示画布
plt.draw()

# 显示图形
plt.show()