数据可视化代码实例（Matplotlib+Pandas）

Posted 2021-04-28 AI星课堂

Matplotlib简介

Matplotlib是python中优秀的数据可视化第三方库。可以使用在python脚本，IPython，jupyter notebook，以及网页应用服务中。matplotlib可以通过少量的代码生成柱状图，散点图，饼图，误差图等常用图形。对于简单作图，使用pyplot模块可以类似于matlab语法规则一样作图，当然也提供专业作图方法，来精确控制线条，文字坐标等。

为什么对matplotlib都是负面评价？

在我看来，新用户学习matplotlib之所以会面临一定的挑战，主要有以下几个原因。

首先，matplotlib有两种接口。第一种是基于MATLAB并使用基于状态的接口。第二种是面向对象的接口。为什么是这两种接口不在本文讨论的范围之内，但是知道有两种方法在使用matplotlib进行绘图时非常重要。

两种接口引起混淆的原因在于，在stack overflow社区和谷歌搜索可以获得大量信息的情况下，新用户对那些看起来有些相似但不一样的问题，面对多个解决方案会感到困惑。从我自己的经历说起。回顾一下我的旧代码，一堆matplotlib代码的混合——这对我来说非常混乱（即使是我写的）。

matplotlib的另一个历史性挑战是，一些默认风格选项相当没有吸引力。 在R语言世界里，可以用ggplot生成一些相当酷的绘图，相比之下，matplotlib的选项看起来有点丑。令人欣慰的是matplotlib 2.0具有更美观的样式，以及非常便捷对可视化的内容进行主题化的能力。

使用matplotlib我认为第三个挑战是，当绘制某些东西时，应该单纯使用matplotlib还是使用建立在其之上的类似pandas或者seaborn这样的工具，你会感到困惑。任何时候都可以有多种方式来做事，对于新手或不常用matplotlib的用户来讲，遵循正确的路径是具有挑战性的。将这种困惑与两种不同的API联系起来，是解决问题的秘诀。

为什么坚持要用matplotlib？

尽管有这些问题，但是庆幸有matplotlib，因为它非常强大。这个库允许创建几乎任何你可以想象的可视化。此外，围绕着它还有一个丰富的python工具生态系统，许多更先进的可视化工具用matplotlib作为基础库。如果在python数据科学栈中进行任何工作，都将需要对如何使用matplotlib有一个基本的了解。这是本文的其余部分的重点——介绍一种有效使用matplotlib的基本方法。

基本前提

如果你除了本文之外没有任何基础，建议用以下几个步骤学习如何使用matplotlib：
1、学习基本的matplotlib术语，尤其是什么是图和坐标轴
2、始终使用面向对象的接口，从一开始就养成使用它的习惯
3、用基础的pandas绘图开始你的可视化学习
4、用seaborn进行更复杂的统计可视化
5、用matplotlib来定制pandas或者seaborn可视化

这幅来自matplotlib faq的图非常经典，方便了解一幅图的不同术语。

2 基于Matlab并基于状态的接口

matplotlib内部结构复杂，但是pyplot可以快捷绘制各种可视化图形。

在使用前，记得导入模块：

1import matplotlib.pyplot as plt

先绘制一个简单图形。

1import matplotlib.pyplot as plt
2plt.plot([3,1,4,5,2])
3plt.ylabel("Grade")
4plt.show()

代码的结果如下：

图1：线形图

plot函数介绍

1import matplotlib.pyplot as plt
2plt.plot(x ,y ,format_string, **kwargs)

参数说明

• x：x轴数据，列表或者数组，可以无

• y：y轴数据，列表或者数据

• format_string：控制曲线风格的字符串，可以无

• **kwargs  ：第二组曲线或者更多曲线控制参数。

2.1 散点图

散点图非常适合展现两个变量间关系，因为，图中可以直接看出数据的原始分布。还可以通过设置不同的颜色，轻松地查看不同组数据间的关系，如下图所示。那如果想要可视化三个变量之间的关系呢？没问题！只需再添加一个参数（如点的大小）来表示第三个变量就可以了，如下面第二个图所示。

现在来写代码。首先导入Matplotlib库的pyplot子库，并命名为plt。使用 plt.subplots()命令创建一个新的图。将x轴和y轴数据传递给相应数组x_data和y_data，然后将数组和其他参数传递给ax.scatter()以绘制散点图。我们还可以设置点的大小、颜色和alpha透明度，甚至将y轴设置成对数坐标。最后再为该图设置好必要的标题和轴标签。这个函数轻松地实现了端到端的绘图！

 1import matplotlib.pyplot as plt
 2import numpy as np
 3import pandas as pd
 4def main():
 5   iris=pd.read_csv('Iris.csv')
 6   iris1=iris[iris['Species'].isin(['Iris-setosa'])]
 7   iris2=iris[iris['Species'].isin(['Iris-versicolor'])]
 8   iris3=iris[iris['Species'].isin(['Iris-virginica'])]
 9   _, ax = plt.subplots()
10   ax.scatter(iris1['SepalLengthCm'], iris1['SepalWidthCm'], s = 10, color = "r", alpha = 0.75)
11   ax.scatter(iris2['SepalLengthCm'], iris2['SepalWidthCm'], s = 10, color = "b", alpha = 0.75)
12   ax.scatter(iris3['SepalLengthCm'], iris3['SepalWidthCm'], s = 10, color = "y", alpha = 0.75)
13   ax.set_title("iris")
14   ax.set_xlabel("SepalLengthCm")
15   ax.set_ylabel("SepalWidthCm")
16   plt.legend(["Iris-setosa","Iris-versicolor","Iris-virginica"])
17   plt.show()
18if __name__=='__main__':
19  main()

2.2 折线图

如果一个变量随着另一个变量的变化而大幅度变化（具有很高的协方差），为了清楚地看出变量间的关系，最好使用折线图。例如，根据下图，我们能清楚地看出，不同专业获得学士学位的人群中，女性所占的百分比随时间变化产生很大变化。

此时，若用散点图绘制，数据点容易成簇，显得非常混乱，很难看出数据本身的意义。而折线图就再合适不过了，因为它基本上反映出两个变量（女性占比和时间）协方差的大体情况。同样，也可使用不同颜色来对多组数据分组。

代码与散点图类似，只是一些微小的参数改动。

 1def lineplot(x_data, y_data, x_label="", y_label="", title=""):
 2    # Create the plot object
 3    _, ax = plt.subplots()
 4    # Plot the best fit line, set the linewidth (lw), color and
 5    # transparency (alpha) of the line
 6    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)
 7    # Label the axes and provide a title
 8    ax.set_title(title)
 9    ax.set_xlabel(x_label)
10    ax.set_ylabel(y_label)

2.3 直方图

直方图适合查看（或发现）数据分布。下图为不同IQ人群所占比例的直方图。从中可以清楚地看出中心期望值和中位数，看出它遵循正态分布。使用直方图（而不是散点图）可以清楚地显示出不同组数据频率之间的相对差异。而且，分组（使数据离散化）有助于看出“更宏观的分布”，若使用未被离散化的数据点，可能会产生大量数据噪声，从而很难看出数据的真实分布。

下面是用Matplotlib库创建直方图的代码。这里有两个参数需要注意。第一个参数是n_bins参数，用于控制直方图的离散度。一方面，更多的分组数能提供更详细的信息，但可能会引入数据噪声使结果偏离宏观分布；另一方面，更少的分组数能提供更宏观的数据“鸟瞰”，在不需要太多细节的情况下能更全面地了解数据整体情况。第二个参数是累积参数cumulative，是一个布尔值，通过它控制直方图是否累积，也就是选择使用概率密度函数（PDF）还是累积密度函数（CDF）。

1def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""):
2    _, ax = plt.subplots()
3    ax.hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf')
4    ax.set_ylabel(y_label)
5    ax.set_xlabel(x_label)
6    ax.set_title(title)

2.4 柱状图

柱状图适用于对类别较少（<10个）的分类数据进行可视化。但在类别太多时，图中的柱体就会容易堆在一起，显得非常乱，对数据的理解造成困难。柱状图适合于分类数据的原因，一是能根据柱体的高度（即长短）轻松地看出类别之间的差异，二是很容易将不同类别加以区分，甚至赋予不同颜色。以下介绍三种类型的柱状图：常规柱状图，分组柱状图和堆积柱状图。参考代码来看详细的说明。

常规柱状图，如下图所示。代码中，barplot()函数的x_data参数表示x轴坐标，y_data代表y轴（柱体的高度）坐标，yerr表示在每个柱体顶部中央显示的标准偏差线。

分组柱状图，如下图所示。它允许对多个分类变量进行对比。如图所示，两组关系其一是分数与组（组G1，G2，…等）的关系，其二是用颜色区分的性别之间的关系。代码中，y_data_list是一个列表，其中又包含多个子列表，每个子列表代表一个组。对每个列表赋予x坐标，循环遍历其中的每个子列表，设置成不同颜色，绘制出分组柱状图。

堆积柱状图，适合可视化含有子分类的分类数据。下面这张图是用堆积柱状图展示的日常服务器负载情况统计。使用不同颜色进行堆叠，对不同服务器之间进行比较，从而能查看并了解每天中哪台服务器的工作效率最高，负载具体为多少。代码与柱状图样式相同，同样为循环遍历每个组，只是这次是在旧柱体基础上堆叠，而不是在其旁边绘制新柱体。

以下是三种堆积柱状图的代码：

 1def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""):
 2    _, ax = plt.subplots()
 3    # Draw bars, position them in the center of the tick mark on the x-axis
 4    ax.bar(x_data, y_data, color = '#539caf', align = 'center')
 5    # Draw error bars to show standard deviation, set ls to 'none'
 6    # to remove line between points
 7    ax.errorbar(x_data, y_data, yerr = error_data, color = '#297083', ls = 'none', lw = 2, capthick = 2)
 8    ax.set_ylabel(y_label)
 9    ax.set_xlabel(x_label)
10    ax.set_title(title)
11def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
12    _, ax = plt.subplots()
13    # Total width for all bars at one x location
14    total_width = 0.8
15    # Width of each individual bar
16    ind_width = total_width / len(y_data_list)
17    # This centers each cluster of bars about the x tick mark
18    alteration = np.arange(-(total_width/2), total_width/2, ind_width)
19    # Draw bars, one category at a time
20    for i in range(0, len(y_data_list)):
21        # Move the bar to the right on the x-axis so it doesn't
22        # overlap with previously drawn ones
23        ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width)
24    ax.set_ylabel(y_label)
25    ax.set_xlabel(x_label)
26    ax.set_title(title)
27    ax.legend(loc = 'upper right')
28def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""):
29    _, ax = plt.subplots()
30    # Draw bars, one category at a time
31    for i in range(0, len(y_data_list)):
32        if i == 0:
33            ax.bar(x_data, y_data_list[i], color = colors[i], align = 'center', label = y_data_names[i])
34        else:
35            # For each category after the first, the bottom of the
36            # bar will be the top of the last category
37            ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i - 1], align = 'center', label = y_data_names[i])
38    ax.set_ylabel(y_label)
39    ax.set_xlabel(x_label)
40    ax.set_title(title)
41    ax.legend(loc = 'upper right')

箱线图

前文介绍的直方图非常适合于对变量分布的可视化。但是，如果想要将更多的变量信息可视化呢？比如要清楚地看出标准差，或者一些情况下，中位数与平均值存在很大差异，因此是存在很多异常值呢还是数据分布本身就向一端偏移呢？

这里，箱线图就可以表示出上述的所有信息。箱体的底部和顶部分别为第一和第三四分位数（即数据的25％和75％），箱体内的横线为第二四分位数（即中位数）。箱体上下的延伸线（即T型虚线）表示数据的上下限。

由于箱形图是为每个组或变量绘制的，因此设置起来非常容易。x_data是组或变量的列表，x_data中的每个值对应于y_data中的一列值（一个列向量）。用Matplotlib库的函数boxplot()为y_data的每列值（每个列向量）生成一个箱形，然后设定箱线图中的各个参数就可以了。

 1def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""):
 2    _, ax = plt.subplots()
 3    # Draw boxplots, specifying desired style
 4    ax.boxplot(y_data
 5               # patch_artist must be True to control box fill
 6               , patch_artist = True
 7               # Properties of median line
 8               , medianprops = {'color': median_color}
 9               # Properties of box
10               , boxprops = {'color': base_color, 'facecolor': base_color}
11               # Properties of whiskers
12               , whiskerprops = {'color': base_color}
13               # Properties of whisker caps
14               , capprops = {'color': base_color})
15    # By default, the tick label starts at 1 and increments by 1 for
16    # each box drawn. This sets the labels to the ones we want
17    ax.set_xticklabels(x_data)
18    ax.set_ylabel(y_label)
19    ax.set_xlabel(x_label)
20    ax.set_title(title)

面向对象的接口

重点讲一下我遇到的最常见的绘图任务，如标记轴，调整限制，更新绘图标题，保存图片和调整图例。如果你想跟着继续学习，在链接

https://github.com/chris1610/pbpython/blob/master/notebooks/Effectively-Using-Matplotlib.ipynb

中包含附加细节的笔记，应该非常有用。

准备开始，我先引入库并读入一些数据：

1import pandas as pd
2import matplotlib.pyplot as plt
3from matplotlib.ticker import FuncFormatter
4df = pd.read_excel("https://github.com/chris1610/pbpython/blob/master/data/sample-salesv3.xlsx?raw=true")
5df.head()

这是2014年的销售交易数据。为了使这些数据简短一些，我将对数据进行聚合，以便我们可以看到前十名客户的总购买量和总销售额。为了清楚我还会在绘图中重新命名列。

1top_10 = (df.groupby('name')['ext price', 'quantity'].agg({'ext price': 'sum', 'quantity': 'count'})
2          .sort_values(by='ext price', ascending=False))[:10].reset_index()
3top_10.rename(columns={'name': 'Name', 'ext price': 'Sales', 'quantity': 'Purchases'}, inplace=True)

下面是数据的处理结果。

现在，数据被格式化成一个简单的表格，我们来看如何将这些结果绘制成条形图。

如前所述，matplotlib有许多不同的样式可用于渲染绘图，可以用plt.style.available查看系统中有哪些可用的样式。

 1['seaborn-dark',
 2'seaborn-dark-palette',
 3'fivethirtyeight',
 4'seaborn-whitegrid',
 5'seaborn-darkgrid',
 6'seaborn',
 7'bmh',
 8'classic',
 9'seaborn-colorblind',
10'seaborn-muted',
11'seaborn-white',
12'seaborn-talk',
13'grayscale',
14'dark_background',
15'seaborn-deep',
16'seaborn-bright',
17'ggplot',
18'seaborn-paper',
19'seaborn-notebook',
20'seaborn-poster',
21'seaborn-ticks',
22'seaborn-pastel']

这样简单使用一个样式：

1plt.style.use('ggplot')

使用DataFrame调用plot

1top_10.plot(kind='barh', y="Sales", x="Name")

我推荐先使用pandas绘图，是因为它是一种快速简便构建可视化的方法。 由于大多数人可能已经在pandas中进行过一些数据处理/分析，所以请先从基本的绘图开始。

参考文献：
[1]https://mp.weixin.qq.com/s/WgHXtVwVFGqqzLhtP-2olQ
[2]https://mp.weixin.qq.com/s/d5IbUFoj5xqmfD7sDJFV3g
[3]https://mp.weixin.qq.com/s/_kRDOm4R26mm4pa88XDnag
[4]https://github.com/chris1610/pbpython/blob/master/notebooks/Effectively-Using-Matplotlib.ipynb
[5]https://mp.weixin.qq.com/s/ph0-MgldDNMszHPnA38OaQ
[6]https://mp.weixin.qq.com/s/vr-pURyPkH5gGzgysRhwQQ