python数据可视化（matplotlib,seaborn,plotly）
Posted 鈴音.
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python数据可视化（matplotlib,seaborn,plotly）相关的知识，希望对你有一定的参考价值。
文章目录
资料链接
B站云开见明-python可视化
https://www.bilibili.com/video/BV1eJ411H79t?p=8&share_source=copy_web
博客里用到的数据和代码：
链接：https://pan.baidu.com/s/1r5JJdZzrCejgy9NGXbsFQQ
提取码：mxmf
Matplotlib绘图基础
matplotlib官网
plt.plot(xy,ls=,lwe=,c=,marker=,markersize=,markeredgecolor-,markerfacecolor, label=)
- x∶x轴上的数值
- y∶ y轴上的数值
- ls∶折线的风格（‘-’，‘–’，‘-.’，‘：’）
- lw∶ 线条宽度
- c∶ 颜色
- marker∶线条上点的形状
- markersize∶线条上点的大小
- markeredgecolor∶点的边框色
- markerfacecolor∶点的填充色
- label∶文本标签
import numpy as np
import matplotlib.pyplot as plt
#确保图形能正确展示处理
%matplotlib inline
x=np.linspace(0,100,1000)
y=np.sin(x)
#plt.plot()绘制折线图
#c线条颜色 lw线条宽度 ls线条风格
#plt.show()展现图形
plt.plot(x,y,c='red',lw=2,ls='--')
plt.show()
#marker点的形状 markersize点的大小 markeredgecolor点的边框颜色
#markerfacecolor点的实心填充色
plt.plot(x,y,ls='-',marker='o',markersize=5,c='red'
,markeredgecolor='blue',markerfacecolor='w',
label='x和y的关系')
plt.show()
plt.rcParams['font.sans-serif']=['SimHei']#解决中文乱码
plt.rcParams['axes.unicode_minus']=False#解决符号乱码
x=np.linspace(0,10,100)
y=np.sin(x)
plt.plot(x,y,ls=':',lw=2,label='y=sin(x)')
plt.legend(loc='upper center')#展示图例 loc位置关系 loc还可为center等
x=np.arange(0,1.1,0.01)
y=x**2
#figsize画布大小dpi分辨率facecolor画布边框色
plt.figure(figsize=(4,4),dpi=100,facecolor='white')
plt.title('这是一幅画')
plt.xlabel('x1')#标签
plt.ylabel('y')
plt.xlim=([0,1])#范围
plt.ylim([0,1])
plt.xticks([0,0.2,0.4,0.6,0.8,1])#刻度
plt.yticks([0,0.2,0.4,0.6,0.8,1])
plt.plot(x,y,label='y=x^2')
plt.legend(loc='best')
#保存图片，名称可为png,pdf
plt.savefig(r'C:\\Users\\郝琪英\\Desktop\\可视化.pdf')
plt.show()
简单图形绘制
1.饼图
饼图用于实现可视化离散型变量的分布的一种图形
pie(x,explode,labels,colors,autopct=,pctdistance,shadow,startangle,radius，wedgeprops,textprops,center)
- labels∶标签
- colors∶颜色
- autopct∶百分比
- pctdistance∶百分比标签与圆心距离
- shadow∶是否添加饼图阴影效果
- labeldistance∶设置各扇形标签与圆心距离
- startangle∶设置饼图的初始摆放角度
- radius∶设置饼图半径大小
- counterclock∶是否逆时针呈现
- wedgeprops∶设置饼图内外边界的属性
- textprops∶设置饼图中文本属性
- center∶设置中心位置
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
import os
os.chdir('.\\数据')
data=pd.read_excel('非洲通讯产品销售数据.xlsx',sheet_name='SalesData')
data.head()
data_1=data.groupby('地区').mean()['销售额']
x_data=data_1.values
y_data=data_1.index
#每部分突出大小
explode = [0,0,0,0,0.1]
colors=['red','blue','purple','green','darkred']#purple
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
#autopct设置为百分比格式 pctdistance百分比标签与圆心距离
#labeldistance设置文本标签与圆心距离 startangle设置饼图初始角度
#radius设置饼图半径 counterclock是否逆时针
#wedgeprops边的宽度以及边框色textprops文本信息
#官网：https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.title.html
plt.pie(x=x_data,explode=explode,labels=y_data,colors=colors,
autopct='%.1f%%',pctdistance=0.5,labeldistance=1.1,
startangle=120,radius=1.2,counterclock=False,
wedgeprops='linewidth':1.2,'edgecolor':'green',
textprops='fontsize':10,'color':'black')
# plt.title('订单金额分布图')#pad标题距离坐标轴距离
plt.show()
2.条形图
饼图不适合取值过多的分类特征，条形图不仅适合分类水平较多的变量也更加适合对比差异.具体请见案例
bar(x, y,width,bottom,color,linewidth,tick_label,align)
- x指定x轴上数值
- y指定y轴上数值
- width指定条形图宽度
- color条形图的填充色
- edge条形图的边框色
- linewidth条形图边框宽度
- tick_label条形图的刻度标签
- align指定x轴上对齐方式
x_data=data_1.values
y_labels=data_1.index
plt.bar(x=range(0,len(x_data)),height=x_data,align='center',
color='y',tick_label=y_labels)
plt.xlabel('地区',labelpad=10)
plt.ylabel('销售额',labelpad=10)
plt.title('不同地区的销售额')
plt.show()
3.直方图
对于连续型变量，往往需要查看其分布图，直方图就是用来观察数据的分布形态plt.hist(x,bins,range,normed,cumulative,bottom,align,rwidth,color,edgecolor,label)
- x数据
- bin条形个数
- range上下界
- normed是否将频数转换成频率
- cumulative是否计算累计频率
- bottom为直方图的每个条形添加基准线，默认为0
- align对齐方式
- rwidth条形的宽度
- color填充色
- edgecolor设置直方图边框色
- label设置直方图标签
data.head()
#销售额在某一区间内出现的次数
#bin格子的个数 density是否以频数的形式展示
plt.hist(x=data['销售额'],bins=30,color='r',edgecolor='black',
density=False)
plt.title('销售额分布图')
plt.show()
4.散点图
散点图一般用来展示2个连续型变量的的关系，可以通过散点图来判断两个变量之间是否存在某种关系，例如线性还是非线性关系
plt.scatter(x,y, s, c, marker, cmap, norm, alpha, linewidths, edgecolorsl)
- x x数据
- y y轴数据
- s 散点大小
- c 散点颜色
- marker 散点图形状
- cmap 指定某个colormap值，该参数一般不用，用默认值
- alpha 散点的透明度
- linewidths 散点边界线的宽度
- edgecolors 设置散点边界线的颜色
SalePrice - 以美元为单位的房产销售价格。
LotArea：以平方英尺为单位的地块面积
sec_buildings=pd.read_csv('train.csv')
sec_buildings.head()
#SalePrice - 以美元为单位的房产销售价格。
#LotArea：以平方英尺为单位的地块面积
plt.scatter(x=sec_buildings['LotArea'],
y=sec_buildings['SalePrice'],
color='steelblue',marker='o',s=100)
plt.xlabel('房子大小',fontsize=14)
plt.ylabel('房子总价',fontsize=14)
plt.title('房子大小和房子总价关系',fontsize=14)
plt.show()
图形基本设置
plt.plot(data_1.index,data_1.values,label='不同地区销售额')
#loc='best'根据图自动匹配最好位置 frameon是否有边框
plt.legend(loc='upper left',fontsize=12,frameon=True)
#设置图像
# fig=plt.gcf()
# fig.set_size_inches(12.5,10.5)#调整图片大小（画布长宽）
# plt.grid(ls='--',c='red')# -,-.,--.:
plt.axhline(y=500,c='red',ls='--',lw=2)#画线y=500
plt.axvline(x=2,c='red',ls='--',lw=2)#画线x=2
plt.show()
plt.plot(data_1.index,data_1.values,label='不同地区销售额')
#loc='best'根据图自动匹配最好位置 frameon是否有边框
plt.legend(loc='upper left',fontsize=12,frameon=True)
#alpha参数透明度，可给可不给
plt.axvspan(xmin=3,xmax=5,facecolor='r',alpha=0.3)#画出x为3-5的区域
plt.axhspan(ymin=480,ymax=510,facecolor='r',alpha=0.3)#画出y为480-510的区域
plt.show()
统计图形实战
1.柱状图（堆积柱状图）
柱状图主要应用在定性数据的可视化场景里面，或者是分类特征的分布展示，那么由柱状图衍生出来的图形还有堆积柱状图，多数据并列柱状图
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
GDP=pd.read_excel('Province GDP 2017.xlsx')
GDP
plt.figure(figsize=(6.4,4.8))
plt.bar(x=GDP.index.values,height=GDP.GDP,width=0.5)
#rotation字体旋转倾斜
plt.xticks(GDP.index.values,GDP.Province,rotation=45)
plt.xlabel('省份',fontsize=14)
plt.ylabel('GDP产值（万亿）',fontsize=14,labelpad=20)
plt.title('2017年GDP情况',fontsize=20)
plt.show()
Industry_GDP=pd.read_excel('Industry_GDP.xlsx')
Industry_GDP
#透视表
temp=pd.pivot_table(data=Industry_GDP,index='Quarter',columns='Industry_Type',
values='GDP',aggfunc=np.sum)
temp
#tick_label为行索引打标签，把Q1，Q2，Q3，Q4变为'第一季度'，'第二季度','第三季度','第四季度'
#bottom表示第二产业是在第一产业上面的，第三产业在第一产业和第二产业之上的，由堆叠图可看出
plt.bar(x=temp.index.values,height=temp['第一产业'],color='steelblue',
label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第二产业'],color='green',
label='第二产业',bottom=temp['第一产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第三产业'],color='red',
label='第三产业',bottom=temp['第一产业']+temp['第二产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.ylabel('产值（亿）')
plt.title('2017年各行业各季度生产值')
plt.show()
temp=pd.crosstab(Industry_GDP['Quarter'],Industry_GDP['Industry_Type'],
values=Industry_GDP['GDP'],aggfunc=np.sum,normalize='index')
temp
#tick_label为行索引打标签，把Q1，Q2，Q3，Q4变为'第一季度'，'第二季度','第三季度','第四季度'
#bottom表示第二产业是在第一产业上面的，第三产业在第一产业和第二产业之上的，由堆叠图可看出
plt.bar(x=temp.index.values,height=temp['第一产业'],color='steelblue',
label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第二产业'],color='green',
label='第二产业',bottom=temp['第一产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第三产业'],color='red',
label='第三产业',bottom=temp['第一产业']+temp['第二产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.ylabel('产值（亿）')
plt.title('2017年各行业各季度生产值')
plt.legend(loc='best')
plt.show()
#从图中可看出蓝色部分第一产业，四个季度依次上升
#红色部分第三产业四个季度产值下降了
#修改图例到最右边
plt.bar(x=temp.index.values,height=temp['第一产业'],color='steelblue',
label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第二产业'],color='green',
label='第二产业',bottom=temp['第一产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'],)
plt.bar(x=temp.index.values,height=temp['第三产业'],color='red',
label='第三产业',bottom=temp['第一产业']+temp['第二产业'],tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.ylabel('产值（亿）')
plt.title('2017年各行业各季度生产值')
#把横轴看为1，纵轴看为1，
#1.08表示距离纵轴的距离
#0.8表示距离横轴的距离
plt.legend(bbox_to_anchor=(1.08,0.8))
plt.show()
2.直方图（直方图，核密度图，正态分布图）
直方图，一般用来观察数据的分布形态，横坐标代表数值的分段，纵坐标代表了观测数量和频数，直方图有时候会和核密度图搭配使用，主要是为了更加详细的展示数据的分布特征
Titanic=pd.read_csv('titanic_train.csv')
#删除掉年龄的缺失值
Titanic.dropna(subset=['Age'],inplace=True)
#density=True频率形式展现
plt.hist以上是关于python数据可视化（matplotlib,seaborn,plotly）的主要内容，如果未能解决你的问题，请参考以下文章