数据可视化（基于matplotlibseaborn库）
Posted xxstudyshare
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了数据可视化（基于matplotlibseaborn库）相关的知识，希望对你有一定的参考价值。
1、绘制正弦函数曲线
import matplotlib.pyplot as plt import numpy as np import pandas as pd #设置在notebook中直接展示图形输出 %matplotlib inline #设置图片清晰度 %config InlineBackend.figure_format="retina" #设置横坐标x取值范围和精度 #设置横坐标x的取值范围和精度 x = np.arange(1,10,0.1) #通过sin()函数，得到y值 y = np.sin(x) #描绘xy，设置完成后使用plt.show()出图 plt.plot(x,y) plt.title("sine function") plt.xlabel("x value") plt.ylabel("y value") plt.show()
#设置线条格式，如颜色、线型、线宽等 #b蓝色，--虚线，-实线，.点线，.-点划线，+加号线，等等，线型可随意组合，linewidth线宽 plt.plot(x,y,"b--",linewidth=3.0)
plt.plot(x,y,"b-",marker=".") #设置x，y轴区间 plt.axis([-2,12,-1.2,1.2]) #设置网格 plt.grid(True) #在指定坐标加上描述 plt.text(2.7,0.5,"DS")
2、绘制y = x,y = x^2,y =x^3曲线
#np.arange函数，对t赋值 t=np.arange(0,10,0.5) #分别绘制y=x,y=x**2,y=x**3曲线，其中--虚线，s方块，^三角 plt.plot(t,t,"r--",t,t**2,"bs",t,t**3,"g^")
3、散点图
import matplotlib.pyplot as plt import seaborn as sns import numpy as np import pandas as pd #设置在notebook中直接展示图形输出 %matplotlib inline #设置图片清晰度 %config InlineBackend.figure_format="retina"
【.plot作图】
# kind="scatter",做散点图，x轴表示花瓣长度，y轴表示花瓣宽度 iris.plot(kind="scatter",color="red",x="petal_length",y="petal_width")
【matlibplot.pyplot.plot作图】 [plt.plot( )]
plt.style.use(‘ggplot‘)
#设置画布大小
plt.figure(figsize=(8,6))
#scatter绘制散点图，s设置点大小
plt.scatter(x=top10.Purchases,y=top10.Sales,s=100)
【seaborn作图】[sns.] v.s. 【.plt作图】
1、matplotlib是python的主要绘图工具，但其自身的语法比较复杂
2、Seaborn是基于matplotlib产生的一个模块，专攻于统计可视化
3、Seaborn和matplotlib的关系类似于pandas和numpy的关系
我们来看看seaborn相较于plt的简洁之处，下面两个代码实现同样的效果——花瓣长宽散点图，以品种划分数据
seaborn实现
# FacetGrid中的hue参数指明划分数据的变量，这里是species（品种） # 用于将一行语句提行 # add_legend()添加图例 #先将iris数据集以species字段划分开 sns.FacetGrid(iris,hue=‘species‘,size=7) .map(plt.scatter,‘petal_length‘,‘petal_width‘).add_legend()
plt实现
# 使用布尔型索引，分别获取三种类型鸢尾花的数据集 setosa=iris[iris.species=="Iris-setosa"] versicolor=iris[iris.species=="Iris-versicolor"] virginica=iris[iris.species=="Iris-virginica"] #作图，setosa数据散点图ax bx = setosa.plot(kind="scatter",x="petal_length",y="petal_width",color="red",label="setosa",figsize=(10,6)) #将其余两种类型的花数据也作图在ax上
versicolor.plot(ax=bx,kind="scatter",x="petal_length",y="petal_width",color="blue",label="versicolor")
virginica.plot(ax=bx,kind="scatter",x="petal_length",y="petal_width",color="yellow",label="virginica")
4、箱线图
箱线图体现数据的最大、最小值，中位数、上下四分位数，是一个数据集的统计结果可视化。
【.plot作图】
# 指定某列数据，作单个箱线图 # kind="box"作箱图 iris.petal_width.plot(kind="box",label="iris",figsize=(8,4))
【seaborn作图】[sns.]
# 花萼宽度箱线图，以品种划分数据 sns.boxplot(data=iris,x=‘species‘,y=‘sepal_width‘) #下面语句实现与sns.boxplot一样的效果
iris[["sepal_width","species"]].boxplot(grid=False,by="species")
5、折线图
【matlibplot.pyplot.plot作图】
#绘制折线图 plt.plot(rank1m.year,rank1m.pct,color="blue",linewidth=2) #plt.fill_between设置填充线与坐标轴之间的空间
plt.fill_between(rank1m.year,rank1m.pct,color="blue",alpha=0.2) #设置坐标轴区间范围 plt.xlim(1880,2016) plt.ylim(0,9) #美化图：给图添加标题，调整字体大小等 plt.title("Popularity of 1# boys‘name by year",size=18,color="blue")
plt.xlabel("Year",size=16) plt.ylabel("% of male births",size=16)
6、条形图、直方图
【matlibplot.pyplot.plot作图】
barh-水平条形图
bar-垂直条形图
hist-直方图
(1)绘制水平条形图
plt.style.use(‘ggplot‘) #barh绘制水平条形图；bar绘制垂直直方图 """注意，条形图条数np.arange(10),要与top10.Sales数据数量一致，否则会报错-形状不匹(shape mismatch)""" plt.barh(np.arange(10),top10.Sales,height=0.6) #添加标题 plt.title(‘Top 10 Sales Company‘) plt.xlabel(‘Total Revenue‘) plt.ylabel(‘Company‘) #修改纵坐标、横坐标刻度 ‘‘‘此语句，可用tick_label=top10.Company替代，替代语句放在plt.barh()参数中
例如：plt.barh(np.arange(10),top10.Sales,tick_label=top10.Company,height=0.8) ‘‘‘ plt.yticks(np.arange(10),top10.Company) plt.xticks([0,20000,40000,60000,80000,100000,120000,140000], [‘$0k‘,‘$20k‘,‘$40k‘,‘$60k‘,‘$80k‘,‘$100k‘,‘$120k‘,‘$140k‘]) plt.show()
(2)绘制直方图
# 对于原始数据df中，每笔订单的交易额(ext price)，统计单笔订单交易额分布情况 #hist绘制直方图，bins设置区间个数 plt.hist(df[‘ext price‘],bins=20,rwidth=0.8) plt.xlim(-200, 5000) plt.show()
7、饼图
【matlibplot.pyplot.plot作图】
#plt.pie()绘制饼图 """ labels代表每个扇区的标签， colors=[‘b‘,‘g‘],设置扇区颜色 startangle代表起始位置角度 explode=(0.1,0,0,0,0,0,0,0,0,0)代表将第一个扇区拉出来0.1，作为突出显示 autopct=‘%1.1f%%‘,代表给出每个扇区的占比 ，精确到小数点后1位 """ plt.pie(top10.Sales,labels=[top10.Company](http://top10.company/), colors=[‘r‘,‘y‘,‘b‘,‘g‘,‘c‘,‘r‘,‘y‘,‘b‘,‘g‘,‘c‘],startangle=90, explode=(0.1,0,0,0,0,0,0,0,0,0),autopct=‘%1.1f%%‘) #使饼图呈圆形 plt.axis(‘equal‘)
8、绘制多图
在一张画布上，绘制多张图片，更加方便对比分析。
【matlibplot.pyplot.plot作图】
plt.style.use(‘ggplot‘) #设置画布大小 fig=plt.figure(figsize=(12,12)) #加上图像大标题 fig.suptitle(‘Sales Analysis‘,fontsize=16,fontweight=‘bold‘ #fig.add_subplot(x,y,z),表示将画布分为x行,y列,当前图像放在从左到右、从上到下的第z个位置 #添加第一个子图 ax1=fig.add_subplot(2,2,1) plt.barh(np.arange(10),top10.Sales,height=0.5,tick_label=top10.Company) plt.title(‘Revenue‘) #加入平均销售额线 plt.axvline()表示添加垂直线axis vertical line revenue_avg=top10.Sales.mean() plt.axvline(x=revenue_avg,color=‘b‘,linestyle=‘--‘,linewidth=3) #添加第二个子图 ax2=fig.add_subplot(222) plt.barh(np.arange(10),top10.Purchases,height=0.5) plt.title(‘Purchases‘) #设置不显示y轴刻度 plt.yticks(visible=False) #加入平均订单数线 Purchases_avg=top10.Purchases.mean() plt.axvline(x=Purchases_avg,color=‘b‘,linestyle=‘--‘,linewidth=3) #加入第三个、第四个子图 ax3=fig.add_subplot(223) plt.barh(np.arange(10),top10.Sales,height=0.5,tick_label=top10.Company) plt.title(‘Revenue‘) ax4=fig.add_subplot(224) plt.pie(top10.Sales,labels=top10.Company, colors=[‘r‘,‘y‘,‘b‘,‘g‘,‘c‘,‘r‘,‘y‘,‘b‘,‘g‘,‘c‘],startangle=90, explode=(0.1,0,0,0,0,0,0,0,0,0),autopct=‘%1.1f%%‘) plt.axis(‘equal‘) plt.show()
【seaborn作图】[sns.]
- sns.pairplot实现
- 用于快速观察各变量的分布情况，关系等
# 一条语句，展现4个变量之间的关系 # 分别展示了4个变量分布的直方图；以及两两变量之间的散点图 sns.pairplot(iris,hue=‘species‘)
8、总结
#前7节列举了数据分析几种常用的图绘制方法，主要分为以下几种：
1、散点图
2、箱线图
3、折线图
4、直方图、条形图
5、饼图
6、多图
#主要使用的绘图包：
1、matploylib.pyplot
2、seaborn
以上是关于数据可视化（基于matplotlibseaborn库）的主要内容，如果未能解决你的问题，请参考以下文章