python数据可视化(matplotlib)

数据可视化

基本概念

数据可视化是指借助于图形化的手段，清晰、快捷有效的传达与沟通信息。同时，也可以辅助用户做出相应的判断，更好的去洞悉数据背后的价值。

字不如表，表不如图。

观察号码的频率，每个号码出现了多少次？

文字

08 10 15 20 30 31 33 06
01 09 10 17 21 28 32 13
02 05 08 13 19 21 28 10
03 05 07 14 18 23 25 07
…… ……

表格

图形

通过可视化图表方式，就可以清晰的表达信息

可视化图形辅助决策

1854 年英国伦敦霍乱病流行时，斯诺博士在绘有霍乱流行地区所有道路、房屋、饮用水机井等内容的城区地图上，标出了每个霍乱病死者的住家位置，得到了霍乱病死者居住位置分布图，发现了霍乱病源之所在：布劳德大街（现布劳维克大街）的公用抽水机

matplotlib

matplotlib是用于Python的绘图库，提供各种常用图形的绘制。例如，条形图，柱形图，线图，散点图等。

import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

图形绘制

绘制线图

可以通过matplotlib.pyplot的plot方法进行图形绘制。

  • plot(y)
  • plot(y, ‘格式‘)
  • plot(x, y)
  • plot(x, y, ‘格式‘)
  • plot(x1, y1, ‘格式1‘, x2, y2, ‘格式2‘ …… xn, yn, 格式n)
# 绘制一个点，点默认情况下是不显示的。如果需要让点能够显示，需要设置（marker参数可以设置点显示的形状）。
# plt.plot(50, marker="d")

# 绘制多个数据，构成线型形状。如果我们只提供一组数组，则该组数据表示纵坐标，横坐标默认从0开始，1,2,3,4进行排列。
# plt.plot([3, 2, 9, 15, -3], marker="o")

# 我们也可以自己来指定横坐标。提供两组数据。第1个列表指定横坐标，第2个列表指定纵坐标。
# plt.plot([-3, -1, 5, 8, 12], [2, -10, 9, 3, 6], marker="o")

# 我们在绘制图形的时候，可以指定点的形状，线的形状，线条颜色等设置。
# plt.plot([-3, -1, 5, 8, 12], [2, -10, 9, 3, 6], "y-.>")

# 绘制多个数据，每个数据给予不同的格式。
# plt.plot([-3, -9], [32, 18], "r--D", [5, 8], [-10, 20], "g-.o")

# 以上的方式，我们也可以分成两步来进行绘制。
plt.plot([-3, -9], [32, 18], "r--D")
plt.plot([5, 8], [-10, 20], "g-.o")
[<matplotlib.lines.Line2D at 0x1c986a6d080>]

图形交互式设置

我们可以设置jupyter notebook图形是否交互式显示，默认为否。

  • %matplotlib 引擎名
  • %matplotlib inline
# %matplotlib qt
%matplotlib inline
plt.plot([5, 8], [-10, 20], "g-.o")
[<matplotlib.lines.Line2D at 0x20f80f3e0b8>]

设置中文支持

matplotlib默认情况下不支持中文显示，如果需要显示中文，则我们需要做一些额外的设置操作。设置可以分为：

  • 全局设置
  • 局部设置

全局设置

我们可以通过执行：
mpl.rcParams["font.family"] = "中文字体名称"
mpl.rcParams["axes.unicode_minus"]=False
进行设置。常用的设置如下:

  • font.family 字体的名称

    • sans-serif 西文字体（默认）
    • SimHei 中文黑体
    • FangSong 中文仿宋
    • YouYuan 中文幼圆
    • STSong 华文宋体
    • Kaiti 中文楷体
    • LiSu 中文隶书
  • font.style 字体的风格
    • normal 常规（默认）
    • italic 斜体
    • oblique 倾斜
  • font.size 字体的大小（默认10）
  • axes.unicode_minus 是否使用Unicode的减号（负号）【在支持中文显示状态下，需要设置为False】

局部设置

在需要显式的文字中，使用fontproperties参数进行设置。

说明：

  • 如果全局设置与局部设置冲突，以局部设置为准。
# 对字体进行设置。默认的字体不支持中文显示，我们只需设置一种支持中文显示的字体即可。
mpl.rcParams["font.family"] = "Kaiti"
# 对于西方文字，使用普通的负号来显示，无需设置该选项。当设置支持中文的字体时，会使用Uniocde的负号来进行显示（不支持）。故需要将
# 负号显示成普通的形式，而不是使用Unicdoe的负号显示。
mpl.rcParams["axes.unicode_minus"] = False
mpl.rcParams["font.style"] = "normal"
mpl.rcParams["font.size"] = 10
plt.plot([-3, -2],[-1, -5], "r--")
# 显示标题
plt.title("中文")

# 局部设置
plt.title("中文", fontproperties="Kaiti", fontsize=20)
Text(0.5, 1.0, ‘中文‘)

保存图表

通过plt的savefig方法将当前的图形保存到硬盘或者类文件对象中。

  • dpi：每英寸分辨率点数。
  • facecolor：设置图像的背景色。
  • bbox_inches：设置为tight，可以紧凑保存图像。
  • # savefig图表保存
# 1 保存到硬盘上
plt.plot([1, 5, 8, 10], [2, 3, 9, 6], "r-.o")

plt.savefig("./1.png", dpi=100, facecolor="g", bbox_inches="tight")

# 2 保存到类文件对象中

# from io import BytesIO
# data = BytesIO()
# plt.savefig(data)

# data.read()
# data.getvalue()[:100]

from PIL import Image
# 从硬盘读取文件
image = Image.open("./1.png")

# 从类文件对象中读取信息
# image = Image.open(data)
image.show()

颜色，点标记与线型设置

我们可以在绘制图形时，显式指定图形的颜色，点标记或线条形状。具体设置可以查看帮助文档。

  • color(c)：线条颜色。
  • linestyle(ls)：线条形状。
  • linewidth(lw)：线宽。
  • marker：点标记形状。
  • markersize(ms)：点标记的大小。
  • markeredgecolor(mec)：点边缘颜色。
  • markeredgewidth(mew)：点边缘宽度。
  • markerfacecolor(mfc)：点的颜色。

说明：

  • 颜色，点标记与线型可以使用一个参数进行设置。
  • 颜色除了可以使用预设简写的字符之外，也可以使用全称（例如red）也可以使用RGB颜色表示。
# plt.plot([1, 2, 3, 4], [5, 6, 7, 8], "ro--")
plt.plot([1, 2, 3, 4], [5, 6, 7, 8], c="r", ls="--", lw=2, marker="o", ms=15, mec="r", mew=5, mfc="y")
[<matplotlib.lines.Line2D at 0x1c986f302b0>]

透明度设置

在绘制图像时，我们可以通过alpha参数来控制图像的透明度，值在0 ~ 1之间。0为完全透明，1为不透明。

plt.plot(np.arange(30), marker="D", alpha=0.7)
[<matplotlib.lines.Line2D at 0x20f80f6ab00>]

图例设置

在绘制多条线时，可以设置图例来标注每条线所代表的含义，使图形更加清晰易懂。
可以采用如下的方式设置图例：

  • 调用plt的legend函数，传递一个标签数组，指定每次plot图形的标签。
  • 在绘制的时候通过label参数指定图例中显示的名称，然后调用legend函数生成图例。

legend常用的参数：

  • loc：指定图例的位置。默认为best。也可以指定坐标（元组），基于图像左下角计算。
  • frameon：设置是否含有边框。
  • title：设置图例的标题。
  • ncol：图例显示的列数，默认为1。
# 可以采用两种方式。
# plt.legend设置显示图例。

# 1 第一中方式，绘图时不指定标签，而在legend方法中指定标签。
plt.plot(list(range(1, 13)), np.random.randint(50, 100, 12))
plt.plot(list(range(1, 13)), np.random.randint(50, 100, 12))
# loc 控制图例的显示位置，默认为best，即选择一个最好的位置。
plt.legend(["2016", "2017"], loc="upper right")

# legend也可以指定元组的坐标。（坐标的值基于当前图形的比例。）
# plt.legend(["2016", "2017"], loc=(0.6, 0.5))
# frameon是否显示图例的边框，True（默认值）显示，False不显示。
# plt.legend(["2016", "2017"], loc="best", frameon=False)
# plt.legend(["2016", "2017"], loc="best", title="年降雨量", ncol=2)

# 2 第2种方式：在绘图时指定标签，在legend中不指定。
# 通过label参数指定标签信息。该信息可以用来当做legend的图例标签。
plt.plot(list(range(1, 13)), np.random.randint(50, 100, 12), label="2016")
plt.plot(list(range(1, 13)), np.random.randint(50, 100, 12), label="2017")
plt.legend(loc="best")

网格设置

可以通过plt的grid方法来设置是否显示网格。True为显示，False不显示。ax.grid(color=‘r‘, linestyle=‘-‘, linewidth=2)

  • color：设置网格线颜色
  • axis：设置网格线显示x，y或者全部显示（x，y，both）。
  • linestyle：设置网格线形状。
  • linewidth：设置网格线宽度。
plt.plot([1, 2], [3, 4])
plt.grid(True, color="y", axis="y", ls="--", lw=5)

绘图区域设置

我们可以在一张图上绘制多个图形，当然，我们也可以将不同的图形绘制到多个不同的区域当中。
我们可以采用以下方式来实现多个区域的绘制（创建子绘图区域）：

  • 通过Figure对象调用add_subplot方法。
  • 通过plt的subplot方法。
  • 通过plt的subplots方法。

子区域1：add_subplot方法

  • 首先创建matplotlib.figure.Figure对象，然后通过Figure对象的add_subplot方法增加子绘图区域。
  • add_subplot方法中，需要指定子区域的行数、列数与当前要绘制的子区域。
  • add_subplot方法会返回子绘图对象（轴对象），通过该对象即可实现绘图（matplotlib.axes._subplots.AxesSubplot）。

在绘制图形时，总是需要创建Figure对象。如果没有显式创建，则plt会隐式创建一个Figure对象。在绘制图形时，既可以使用plt来绘制，也可以使用子绘图对象来绘制。
如果使用plt对象绘制，则总是在最后创建的绘图区域上进行绘制，如果此时尚未创建绘图区域，则会自动创建。

说明：

  • add_subplot方法的参数，即可以使用三个参数分开传递，也可以使用一个参数整体传递。
  • 可以通过plt.subplots_adjust方法来调整子绘图的位置与子绘图之间的距离。（left, right, top, bottom, wspace, hspace）
  • 创建子区域时，可以使用facecolor设置绘图区域的背景色。
# 创建Figure对象。在我们进行绘图时，一定会存在Figure对象，如果我们没有显式创建，也会隐式创建。
figure = plt.figure()
# 创建一个子绘图区域，分别指定行数（第1个参数），列数（第2个参数），当前的自绘图区域（第3个参数）。
figure.add_subplot(1, 2, 1, facecolor="g")
plt.plot(10, marker="o")
# 三个参数也可以作为一个参数整体传递
figure.add_subplot("122")
# figure.add_subplot(1, 2, 2)
plt.plot(20, marker="d")

# 在调用add_subplot方法时，会返回所创建的子绘图区域对象。我们既可以通过plt.plot进行绘制，也可以通过子绘图区域的plot方法
# 进行绘制。
# sub = figure.add_subplot(1, 2, 1)
# sub.plot([1, 2, 3], [5, 6, 8], "g")
# 当我们使用plt.plot进行绘制时，总是在最后激活（创建）的子绘图区域上进行绘制。
# sub2 = figure.add_subplot(1, 2, 2)
# plt.plot([3, 8, 9], [12, 9, 0], "y")

# 调整水平的间距。
plt.subplots_adjust(wspace=1)

子区域2：subplot方法

通过调用plt的subplot方法创建子绘图区域，该方法返回子绘图对象。此处方式下，会隐式创建Figure对象。
实际上，这种创建子绘图区域的方式，底层也是通过第一种方式实现的。

#subplot(行, 列, 当前位置)
plt.subplot(1, 2, 1)
plt.plot([3, 8, 3], "g--d")

plt.subplot(1, 2, 2)
plt.plot([3, 8, 9], "r-.o")

子区域3：subplots方法

通过plt的subplots方法创建子绘图区域，该方法返回一个元组（Figure对象与所有子绘图对象，如果是多个子绘图对象，则返回一个ndarray数组）。可以通过sharex与sharey来指定是否共享x轴与y轴。

# 返回元组， 第1个元素，Figure对象，第2个元素：子绘图区域对象。
# 如果我们创建多个子绘图区域对象，则多个子绘图区域对象会存放在ndarray中。
figure, ax = plt.subplots(2, 2, sharex=True, sharey=True)

ax[0][0].plot([3, 9])
ax[0][1].plot([3, 9])
ax[1][0].plot([3, 9])
ax[1][1].plot([3, 9])

绘图区域大小设置

如果绘图子区域较多，可能会有些拥挤。此时，我们可以调整绘图区域的大小。方式如下：

  • 在调用plt.figure()创建Figure对象时，通过figsize参数指定。单位为英寸。
  • 在创建Figure对象后，可以通过Figure对象的set_size_inches方法设置。

说明：

  • 如果没有显式创建Figure对象，可以通过plt的gcf函数获取当前的Figure对象。
# 在创建Figure对象时，通过figsize参数指定绘图区域的大小。
# plt.figure(figsize=(3, 3))

# 我们也可以在创建Figure对象之后，通过set_size_inches来设置区域大小。
# figure = plt.figure()
# figure.set_size_inches(5, 5)
# plt.plot([1, 2, 4])
# 获取当前的figure对象。
# 如果没有显式创建Figure对象，我们可以通过plt.gcf获取当前使用的figure，同样可以设置绘图区域的大小。
figure2 = plt.gcf()
# display(figure is figure2)
figure2.set_size_inches(5, 5)
plt.plot([1, 2, 3])

标签与刻度设置

可以通过plt对象的相关方法来设置（或获取）标签与刻度等信息。设置还是获取，取决于是否传递实际参数。

  • plt.xlim 设置或获取x轴刻度范围。
  • plt.ylim 设置或获取y轴刻度范围。
  • plt.xticks 设置或获取x轴显示的刻度与标签。
  • plt.yticks 设置或获取y轴显示的刻度与标签。
  • plt.axis 可以同时设置或获取x与y轴的刻度范围，或者是取消刻度显示。
    • 无参数：返回一个元组。(xmin, xmax, ymin, ymax)
    • (xmin, xmax, ymin, ymax) 同时设置x与y轴的刻度范围。
    • off 取消坐标轴显示。
    • tight：坐标轴紧凑显示。
    • equal：x与y具有同样的长度。

轴标签说明与标题设置

  • plt.xlabel 设置x轴的标签说明。
  • plt.ylabel 设置y轴的标签说明。
  • plt.title 设置标题。
plt.plot([1, 3, 5], [2, 4, 6])
# 显示x轴刻度的范围
display(plt.xlim())
# 显示y轴刻度的返回
display(plt.ylim())
# 除了获取之外，我们也可以去设置x与y轴的刻度范围。
plt.xlim(0, 10)
plt.ylim(-2, 10)
# 获取x与y的刻度信息。
# plt.xticks()
# plt.yticks()

# 设置x与y的刻度信息
plt.xticks([0, 5, 10])
plt.yticks([-2, 4, 10])

# 默认情况下，标签就是我们设置的刻度信息。我们可以自定义每个刻度的显示标签。
plt.xticks([0, 5, 10], ["偏低", "中等", "偏高"])
(0.8, 5.2)
(1.8, 6.2)
([<matplotlib.axis.XTick at 0x1c98824cd30>,
  <matplotlib.axis.XTick at 0x1c98824c7f0>,
  <matplotlib.axis.XTick at 0x1c98824c518>],
 <a list of 3 Text xticklabel objects>)

# axis的使用
# plt.plot([1, 3, 5], [2, 4, 6])
# 可以通过axis来设置或者返回x与y轴的界限。
# 获取
plt.axis()
# 设置 (xmin, xmax, ymin, ymax)
# plt.axis((0, 10, -5, 10))
# 去掉坐标轴
# plt.axis("off")

plt.plot([1, 2, 3], [1, 10, 20])
# 让x与y轴具有相同的增长度（比例相同）
# plt.axis("equal")

# 设置坐标轴的标签与标题
plt.plot([1, 2, 3])
# 设置x轴的标签信息
plt.xlabel("这是x轴")
plt.ylabel("这是y轴")
# 设置标题信息
plt.title("这是标题")
Text(0.5,1,‘这是标题‘)

通过绘图对象设置

除了通过plt对象外，我们还可以通过子绘图对象来设置与获取标签与刻度。

  • ax.set_xlim 设置x轴刻度范围。
  • ax.get_xlim 获取x轴刻度范围。
  • ax.set_xticks 设置x轴显示的刻度。
  • ax.get_xticks 获取x轴显示的刻度。
  • ax.set_xticklabels 设置x轴显示的刻度标签。默认显示的是就是刻度值。
  • ax.get_xticklabels 获取x轴显示的刻度标签。

也可以设置标签说明与标题。

  • ax.set_xlabel 设置x轴的标签说明。
  • ax.get_xlabel 获取x轴的标签说明。
  • ax.set_title 设置标题。
  • ax.get_title 获取标题。

说明：

  • 如果需要设置或者获取y轴，只需要将x换成y即可。
# 除了使用plt进行设置刻度，坐标轴，标签等信息外，我们也可以通过绘图对象来进行设置。
figure, ax = plt.subplots(1, 1)
ax.plot(np.random.random(100))
# 设置x轴的显示范围
# ax.set_xlim(0, 120)
# 获取x轴的显示范围
# ax.get_xlim()
# ax.get_xticks()
ax.set_xticks([50, 100, 150])
ax.set_xticklabels(["低", "中", "高"])
# for i in ax.get_xticklabels():
#     display(i)
ax.set_xlabel("时间")
ax.set_ylabel("数值大小")
# ax.get_xlabel()
ax.set_title("波动值")
ax.get_title()
‘波动值‘

添加注解

我们可以在图形上绘制文本等说明信息（注解）。

普通文本

plt.text 显示文本（基于坐标）
plt.figtext 显示文本（基于图片）

箭头

plt.arrow 根据起点坐标（x，y）与各自轴的长度（x + dx, y + dy）绘制箭头。

  • width 箭头尾部的宽度。
  • head_width 箭头的宽度。
  • head_length 箭头的长度。

箭头与文本

plt.annotate 显示箭头与文本。

  • xy 箭头指向坐标
  • xytext 文本起点坐标。（箭头尾部坐标）
  • arrowprops 字典类型，可设置箭头的属性。
    • facecolor 箭头的颜色
    • headwidth 箭头的宽度
    • width 箭尾的宽度
    • shrink 收缩大小
    • headlength 箭头的长度
    • arrowstyle 一些预设的箭头样式。当含有该参数时，上述4项参数将不再有效。
x = np.linspace(-10, 10, 100)
plt.plot(x, x ** 2, "-")
plt.title("抛物线图")
# 在指定的坐标位置增加文字说明。
# plt.text(0.5,0, "这是极值点")
# plt.text与plt.figtext都可以进行文字说明，不同的是，text是基于坐标定位，而figtext是基于比例定位（左下角为原点）。
# plt.figtext(0.5, 0.5, "说明")
# plt.arrow(7, 20, -5.5, -15, width=1, head_width=4, head_length=4, color="r")
# plt.text(8, 25, "这是极值点")

# 使用text与arrow可以实现箭头与文本的说明。我们可以使用plt.annotate可以将箭头与说明文本一同绘制。
# plt.annotate("这是极值点", xy=(0, 0), xytext=(8, 25), arrowprops=dict(width=3, facecolor="g", headwidth=15, shrink=0.05, headlength=25))

plt.annotate("这是极值点", xy=(0, 0), xytext=(8, 25), arrowprops=dict(arrowstyle="<-"))
Text(8, 25, ‘这是极值点‘)

图形类型

折线图

plt.plot

# 适合于具有增长趋势的数据表达
plt.plot(np.arange(1, 13), np.random.randint(50, 100, 12), "-o")

柱形图 / 条形图

plt.bar 柱形图
plt.barh 条形图

# 柱形图/条形图适合进行数据数值的对比（比较大小）。

# 绘制柱形图
# plt.bar(["A公司", "B公司", "C公司"], [200, 100, 135])
# 绘制条形图
plt.barh(["A公司", "B公司", "C公司"], [200, 100, 135])
<BarContainer object of 3 artists>

饼图

plt.pie 饼图

  • labels 每个部分显示的标签。
  • explode 指定每个部分距离圆心的偏移量（单位为半径的长度）。
  • colors 指定每个部分的颜色。
  • autopct 设置每个部分显示的比例值（格式化）。
  • couterclock 是否逆时针绘图。默认为True。
  • startangle 初始绘图点位置（逆时针偏移x轴的角度）。默认为偏移0度（x轴）。
  • shadow 是否含有阴影，默认为False。
# 饼图适合于进行比例的对比。（注意：使用饼图时，参与对比的数据不宜过多。）

plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"], explode=[0, 0, 0, 0, 0.2])
# plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"], colors=["r", "g", "b", "y", "b"])
# plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"],autopct="%.2f%%")
# plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"],counterclock=False)
# plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"], startangle=90)
# plt.pie([10, 30, 20, 50, 40], labels=["销售1部", "销售2部", "销售3部", "技术1部", "技术2部"],shadow=True)
([<matplotlib.patches.Wedge at 0x1c9883cfc18>,
  <matplotlib.patches.Wedge at 0x1c9883d91d0>,
  <matplotlib.patches.Wedge at 0x1c9883d96a0>,
  <matplotlib.patches.Wedge at 0x1c9883d9b70>,
  <matplotlib.patches.Wedge at 0x1c9883e4080>],
 [Text(1.075962358309037, 0.22870287165240302, ‘销售1部‘),
  Text(0.5499999702695115, 0.9526279613277875, ‘销售2部‘),
  Text(-0.5500000594609755, 0.9526279098330699, ‘销售3部‘),
  Text(-1.004899951743044, -0.44741042342219545, ‘技术1部‘),
  Text(0.8698699721849806, -0.9660881075196512, ‘技术2部‘)])

散点图 / 气泡图

散点图适合于用来显示与比较数据的分布状态。

  • marker 点的标记。
  • s 点的大小。
  • color 点的颜色。

说明：

  • color与s参数可以统一设置，也可以为每一个点单独设置。
# 散点图/气泡图适合于表示数据的分布情况。
# 散点图用来表示两个维度的数据，如果数据维度超过2维，我们可以使用气泡图表示。【增加气泡的大小，颜色，多表示两个维度】

plt.scatter(np.random.randint(0, 100, 100), np.random.randint(0, 100, 100), marker="o", s = 30, c="g")
# plt.scatter([1, 5, 8], [8,2, 6], s=[30, 100, 60], c=["r", "g", "b"])

直方图

直方图（histogram）可以看成是一种特殊的柱形图，用来将连续的数据频率（数量）进行离散化显示。在直方图中，数据被分割成若干区间，然后统计每个区间数据出现的频率（数量）。
我们可以通过plt.hist来绘制直方图。

    • bins：设置分割区间的数量。
    • normed：进行归一化显示。（概率密度)
    • # 直方图适用于将连续型变量（多离散型）切分成离散型表示。

# x = np.random.randint(0, 101, 200)
# 默认情况下，直方图会划分成10等分区间。
# 区间的划分原则：左闭右开原则。（包含起始点，不包含终止点。）例外：最后一个区间，双闭区间。（包含起始点，也包含终止点。）
# plt.hist(x)
# 如果需要自定义区间数量（等分数量：桶的数量），我们可以通过bins进行控制。
# plt.hist(x, bins=5)
# bins参数，除了指定一个标量（区间桶的数量）之外，我们也可以传递一个数组。数组指定我们自定义划分的界限。
# plt.hist(x, bins=[0, 10, 50, 100])

# 正态分布
x = np.random.randn(200)
plt.hist(x, bins=8)
      (array([ 6., 14., 17., 48., 51., 36., 19.,  9.]),
 array([-2.89321226, -2.25176974, -1.61032721, -0.96888469, -0.32744217,
         0.31400035,  0.95544287,  1.5968854 ,  2.23832792]),
 <a list of 8 Patch objects>)

      箱线图

      箱线图也称盒须图。通过极值与Q1,Q2,Q3值来描述数据。

      通过箱线图，我们可以发现数据中的离群（异常）值。 箱线图的离群点定义为：Q3+1.5IQR和Q1－1.5IQR。其中IQR为两个四分位之间的距离。

      # 使用箱线图能够方便我们进行离群点的检测。（发现可能的异常值。）

a = [2, 3, 5, 1, 4, 2, 6]
# df = pd.DataFrame(a)
# display(df)
# df.describe()
plt.boxplot([2, 3, 5, 1, 4, 2, 9])
      {‘whiskers‘: [<matplotlib.lines.Line2D at 0x1c986f57358>,
  <matplotlib.lines.Line2D at 0x1c986f576a0>],
 ‘caps‘: [<matplotlib.lines.Line2D at 0x1c986f579e8>,
  <matplotlib.lines.Line2D at 0x1c986f57d30>],
 ‘boxes‘: [<matplotlib.lines.Line2D at 0x1c988466ef0>],
 ‘medians‘: [<matplotlib.lines.Line2D at 0x1c986f57e10>],
 ‘fliers‘: [<matplotlib.lines.Line2D at 0x1c986f5b400>],
 ‘means‘: []}

      Series与DataFrame图形绘制

      Series与DataFrame类型的对象也支持图形绘制，使用对象的plot方法即可。
      如果我们需要绘制图形的数据就存在Series或者DataFrame对象中，我们就可以直接绘制，而无需使用plt.plot。

      其他类型图形

      plot默认绘制的是线形图，我们可以通过调整其kind参数的值来绘制其他类型的图形。

      • line：线形图
      • bar：柱形图
      • barh：条形图
      • hist：直方图
      • kde / density：核密度图
      • pie：饼图
      • box：箱线图
      • area：面积图

      参数：

      • color
      • alpha
      • stacked：是否堆叠。

      说明： plot(kind="类型")也可以通过plot."类型"来进行绘制。

      # s = pd.Series([1, 3, 8, 10, 12])
# s.plot(kind="line", marker="o", color="g")
# s.plot.line()
# s.plot(kind="bar")
# s.plot(kind="barh")
# s.plot.barh()
# s.plot(kind="hist")
# s.plot(kind="kde")
# s.plot(kind="density")
# s.plot(kind="pie")
# s.plot(kind="box")
# s.plot(kind="area", alpha=0.5)
df = pd.DataFrame({"A":[10, 5, 8, 7], "B":[12, 11, 3, 6]})
display(df)
# df.plot(kind="line")
# 进行堆叠
# df.plot(kind="bar", stacked=True)
# df.plot(kind="barh", stacked=True)
# df.plot(kind="hist")
# df.plot(kind="kde")
# DataFrame在绘制饼图的时候，需要指定y或subplots=True。
# y指定列索引。（要绘制哪一个列）
# df.plot(kind="pie", y="B")
# 如果DataFrame中的每个列都需要绘制饼图，可以使用subplots=True，这样，就可以将每个列在各自的子绘图区域中绘制饼图。
# df.plot(kind="pie", subplots=True)
# 每个列绘制一个箱线图。
# df.plot(kind="box")
df.plot(kind="area")

原文地址：https://www.cnblogs.com/lqerio/p/11168667.html

时间： 2024-10-09 03:35:01

python数据可视化(matplotlib)的相关文章

python数据可视化matplotlib的使用

# -*- coding:UTF-8 -*- import numpy as np import matplotlib.pyplot as plt from matplotlib.ticker import MultipleLocator from pylab import mpl import sys reload(sys) sys.setdefaultencoding('utf8') xmajorLocator = MultipleLocator(10* 1) #将x轴主刻度标签设置为10*

python数据可视化——matplotlib 用户手册入门：pyplot 画图

参考matplotlib官方指南: https://matplotlib.org/tutorials/introductory/pyplot.html#sphx-glr-tutorials-introductory-pyplot-py pyplot是常用的画图模块,功能非常强大,下面就来见识下它的能力吧 1.快速画出常见图形 2.使用关键字字符串作图 3.使用类别变量画图 4.创建多图 1 import matplotlib.pyplot as plt 2 %matplotlib inline

【数据科学】Python数据可视化概述

注:很早之前就打算专门写一篇与Python数据可视化相关的博客,对一些基本概念和常用技巧做一个小结.今天终于有时间来完成这个计划了! 0. Python中常用的可视化工具 Python在数据科学中的地位,不仅仅是因为numpy, scipy, pandas, scikit-learn这些高效易用.接口统一的科学计算包,其强大的数据可视化工具也是重要组成部分.在Python中,使用的最多的数据可视化工具是matplotlib,除此之外还有很多其他可选的可视化工具包,主要包括以下几大类: matpl

Python数据可视化的四种简易方法

摘要: 本文讲述了热图.二维密度图.蜘蛛图.树形图这四种Python数据可视化方法. 数据可视化是任何数据科学或机器学习项目的一个重要组成部分.人们常常会从探索数据分析(EDA)开始,来深入了解数据,并且创建可视化确实有助于让问题更清晰和更容易理解,尤其是对于那些较大的高维度数据集.在项目结束的时候,能够以清晰的.简洁的和令人信服的方式呈现最终结果,这是非常重要的,让你的用户能够理解和明白. 你可能已经看过了我之前的文章<5种快速和简单的Python数据可视化方法(含代码)>(5 Quick

python -- 数据可视化（二）

python -- 数据可视化 Matplotlib 绘图 1.图形对象(图形窗口) mp.figure(窗口名称, figsize=窗口大小, dpi=分辨率, facecolor=颜色) 如果"窗口名称"是第一次出现,那么就创建一个新窗口,其标题栏显示该名称,如果"窗口名称"已经出现过,那么不再创建新窗口,而只是将与该名称相对应的窗口设置为当前窗口.所谓当前窗口,就是接受后续绘图操作的窗口. mp.title(标题文本, fontsize=字体大小) mp.xl

python数据可视化案例——平行坐标系(使用pyecharts或pandas)

平行坐标是可视化高维几何和分析多元数据的常用方法. 为了在n维空间中显示一组点,绘制由n条平行线组成的背景,通常是垂直且等距的.所述的点N 维空间被表示为折线与顶点在平行的轴线: 第i 轴上顶点的位置对应于该点的第i个坐标. 此可视化与时间序列可视化密切相关,除了它应用于轴与时间点不对应的数据,因此没有自然顺序.因此,不同的轴布置可能是有意义的. 一.平行坐标图 平行坐标图(parallel coordinates plot)是对于具有多个属性问题的一种可视化方法,下图为平行坐标图的基本样式,数

Python数据可视化编程实战——导入数据

1.从csv文件导入数据 原理:with语句打开文件并绑定到对象f.不必担心在操作完资源后去关闭数据文件,with的上下文管理器会帮助处理.然后,csv.reader()方法返回reader对象,通过该对象遍历所读取文件的所有行. 1 #!/usr/bin/env python 2 3 import csv 4 5 filename = 'ch02-data.csv' 6 7 data = [] 8 try: 9 with open(filename) as f: 10 reader = csv

分享《Python数据可视化编程实战》中文版PDF+英文版PDF+源代码

下载:https://pan.baidu.com/s/17-gPTIYJsHc4Xn_f5sVYXw <Python数据可视化编程实战>中文版PDF+英文版PDF+源代码 中文版PDF,带目录和书签:英文版PDF,带目录和书签:中英文两版可以对比学习.配套源代码:经典书籍,讲解详细:中文版如图: 原文地址:http://blog.51cto.com/3215120/2311995

《Python数据可视化编程实战》中文版PDF+英文版PDF+源代码

资源链接:https://pan.baidu.com/s/1XqN3YBmL5Y1jknUbaiv-Qg<Python数据可视化编程实战>中文版PDF+英文版PDF+源代码中文版PDF,带目录和书签:英文版PDF,带目录和书签:中英文两版可以对比学习.配套源代码:经典书籍,讲解详细:中文版如图: 原文地址:http://blog.51cto.com/14063572/2318482