Matplotlib札记6_数据可视化

本篇札记主要是整理于《利用Python进行数据分析-第二版》的第九章，本章中讲解了可视化的工具：matplotlib和seaborn。

导入库

import numpy as np 

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline    # 一定要导入进来，否则无法出图

简单图形

data = np.arange(10)

plt.plot(data)

image.png

• 绘制子图

fig = plt.figure()

ax1 = fig.add_subplot(2, 2, 1)

ax2 = fig.add_subplot(2, 2, 2)

ax3 = fig.add_subplot(2, 2, 3)

image.png

• 随机散点图

plt.plot(np.random.randn(50).cumsum(), 'k--')

image.png

复杂点图形

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)

for i in range(2):

    for j in range(2):

        axes[i, j].hist(np.random.randn(500), bins=50, color='r', alpha=0.5)

plt.subplots_adjust(wspace=0, hspace=0)

image.png

• 随机漫步

from numpy.random import randn

# 生成0到30的随机数

plt.plot(randn(30).cumsum(), 'ko--')

image.png

data = np.random.randn(30).cumsum()

plt.plot(data, 'k--', label='Default')

plt.plot(data, '', drawstyle='steps-post', label='steps-post')

# best表示在最合适的位置自动添加图例

plt.legend(loc='best')

image.png

标题和轴标签

# 代码放在同一个cell中



# 创建fig实例，调用figure类

fig = plt.figure()

# 创建子图

ax = fig.add_subplot(1, 1, 1)



# 作图

ax.plot(np.random.randn(1000).cumsum())

# 数据的刻度设置；

ticks = ax.set_xticks([0, 250, 500, 750, 1000])

# 刻度标签和标签旋转角度

labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],

                            rotation=45, fontsize='medium')



# 

ax.set_title('My first matplotlib plot')

ax.set_xlabel('Stages')



# 批量设定

# props = {

# 'title': 'My first matplotlib plot',

# 'xlabel': 'Stages'

# }

# ax.set(**props)

image.png

# 代码需要放在同一个单元格中，否则不出图

from numpy.random import randn

fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)

ax.plot(randn(1000).cumsum(), 'r', label='one')

ax.plot(randn(1000).cumsum(), 'b--', label='two')

ax.plot(randn(1000).cumsum(), 'g.', label='three')



# 图例位置，best自动选择最好的位置

ax.legend(loc='best')

plt.show()

image.png

块图

# 关于块：创建块对象shp，传给add_patch(shp)

fig = plt.figure()

ax = fig.add_subplot(1, 1, 1)



# (0.4, 0.75), 0.4, 0.15：起始位置，长，宽； alpha=0.8：颜色深度

rect = plt.Rectangle((0.4, 0.75), 0.4, 0.15, color='g', alpha=0.8)



circ = plt.Circle((0.7, 0.4), 0.15, color='b', alpha=0.3)

pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],color='r', alpha=0.5)





ax.add_patch(rect)

ax.add_patch(circ)

ax.add_patch(pgon)



# 图片保存

plt.savefig('test.png', dpi=400, bbox_inches='tight')

image.png

matplotlib配置

• 配置文件：matplotlibrc（位于matplotlib/mpl-data⽬录中）
• 通过全局参数进行配置；管理图像大小、边距、字体大小等
• plt.rc("figure", figsize=(10, 10))，第一个参数是希望自定义的对象

• 如'figure'、'axes'、'xtick'、'ytick'、'grid'、'legend'，可以写成字典形式

  
  
  
  image.png
  
  

使⽤pandas和seaborn绘图

• pandas内置方法简化DF和S绘图
• seaborn：静态图形库
• Bokeh/Plotly：动态交互图，⽤于⽹⻚浏览器。

S的plot绘制

# 线性图：S的plot方法



s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))

s.plot()



# xticks和xlim调整x轴信息，y轴同理

image.png

DF的plot图形绘制

# DF的plot方法：会在⼀个subplot中为各列绘制⼀条线，并⾃动创建图例

df = pd.DataFrame(np.random.randn(10, 4).cumsum(0),

                  columns = ['A', 'B', 'C', 'D'],

                  index = np.linspace(0, 100, 10))

df.plot()

image.png

柱状图

image.png

image.png

image.png

堆积柱状图

• 设置stack=True
• plot.barh生效

image.png

学习Seaborn

image.png

image.png

image.png

image.png

直方图和密度图

• hist：直⽅图（histogram）是⼀种可以对值频率进⾏离散化显示的柱状图
• density：将该分布近似为⼀组核（如正态分布）;也被称作KDE（Kernel Density Estimate，核密度图)

image.png

image.png

散点图Scatter

• 观察两个一维数据序列之间的关系
• regplot函数绘制散布图 + 线性回归的线

• pairplot函数绘制散布图矩阵：对角线上放置每个变量的直方图或者密度图

  
  
  
  image.png
  
  

image.png

image.png

分⾯⽹格（facet grid）和类型数据

• 多个变量的图形绘制在同个网格中：分面图
• 使用函数factorplot函数

image.png

image.png

# 盒图：中位数、四分位数、异常值



sns.factorplot(x='tip_pct', y='day', kind='box',

               data=df[df.tip_pct < 0.5])

image.png