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:matplotlibseaborn

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, 'k-', 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

推荐阅读更多精彩内容

  • 资料来源:https://github.com/BrambleXu/pydata-notebook 信息可视化(也...
    林清猫耳阅读 527评论 0 3
  • 本章节以及后续章节的源码,当然也可以从我的github下载,在源码中我自己加了一些中文注释。 这两天没更新,好好反...
    owolf阅读 178评论 0 3
  • 信息可视化(也叫绘图)是数据分析中最重要的工作之一。它可能是探索过程的一部分,例如,帮助我们找出异常值、必要的数据...
    GHope阅读 204评论 0 8
  • matplotlib绘图和可视化 matplotlib是一个用于创建出版质量图表的桌面绘图包(主要是2D方面)。绘...
    龍猫君阅读 956评论 0 0
  • 结婚的前一天,他问她:“为什么上大学的时候那么多人追你,你都没有答应,而最后却偏偏选择了我呢?”她没有立即回答他,...
    珍普阅读 8评论 0 0