利用python进行数据分析（六）：绘图和可视化

首先

import matplotlib.pyplot as plt
import numpy  as np

（1）Figure

plt.figure()  #创建新的Figure。

#不能使用空Figure画图，必须使用add_subplot创建一个或者多个subplot
ax=fig.add_subplot(2,2,1)     #图像一共2×2个，当前选中的是第一个。
ax2=fig.add_subplot(2,2,2)
plt.plot(np.random.randn(10).cumsum())  #画图
plt.show()                    #显示画的图

（2）颜色、标记、线型

plt.plot(np.random.randn(10).cumsum(),color='k',linestyle='dashed',marker='o')
#颜色、线型、标记节点

（3）刻度、标签和图例

plt.xlim([l,r])   							  #调整x轴的刻度范围，从l到r。
ax.set_xticks([0,250,500,750,1000])           #设置刻度标签的分布位置
ax.set_xticklabels(['a','b','c','d'],rotation=30,fontsize='small')  #设置x轴的标签                          
ax.set_xlabel('')                             #为x轴设置名称
ax.set_title()                                #设置标题

#y轴同理

添加图例：

ax.plot(np.random.randn(1000).cumsum(),’k’,label=’one’)  
ax.plot(np.random.randn(1000).cumsum(),’k--’,label=’two’)

（4）注解
可以使用text函数

# 第一个参数是x轴坐标  
# 第二个参数是y轴坐标  
# 第三个参数是要显式的内容  
# alpha 设置字体的透明度  
# family 设置字体  
# size 设置字体的大小  
# style 设置字体的风格  
# wight 字体的粗细  
# bbox 给字体添加框，alpha 设置框体的透明度， facecolor 设置框体的颜色
ax.text(x,y,’hello’,family=’monospace‘,fontsize=10)   #x,y是注释所在的坐标位置

或者
annotate函数

# 添加注释  
# 第一个参数是注释的内容  
# xy设置箭头尖的坐标  
# xytext设置注释内容显示的起始位置  
# arrowprops 用来设置箭头  
# facecolor 设置箭头的颜色  
# headlength 箭头的头的长度  
# headwidth 箭头的宽度  
# width 箭身的宽度  
plt.annotate(u"hello", xy = (0, 1), xytext = (-4, 50),arrowprops = dict(facecolor = "r", headlength = 10, headwidth = 30, width = 20))  
# 可以通过设置xy和xytext中坐标的值来设置箭身是否倾斜  

（5）将图表保存到文件

plt.savefig('temp.png')    #将当前的图表保存到文件。
plt.savefig('temp.png',bbox_inches=’tight’)  #剪除周围的空白部分。

对于pandas对象 ，有自带的画图函数

（6）pandas对象画线型图

obj.plot()         #obj是一个Series对象，可以直接画
frame.plot()       #DataFrame同理，并且可以自动生成图例

#plot()中可以加入调整x、y轴刻度，标题等众多参数

（7）pandas对象画柱状图

frame.plot(kind='bar')   #画DataFrame对象的柱状图

（8）直方图和密度曲线
直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。 为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。
直方图也可以被归一化以显示“相对”频率。 然后，它显示了属于几个类别中的每个案例的比例，其高度等于1。

obj.hist(normed=True)             #normed=True目的是归一化，默认不归一化，只统计数量
obj.hist(normed=True,bins=2)      #这个参数指定bin(箱子)的个数,也就是总共有几条条状图

密度曲线：在频率分布直方图中，当样本容量充分放大时，图中的组距就会充分缩短，这时图中的阶梯折线就会演变成一条光滑的曲线，这条曲线就称为总体的密度分布曲线。这条曲线排除了由于取样不同和测量不准所带来的误差，能够精确地反映总体的分布规律。

obj.plot(kind='kde')             #画密度图（标准混合密度分布）

（9）散点图

plt.scatter(x,y)          #x,y是两个同样大小的一维数组