数学建模自用
Python数据分析之matplotlib(2)
导入
import warnings
warnings.filterwarnings("ignore")
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False #解决中文乱码等问题
df = pd.read_excel("movie_data3.xlsx",index_col = 0)
df[:5]
| 年代 | 产地 | 名字 | 投票人数 | 类型 | 上映时间 | 时长 | 评分 | 首映地点 | 评分等级 | 热门程度 | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1994 | 美国 | 肖申克的救赎 | 692795 | 剧情/犯罪 | 1994-09-10 00:00:00 | 142 | 9.6 | 多伦多电影节 | A | A |
| 1 | 1957 | 美国 | 控方证人 | 42995 | 剧情/悬疑/犯罪 | 1957-12-17 00:00:00 | 116 | 9.5 | 美国 | A | A |
| 2 | 1997 | 意大利 | 美丽人生 | 327855 | 剧情/喜剧/爱情 | 1997-12-20 00:00:00 | 116 | 9.5 | 意大利 | A | A |
| 3 | 1994 | 美国 | 阿甘正传 | 580897 | 剧情/爱情 | 1994-06-23 00:00:00 | 142 | 9.4 | 洛杉矶首映 | A | A |
| 4 | 1993 | 中国大陆 | 霸王别姬 | 478523 | 剧情/爱情/同性 | 1993-01-01 00:00:00 | 171 | 9.4 | 香港 | A | A |
双轴图的画法
from scipy.stats import norm #获取正态分布密度函数
fig = plt.figure(figsize = (10,8))
ax1 = fig.add_subplot(111) #确认子图
n,bins,patches = ax1.hist(df["评分"],bins = 100, color = 'g') #bins默认是10
ax1.set_ylabel("电影数量",fontsize = 15)
ax1.set_xlabel("评分",fontsize = 15)
ax1.set_title("频率分布图",fontsize = 20)
#准备拟合
y = norm.pdf(bins,df["评分"].mean(),df["评分"].std()) #bins,mu,sigma
ax2 = ax1.twinx() #双轴
ax2.plot(bins,y,"k--")
ax2.set_ylabel("概率分布",fontsize = 15)
plt.show()
5.根据电影时长和电影评分绘制散点图
用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据。
x = df["时长"][::100]
y = df["评分"][::100] #解决数据冗杂的问题
plt.figure(figsize = (10,6))
plt.scatter(x,y,color = 'g',marker = '*',label = "评分")
plt.legend() #图例
plt.title("电影时长与评分散点图",fontsize = 20)
plt.xlabel("时长",fontsize = 18)
plt.ylabel("评分",fontsize = 18)
plt.show()
由于我们的数据量过大，所以画出来的图非常冗杂
可以发现，大部分的电影时长还是集中在100附近，评分大多在7分左右
marker属性
设置散点的形状
| marker | description | 描述 |
|---|---|---|
| “.” | point | 点 |
| “,” | pixel | 像素 |
| “o” | circle | 圈 |
| “v” | triangle_down | 倒三角形 |
| “^” | triangle_up | 正三角形 |
| “<” | triangle_left | 左三角形 |
| “>” | triangle_right | 右三角形 |
| “1” | tri_down | tri_down |
| “2” | tri_up | tri_up |
| “3” | tri_left | tri_left |
| “4” | tri_right | tri_right |
| “8” | octagon | 八角形 |
| “s” | square | 正方形 |
| “p” | pentagon | 五角 |
| “*” | star | 星星 |
| “h” | hexagon1 | 六角1 |
| “H” | hexagon2 | 六角2 |
| “+” | plus | 加号 |
| “x” | x | x号 |
| “D” | diamond | 钻石 |
| “d” | thin_diamon | 细钻 |
| “|” | vline | v线 |
| “_” | hline | H线 |
6.绘制各个地区的评分箱型图
箱型图（Box-plot）又称为盒须图，盒式图或箱型图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域中也经常被使用，常见于品质管理。它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。箱线图的绘制方法是：先找出一组数据的中位数，两个四分位数，上下边缘线；然后，连接两个四分位数画出箱子；再将上下边缘线与箱子相连接，中位数在箱子中间。
一般计算过程
（ 1 ）计算上四分位数（ Q3 ），中位数，下四分位数（ Q1 ）
（ 2 ）计算上四分位数和下四分位数之间的差值，即四分位数差（IQR, interquartile range）Q3-Q1
（ 3 ）绘制箱线图的上下范围，上限为上四分位数，下限为下四分位数。在箱子内部中位数的位置绘制横线
（ 4 ）大于上四分位数1.5倍四分位数差的值，或者小于下四分位数1.5倍四分位数差的值，划为异常值（outliers）
（ 5 ）异常值之外，最靠近上边缘和下边缘的两个值处，画横线，作为箱线图的触须
（ 6 ）极端异常值，即超出四分位数差3倍距离的异常值，用实心点表示；较为温和的异常值，即处于1.5倍-3倍四分位数差之间的异常值，用空心点表示
（ 7 ）为箱线图添加名称，数轴等
参数详解
plt.boxplot(x,notch=None,sym=None,vert=None, whis=None,positions=None,widths=None, patch_artist=None,meanline=None,showmeans=None, showcaps=None,showbox=None,showfliers=None, boxprops=None,labels=None,flierprops=None, medianprops=None,meanprops=None, capprops=None,whiskerprops=None,)
x: 指定要绘制箱线图的数据；
notch: 是否是凹口的形式展现箱线图，默认非凹口；
sym: 指定异常点的形状，默认为+号显示；
vert: 是否需要将箱线图垂直摆放，默认垂直摆放；
whis: 指定上下须与上下四分位的距离，默认为为1.5倍的四分位差；
positions: 指定箱线图的位置，默认为[0,1,2…]；
widths: 指定箱线图的宽度，默认为0.5；
patch_artist: 是否填充箱体的颜色；
meanline:是否用线的形式表示均值，默认用点来表示；
showmeans: 是否显示均值，默认不显示；
showcaps: 是否显示箱线图顶端和末端的两条线，默认显示；
showbox: 是否显示箱线图的箱体，默认显示；
showfliers: 是否显示异常值，默认显示；
boxprops: 设置箱体的属性，如边框色，填充色等；
labels: 为箱线图添加标签，类似于图例的作用；
filerprops: 设置异常值的属性，如异常点的形状、大小、填充色等；
medainprops: 设置中位数的属性，如线的类型、粗细等
meanprops: 设置均值的属性，如点的大小，颜色等；
capprops: 设置箱线图顶端和末端线条的属性，如颜色、粗细等；
whiskerprops: 设置须的属性，如颜色、粗细、线的类型等
美国电影评分的箱线图
data = df[df.产地 == "美国"]["评分"]
plt.figure(figsize = (10,6))
plt.boxplot(data,whis = 2,flierprops = {"marker":'o',"markerfacecolor":"r","color":'k'}
,patch_artist = True, boxprops = {"color":'k',"facecolor":"#66ccff"})
plt.title("美国电影评分",fontsize = 20)
plt.show()
多组数据箱线图
data1 = df[df.产地 == "中国大陆"]["评分"]
data2 = df[df.产地 == "日本"]["评分"]
data3 = df[df.产地 == "中国香港"]["评分"]
data4 = df[df.产地 == "英国"]["评分"]
data5 = df[df.产地 == "法国"]["评分"]
plt.figure(figsize = (12,8))
plt.boxplot([data1,data2,data3,data4,data5],labels = ["中国大陆","日本","中国香港","英国","法国"],
whis = 2,flierprops = {"marker":'o',"markerfacecolor":"r","color":'k'}
,patch_artist = True, boxprops = {"color":'k',"facecolor":"#66ccff"},
vert = False)#通过vert属性可以把图旋转过来
ax = plt.gca() #获取当时的坐标系
ax.patch.set_facecolor("gray") #设置坐标系背景颜色
ax.patch.set_alpha(0.1) #设置背景透明度
plt.title("电影评分箱线图",fontsize = 20)
plt.show()
7.相关系数矩阵图–热力图
data = df[["投票人数","评分","时长"]]
data[:5]
| 投票人数 | 评分 | 时长 | |
|---|---|---|---|
| 0 | 692795 | 9.6 | 142 |
| 1 | 42995 | 9.5 | 116 |
| 2 | 327855 | 9.5 | 116 |
| 3 | 580897 | 9.4 | 142 |
| 4 | 478523 | 9.4 | 171 |
pandas本身也封装了画图函数
我们可以画出各个属性之间的散点图，对角线是分布图
%pylab inline
#魔术命令，让图像直接展示在notebook里面
result = pd.plotting.scatter_matrix(data[::100],diagonal = "kde",color = 'k',alpha = 0.3,figsize = (10,10))
#diagonal = hist:对角线上显示的是数据集各个特征的直方图/kde:数据集各个特征的核密度估计
%pylab is deprecated, use %matplotlib inline and import the required libraries.
Populating the interactive namespace from numpy and matplotlib
现在我们来画电影时长，投票人数，评分的一个相关系数矩阵图
seaborn是一个精简的python库，可以创建具有统计意义的图表，能理解pandas的DataFrame类型
import seaborn as sns
corr = data.corr() #获取相关系数
corr = abs(corr) #取绝对值
fig = plt.figure(figsize = (10,8))
ax = sns.heatmap(corr,vmax = 1,vmin = 0,linewidths = 0.05)
plt.xticks(fontsize = 15)
plt.yticks(fontsize = 15)
plt.show()
参数详解
sns.heatmap(data,vmin=None,vmax=None,cmap=None,center=None,robust=False,annot=None,fmt='.2g',annot_kws=None,linewidths=0,linecolor='white',cbar=True,cbar_kws=None,cbar_ax=None,square=False,xticklabels='auto',yticklabels='auto',mask=None,ax=None,**kwargs,)
（ 1 ）热力图输入数据参数：
data:矩阵数据集，可以是numpy的数组（array），也可以是pandas的DataFrame。如果是DataFrame，则df的index/column信息会分别对应到heatmap的columns和rows，即pt.index是热力图的行标，pt.columns是热力图的列标。
（ 2 ）热力图矩阵块颜色参数：
vmax,vmin:分别是热力图的颜色取值最大和最小范围，默认是根据data数据表里的取值确定。cmap:从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；改参数默认值：根据center参数设定。center:数据表取值有差异时，设置热力图的色彩中心对齐值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变。robust:默认取值False，如果是False，且没设定vmin和vmax的值。
（ 3 ）热力图矩阵块注释参数：
annot(annotate的缩写):默认取值False；如果是True，在热力图每个方格写入数据；如果是矩阵，在热力图每个方格写入该矩阵对应位置数据。fmt:字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字。annot_kws:默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体，matplotlib包text类下的字体设置；
（ 4 ）热力图矩阵块之间间隔及间隔线参数：
linewidth:定义热力图里“表示两两特征关系的矩阵小块”之间的间隔大小。linecolor:切分热力图上每个矩阵小块的线的颜色，默认值是"white"。
（ 5 ）热力图颜色刻度条参数：
cbar:是否在热力图侧边绘制颜色进度条，默认值是True。cbar_kws:热力图侧边绘制颜色刻度条时，相关字体设置，默认值是None。cbar_ax：热力图侧边绘制颜色刻度条时，刻度条位置设置，默认值是None
（ 6 ）
square:设置热力图矩阵小块形状，默认值是False。xticklabels,yticklabels:xticklabels控制每列标签名的输出；yticklabels控制每行标签名的输出。默认值是auto。如果是True，则以DataFrame的列名作为标签名。如果是False，则不添加行标签名。如果是列表，则标签名改为列表中给的内容。如果是整数K，则在图上每隔K个标签进行一次标注。
扫一扫
326
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
