Python 进行数据可视化（Matplotlib, Seaborn）

数据可视化是数据科学和分析中的重要工具，它通过图形表示数据，使得复杂的数据变得易于理解和分析。在Python中，最常用的两个数据可视化库是Matplotlib和Seaborn。

Matplotlib

1. 简介

Matplotlib是一个用于生成二维图形的Python库。它提供了类似于Matlab的绘图接口，使用户能够轻松创建各种类型的图表，如折线图、柱状图、散点图等。

2. 基本用法

使用Matplotlib通常从导入pyplot模块开始，该模块包含了所有绘图函数。

import matplotlib.pyplot as plt

2.1. 创建简单的图表

以下是一个简单的折线图示例：

import matplotlib.pyplot as plt

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]

plt.plot(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('简单的折线图')
plt.show()

在这个例子中，plot()函数用于绘制折线图，xlabel()、ylabel()和title()分别用于设置x轴、y轴标签和图表标题。show()函数用来显示图表。

2.2. 图形类型

Matplotlib支持多种图形类型，包括：

• 折线图 (plot()): 用于显示数据的变化趋势。
• 柱状图 (bar()): 用于比较不同类别的数据。
• 直方图 (hist()): 用于显示数据的分布。
• 散点图 (scatter()): 用于显示数据点之间的关系。

示例：

# 柱状图
categories = ['A', 'B', 'C', 'D']
values = [3, 7, 8, 5]
plt.bar(categories, values)
plt.show()

2.3. 自定义图表

Matplotlib允许高度定制图表的外观，如颜色、线条样式、标记等。

plt.plot(x, y, color='green', linestyle='--', marker='o')

• color设置线条颜色
• linestyle设置线条样式，如虚线（'--'）、实线（'-'）等
• marker设置数据点的标记样式，如圆圈（'o'）、星号（'*'）等

2.4. 多个子图

Matplotlib可以在同一个图形窗口中绘制多个子图，使用subplot()函数。

plt.subplot(1, 2, 1)  # (行, 列, 当前子图索引)
plt.plot(x, y)
plt.subplot(1, 2, 2)
plt.bar(categories, values)
plt.show()

3. 高级功能

Matplotlib还支持更多高级功能，如绘制三维图形、动画和交互式绘图。

3.1. 三维绘图

from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot(x, y, zs=0, zdir='z', label='zs=0, zdir=z')

3.2. 动画

from matplotlib.animation import FuncAnimation

def update(frame):
    # 更新图像内容
    line.set_ydata(np.sin(x + frame / 10.0))
    return line,

fig, ax = plt.subplots()
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
line, = ax.plot(x, y)
ani = FuncAnimation(fig, update, frames=range(100), blit=True)

Seaborn

1. 简介

Seaborn是基于Matplotlib的高级绘图库，提供了更加简洁和高级的接口，尤其擅长统计图形的展示。Seaborn使得复杂的数据可视化更加容易，并具有更加美观的默认设置。

2. 基本用法

Seaborn的图形接口通常使用DataFrame结构的数据。以下是一个简单的示例：

import seaborn as sns
import pandas as pd

# 创建一个简单的数据集
data = pd.DataFrame({
    'X轴': [1, 2, 3, 4],
    'Y轴': [10, 20, 30, 40]
})

sns.lineplot(data=data, x='X轴', y='Y轴')

2.1. 图形类型

Seaborn提供了多种统计图形类型，包括：

• 散点图 (scatterplot()): 用于展示两个变量之间的关系。
• 线性回归图 (regplot()): 散点图结合回归线。
• 箱线图 (boxplot()): 显示数据分布及其异常值。
• 小提琴图 (violinplot()): 类似箱线图，但还显示了数据的核密度估计。
• 热图 (heatmap()): 用于显示矩阵数据的热力密度。

示例：

# 散点图
sns.scatterplot(x='X轴', y='Y轴', data=data)
plt.show()

# 箱线图
sns.boxplot(x='类别', y='值', data=data)

2.2. 统计绘图

Seaborn简化了复杂的统计绘图，如配对图和联合分布图：

• 配对图 (pairplot()): 显示数据集中所有变量的成对关系。
• 联合分布图 (jointplot()): 显示两个变量的联合分布和边际分布。

# 配对图
sns.pairplot(data)

# 联合分布图
sns.jointplot(x='X轴', y='Y轴', data=data)

2.3. 分类数据可视化

Seaborn特别擅长可视化分类数据，通过颜色、标记样式等区分不同类别。

sns.barplot(x='类别', y='值', hue='子类别', data=data)

3. 自定义和样式

Seaborn提供了多种自定义选项和内置样式主题，使得用户可以轻松调整图表外观。

3.1. 主题和调色板

sns.set_theme(style="darkgrid")
sns.set_palette("pastel")

• set_theme()可以设置主题风格，如白色网格、暗色网格等。
• set_palette()用于设置调色板，如深色、浅色、明亮等。

3.2. 自定义图形元素

Seaborn中的很多函数都允许自定义各类图形元素，如图例、轴标签、标题等。

sns.lineplot(x='X轴', y='Y轴', data=data)
plt.title('自定义标题')
plt.xlabel('自定义X轴标签')
plt.ylabel('自定义Y轴标签')

4. 与Matplotlib的集成

Seaborn的图表是基于Matplotlib的，因此它们完全兼容。您可以使用Matplotlib的函数进一步调整Seaborn图表的细节。

sns.lineplot(x='X轴', y='Y轴', data=data)
plt.plot([1, 2, 3, 4], [2, 3, 5, 7], linestyle='--', color='red')

Matplotlib和Seaborn是Python中非常强大的数据可视化库。Matplotlib提供了详细而灵活的绘图控制，而Seaborn则在简洁和统计图形方面提供了优势。选择使用哪个库，取决于需求和数据类型。