数据可视化库——Matplotlib、Seaborn、Pandas

最新推荐文章于 2023-10-27 14:49:50 发布

Sakura樱_子于

最新推荐文章于 2023-10-27 14:49:50 发布

阅读量1.3k

点赞数 1

分类专栏： Python与数据科学基础教程文章标签： python 数据分析

本文链接：https://blog.csdn.net/SakuraHimi/article/details/106150916

版权

Python与数据科学基础教程专栏收录该内容

20 篇文章 6 订阅

订阅专栏

文章目录

第一部分环境配置
第二部分 Matplotlib库
第三部分 Seaborn库-文艺青年的最爱
第四部分 Pandas 中的绘图函数概览
其他内容请参考Pandas中文文档

数据可视化是数据分析的一个重要工具

第一部分环境配置

1.1 要不要plt.show()

ipython中可用魔术方法 %matplotlib inline，一般在程序最开始就写这句，之后就不需要写 plt.show()
pycharm 中必须使用plt.show()

%matplotlib inline
import matplotlib.pyplot as plt
plt.style.use("seaborn-whitegrid")    # 设置样式

x = [1, 2, 3, 4]
y = [1, 4, 9, 16]
plt.plot(x, y)    # x和y数量必须对应
plt.ylabel("squares")    # y坐标轴名称
# plt.show()

Text(0, 0.5, ‘squares’)
在这里插入图片描述

1.2 设置样式

import matplotlib.pyplot as plt

print(plt.style.available)    # 显示可用样式

['bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']

import matplotlib.pyplot as plt

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

with plt.style.context("seaborn-white"):    # 临时使用，仅在其下的代码块中用此样式
    plt.plot(x, y)
    plt.show()

plt.style.use("seaborn-whitegrid")    # 永久设置，如果后面不改的话，会一直延续这种样式

在这里插入图片描述

1.3 将图像保存为文件 plt.savefig

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10 ,100)
plt.plot(x, np.exp(x))
plt.savefig("my_figure.png")    # 注意后缀名要写

第二部分 Matplotlib库

2.1 折线图 plt.plot

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)    # 值取得多看起来会比较圆滑，本质上是折线图
plt.plot(x, np.sin(x))
plt.show()

在这里插入图片描述

绘制多条曲线

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.cos(x))
plt.plot(x, np.sin(x))
plt.show()

在这里插入图片描述

2.1.1 调整线条和标记点

调整线条颜色 color c

import matplotlib.pyplot as plt
import numpy as np

offsets = np.linspace(0, np.pi, 5)
colors = ["blue", "g", "r", "yellow", "pink"]    # 有些颜色可用简写
for offset, color in zip(offsets, colors):
    plt.plot(x, np.sin(x-offset), color=color)    # color可缩写为c
plt.show()

在这里插入图片描述

调整线条风格 linestyle ls

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(8))
linestyles = ["solid", "dashed", "dashdot", "dotted", "-", "--", "-.", ":"]    # 后四个是前四个的简写
for offset, linestyle in zip(offsets, linestyles):
    plt.plot(x, x+offset, linestyle=linestyle)    # linestyle可简写为ls
plt.show()

在这里插入图片描述

调整线宽 linewidth lw

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
linewidths = (i*2 for i in range(1,5))
for offset, linewidth in zip(offsets, linewidths):
    plt.plot(x, x+offset, linewidth=linewidth)    # linewidth可简写为lw
plt.show()

在这里插入图片描述

调整数据点标记 marker

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
markers = ["*", "+", "o", "s"]
for offset, marker in zip(offsets, markers):
    plt.plot(x, x+offset, marker=marker)   
plt.show()

在这里插入图片描述

调整标记大小 markersize ms

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(0, 12, 3))
markers = ["*", "+", "o", "s"]
for offset, marker in zip(offsets, markers):
    plt.plot(x, x+offset, marker=marker, markersize=10)      # markersize可简写为ms
plt.show()

在这里插入图片描述

颜色跟风格设置的简写

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(0, 8, 2))
color_linestyles = ["g-", "b--", "k-.", "r:"]    # k是黑色
for offset, color_linestyle in zip(offsets, color_linestyles):
    plt.plot(x, x+offset, color_linestyle)
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 11)
offsets = list(range(0, 8, 2))
color_marker_linestyles = ["g*-", "b+--", "ko-.", "rs:"]
for offset, color_marker_linestyle in zip(offsets, color_marker_linestyles):
    plt.plot(x, x+offset, color_marker_linestyle)
plt.show()

在这里插入图片描述

其他用法及颜色缩写、数据点标记缩写等请查看官方文档，如下：
https://matplotlib.org/api/_as_gen/matplotlib.pyplot.plot.html#matplotlib.pyplot.plot

2.1.2 调整坐标轴

plt.xlim 设置上下限

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.xlim(-1, 7)
plt.ylim(-1.5, 1.5)
plt.show()

在这里插入图片描述

plt.axis

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis([-2, 8, -2, 2])    # 设置上下限
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis("tight")    # 坐标轴适应数据量
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.axis("equal")    # x轴单位的实际长度和y轴单位的实际长度相同
plt.show()

在这里插入图片描述

?plt.axis 查看plt.axis的全部用法

import matplotlib.pyplot as plt
?plt.axis    # ipython中专用，命名空间搜索

对数坐标 plt.xscale

import matplotlib.pyplot as plt
import numpy as np

x = np.logspace(0, 5, 100)
plt.plot(x, np.log(x))
plt.xscale("log")
plt.show()

在这里插入图片描述

调整坐标轴刻度 plt.xticks

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.xticks(np.arange(0, 12, step=1))
plt.show()

在这里插入图片描述

调整坐标轴刻度字号 fontsize

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.xticks(np.arange(0, 12, step=1), fontsize=15)
plt.yticks(np.arange(0, 110, step=10))
plt.show()

在这里插入图片描述

调整刻度样式 plt.tick_params

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
plt.plot(x, x**2)
plt.tick_params(axis="both", labelsize=15)
plt.show()

在这里插入图片描述

2.1.3 设置图形标签 plt.title plt.xlabel

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x))
plt.title("A Sine Curve", fontsize=20)
plt.xlabel("x", fontsize=15)
plt.ylabel("sin(x)", fontsize=15)
plt.show()

在这里插入图片描述

2.1.4 设置图例 plt.legend

默认

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-", label="Sin")
plt.plot(x, np.cos(x), "r--", label="Cos")
plt.legend()
plt.show()

在这里插入图片描述

修饰图例

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-", label="Sin")
plt.plot(x, np.cos(x), "r--", label="Cos")
plt.ylim(-1.5, 2)
plt.legend(loc="upper center", frameon=True, fontsize=15)    # loc有9种和best，frameon显示底框
plt.show()

在这里插入图片描述

2.1.5 添加文字和箭头

添加文字 plt.text

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-")
plt.text(3.5, 0.5, "y=sin(x)", fontsize=15)
plt.show()

在这里插入图片描述

添加箭头 plt.annotate

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 100)
plt.plot(x, np.sin(x), "b-")
plt.annotate('local min', xy=(1.5*np.pi, -1), xytext=(4.5, 0),
             arrowprops=dict(facecolor='black', shrink=0.1),
             )    # xy箭头指向的位置，xytext文字位置，shrink箭头长度
plt.show()

在这里插入图片描述

2.2 散点图 plt.scatter

2.2.1 简单散点图

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 2*np.pi, 20)
plt.scatter(x, np.sin(x), marker="o", s=30, c="r")    # s 大小  c 颜色
plt.show()

在这里插入图片描述

2.2.2 颜色配置 cmap

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = x**2
plt.scatter(x, y, c=y, cmap="inferno")    # cmap 颜色映射
plt.colorbar()    # 显示映射条
plt.show()

在这里插入图片描述

颜色配置参考官方文档

https://matplotlib.org/examples/color/colormaps_reference.html

2.2.3 根据数据控制点的大小

import matplotlib.pyplot as plt
import numpy as np

x, y, colors, size = (np.random.rand(100) for i in range(4))
plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis")    # s数据点大小，c和s要跟数据点数量对应
plt.show()

在这里插入图片描述

2.2.4 透明度 alpha 0-1

import matplotlib.pyplot as plt
import numpy as np

x, y, colors, size = (np.random.rand(100) for i in range(4))
plt.scatter(x, y, c=colors, s=1000*size, cmap="viridis", alpha=0.3)
plt.colorbar()
plt.show()

在这里插入图片描述

【例】随机漫步

import matplotlib.pyplot as plt
import numpy as np
from random import choice


class RandomWalk():
    """一个生产随机漫步的类"""
    
    def __init__(self, num_points=5000):
        self.num_points = num_points
        self.x_values = [0]
        self.y_values = [0]
    
    def fill_walk(self):
        while len(self.x_values) < self.num_points:
            x_direction = choice([1, -1])
            x_distance = choice([0, 1, 2, 3, 4])
            x_step = x_direction * x_distance
            
            y_direction = choice([1, -1])
            y_distance = choice([0, 1, 2, 3, 4])
            y_step = y_direction * y_distance            
        
            if x_step == 0 and y_step == 0:
                continue
            next_x = self.x_values[-1] + x_step
            next_y = self.y_values[-1] + y_step
            self.x_values.append(next_x)
            self.y_values.append(next_y)


rw = RandomWalk(10000)
rw.fill_walk()
point_numbers = list(range(rw.num_points))
plt.figure(figsize=(12, 6))    # 画布大小，宽12，高6     
plt.scatter(rw.x_values, rw.y_values, c=point_numbers, cmap="inferno", s=1)
plt.colorbar()
plt.scatter(0, 0, c="green", s=100)    #起始和结束点设置
plt.scatter(rw.x_values[-1], rw.y_values[-1], c="red", s=100)

plt.xticks([])    # 隐藏坐标轴
plt.yticks([])
plt.show()

在这里插入图片描述

2.3 柱形图 plt.bar

2.3.1 简单柱形图

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1, 6)
plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')    # align柱子放在数字的中间，edgecolor柱子边缘颜色
plt.tick_params(axis="both", labelsize=13)
plt.show()

在这里插入图片描述

设置坐标轴显示内容

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(1, 6)
plt.bar(x, 2*x, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')
plt.xticks(x, ('G1', 'G2', 'G3', 'G4', 'G5'))
plt.tick_params(axis="both", labelsize=13) 
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = ('G1', 'G2', 'G3', 'G4', 'G5')
y = 2 * np.arange(1, 6)
plt.bar(x, y, align="center", width=0.5, alpha=0.5, color='yellow', edgecolor='red')
plt.tick_params(axis="both", labelsize=13) 
plt.show()

在这里插入图片描述

import matplotlib.pyplot as plt
import numpy as np

x = ["G"+str(i) for i in range(5)]
y = 1/(1+np.exp(-np.arange(5)))

colors = ['red', 'yellow', 'blue', 'green', 'gray']
plt.bar(x, y, align="center", width=0.5, alpha=0.5, color=colors)
plt.tick_params(axis="both", labelsize=13)
plt.show()

在这里插入图片描述

2.3.2 累加柱形图 bottom

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(5)
y1 = np.random.randint(20, 30, size=5)
y2 = np.random.randint(20, 30, size=5)
plt.bar(x, y1, width=0.5, label="man")
plt.bar(x, y2, width=0.5, bottom=y1, label="women")
plt.legend()
plt.show()

在这里插入图片描述

2.3.3 并列柱形图

import matplotlib.pyplot as plt
import numpy as np

x = np.arange(15)
y1 = x+1
y2 = y1+np.random.random(15)
plt.bar(x, y1, width=0.3, label="man")
plt.bar(x+0.3, y2, width=0.3, label="women")
plt.legend()
plt.show()

在这里插入图片描述

2.3.4 横向柱形图 plt.barh

import matplotlib.pyplot as plt
import numpy as np

x = ['G1', 'G2', 'G3', 'G4', 'G5']
y = 2 * np.arange(1, 6)
plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue", edgecolor="red")    # 注意柱子宽度用height
plt.tick_params(axis="both", labelsize=13)
plt.show()

在这里插入图片描述

2.4 多子图 plt.subplot

2.4.1 简单多子图

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)

t1 = np.arange(0.0, 5.0, 0.1)
t2 = np.arange(0.0, 5.0, 0.02)

plt.subplot(211)    # 前两个数字代表两行一列，后面的1代表第一个
plt.plot(t1, f(t1), "bo-", markerfacecolor="r", markersize=5)
plt.title("A tale of 2 subplots")
plt.ylabel("Damped oscillation")

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), "r--")
plt.xlabel("time (s)")
plt.ylabel("Undamped")
plt.show()

在这里插入图片描述

2.4.2 多行多列子图

import matplotlib.pyplot as plt
import numpy as np

x = np.random.random(10)
y = np.random.random(10)

plt.subplots_adjust(hspace=0.5, wspace=0.3)    # 定义横向纵向的间隔

plt.subplot(321)
plt.scatter(x, y, s=80, c="b", marker=">")

plt.subplot(322)
plt.scatter(x, y, s=80, c="g", marker="*")

plt.subplot(323)
plt.scatter(x, y, s=80, c="r", marker="s")

plt.subplot(324)
plt.scatter(x, y, s=80, c="c", marker="p")

plt.subplot(325)
plt.scatter(x, y, s=80, c="m", marker="+")

plt.subplot(326)
plt.scatter(x, y, s=80, c="y", marker="H")
plt.show()

在这里插入图片描述

2.4.3 不规则多子图 plt.GridSpec

import matplotlib.pyplot as plt
import numpy as np

def f(x):
    return np.exp(-x) * np.cos(2*np.pi*x)


x = np.arange(0.0, 3.0, 0.01)
grid = plt.GridSpec(2, 3, wspace=0.4, hspace=0.3)    # 2行3列的网格

plt.subplot(grid[0, 0])
plt.plot(x, f(x))

plt.subplot(grid[0, 1:])
plt.plot(x, f(x), "r--", lw=2)

plt.subplot(grid[1, :])
plt.plot(x, f(x), "g-.", lw=3)
plt.show()

在这里插入图片描述

2.5 直方图 plt.hist

2.5.1 普通频次直方图

import matplotlib.pyplot as plt
import numpy as np

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)    # 均值100，标准差15

plt.hist(x, bins=50, facecolor='g', alpha=0.75)    # 分成50个区间
plt.show()

在这里插入图片描述

2.5.2 概率密度 density=True

频次转换成频率，除以区间长度，可以转化成概率密度图

import matplotlib.pyplot as plt
import numpy as np

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, 50, density=True, color="r")
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)
plt.show()

在这里插入图片描述

histtype='step’获得边缘图

import matplotlib.pyplot as plt
import numpy as np

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, bins=50, density=True, color="r", histtype='step') 
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)
plt.show()

在这里插入图片描述

获得真正的高斯分布

import matplotlib.pyplot as plt
import numpy as np

from scipy.stats import norm
mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

_, bins, __ = plt.hist(x, 50, density=True)    # 获得区间
y = norm.pdf(bins, mu, sigma)    # 计算符合分布的概率密度
plt.plot(bins, y, 'r--', lw=3)  
plt.xlabel('Smarts')
plt.ylabel('Probability')
plt.title('Histogram of IQ')
plt.text(60, .025, r'$\mu=100,\ \sigma=15$')
plt.xlim(40, 160)
plt.ylim(0, 0.03)
plt.show()

在这里插入图片描述

蓝色是实验获得的，红色是标准的

2.5.3 累计概率分布 cumulative=True

import matplotlib.pyplot as plt
import numpy as np

mu, sigma = 100, 15
x = mu + sigma * np.random.randn(10000)

plt.hist(x, 50, density=True, cumulative=True, color="r")
plt.xlabel('Smarts')
plt.ylabel('Cum_Probability')
plt.title('Histogram of IQ')
plt.text(60, 0.8, r'$\mu=100,\ \sigma=15$')
plt.xlim(50, 165)
plt.ylim(0, 1.1)
plt.show()

在这里插入图片描述

【例】模拟投两个骰子

import matplotlib.pyplot as plt
import numpy as np


class Die():
    "模拟一个骰子的类"
    
    def __init__(self, num_sides=6):
        self.num_sides = num_sides
    
    def roll(self):
        return np.random.randint(1, self.num_sides+1)


# 重复投一个骰子
die = Die()
results = []
for i in range(60000):
    result = die.roll()
    results.append(result)
    
plt.hist(results, bins=6, range=(0.75, 6.75), align="mid", width=0.5)    # range 从(0.75, 6.75)划分6个区间
# center？
plt.xlim(0 ,7)
plt.show()

# 重复投两个骰子
die1 = Die()
die2 = Die()
results = []
for i in range(60000):
    result = die1.roll()+die2.roll()
    results.append(result)
    
plt.hist(results, bins=11, range=(1.75, 12.75), align="mid", width=0.5)
plt.xlim(1 ,13)
plt.xticks(np.arange(1, 14))
plt.show()

在这里插入图片描述

2.6 误差图 plt.errorbar

2.6.1 基本误差图

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10 ,50)
dy = 0.5
y = np.sin(x) + dy*np.random.randn(50)

plt.errorbar(x, y , yerr=dy, fmt="+b")    # fmt设置颜色形状
plt.show()

在这里插入图片描述

2.6.2 柱形图误差图

import matplotlib.pyplot as plt
import numpy as np

menMeans = (20, 35, 30, 35, 27)
womenMeans = (25, 32, 34, 20, 25)
menStd = (2, 3, 4, 1, 2)
womenStd = (3, 5, 2, 3, 3)
ind = ['G1', 'G2', 'G3', 'G4', 'G5'] 
width = 0.35       

p1 = plt.bar(ind, menMeans, width=width, label="Men", yerr=menStd)
p2 = plt.bar(ind, womenMeans, width=width, bottom=menMeans, label="Women", yerr=womenStd)

plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.yticks(np.arange(0, 81, 10))
plt.legend()
plt.show()

在这里插入图片描述

2.7 面向对象的风格简介

把每个图，每个轴，看成一个对象，可以编辑每个对象，增加绘图灵活性

2.7.1 普通图

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 5, 10)
y = x ** 2

fig = plt.figure(figsize=(8,4), dpi=80)        # 图像 figsize画布大小，dpi像素
axes = fig.add_axes([0.1, 0.1, 0.8, 0.8])      # 轴 left, bottom, width, height (range 0 to 1)

axes.plot(x, y, 'r')
axes.set_xlabel('x')
axes.set_ylabel('y')
axes.set_title('title')
plt.show()

在这里插入图片描述

2.7.2 画中画

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 5, 10)
y = x ** 2

fig = plt.figure()

ax1 = fig.add_axes([0.1, 0.1, 0.8, 0.8]) 
ax2 = fig.add_axes([0.2, 0.5, 0.4, 0.3]) 

ax1.plot(x, y, 'r')

ax1.set_xlabel('x')
ax1.set_ylabel('y')
ax1.set_title('title')

ax2.plot(y, x, 'g')
ax2.set_xlabel('y')
ax2.set_ylabel('x')
ax2.set_title('insert title')
plt.show()

在这里插入图片描述

2.7.3 多子图

import matplotlib.pyplot as plt
import numpy as np

def f(t):
    return np.exp(-t) * np.cos(2*np.pi*t)


t1 = np.arange(0.0, 3.0, 0.01)

fig= plt.figure()
fig.subplots_adjust(hspace=0.4, wspace=0.4)

ax1 = plt.subplot(2, 2, 1)
ax1.plot(t1, f(t1))
ax1.set_title("Upper left")

ax2 = plt.subplot(2, 2, 2)
ax2.plot(t1, f(t1))
ax2.set_title("Upper right")

ax3 = plt.subplot(2, 1, 2)    # 注意这里
ax3.plot(t1, f(t1))
ax3.set_title("Lower")
plt.show()

在这里插入图片描述

2.8 三维图形简介

2.8.1 三维数据点与线

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits import mplot3d

ax = plt.axes(projection="3d")
# 绘制螺旋线
zline = np.linspace(0, 15, 1000)
xline = np.sin(zline)
yline = np.cos(zline)
ax.plot3D(xline, yline ,zline)
#绘制点
zdata = 15*np.random.random(100)
xdata = np.sin(zdata)
ydata = np.cos(zdata)
ax.scatter3D(xdata, ydata ,zdata, c=zdata, cmap="spring")
plt.show()

在这里插入图片描述

2.8.2 三维数据曲面图 plot_surface

import matplotlib.pyplot as plt
import numpy as np
from mpl_toolkits import mplot3d

def f(x, y):
    return np.sin(np.sqrt(x**2 + y**2))

x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y = np.meshgrid(x, y)    # 网格化
Z = f(X, Y)

ax = plt.axes(projection="3d")
ax.plot_surface(X, Y, Z, cmap="viridis")
plt.show()

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits import mplot3d

t = np.linspace(0, 2*np.pi, 1000)
X = np.sin(t)
Y = np.cos(t)
Z = np.arange(t.size)[:, np.newaxis]

ax = plt.axes(projection="3d")
ax.plot_surface(X, Y, Z, cmap="viridis")
plt.show()

在这里插入图片描述

第三部分 Seaborn库-文艺青年的最爱

3.1 Seaborn 与 Matplotlib

Seaborn 是一个基于 matplotlib 且数据结构与 pandas 统一的统计图制作库

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 500)    # 500个数据
y = np.cumsum(np.random.randn(500, 6), axis=0)    # 500行6列

with plt.style.context("classic"):
    plt.plot(x, y)    # 自动对齐，绘制出6条曲线
    plt.legend("ABCDEF", ncol=2, loc="upper left")   # ncol图例分几列
plt.show()

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

x = np.linspace(0, 10, 500)
y = np.cumsum(np.random.randn(500, 6), axis=0)
sns.set()    # 改变了绘制格式，变成seaborn风格
plt.figure(figsize=(10, 6))
plt.plot(x, y)
plt.legend("ABCDEF", ncol=2, loc="upper left")
plt.show()

在这里插入图片描述

3.2 柱形图的对比 sns.barplot

import numpy as np
import matplotlib.pyplot as plt

x = ['G1', 'G2', 'G3', 'G4', 'G5']
y = 2 * np.arange(1, 6)

plt.figure(figsize=(8, 4))
plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue")
plt.tick_params(axis="both", labelsize=13)
plt.show()

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

sns.set()
plt.figure(figsize=(8, 4))
x = ['G5', 'G4', 'G3', 'G2', 'G1']
y = 2 * np.arange(5, 0, -1)
sns.barplot(y, x, linewidth=5)
plt.show()

在这里插入图片描述

sns.barplot? 查看其它用法

import seaborn as sns
sns.barplot?

3.3 以鸢尾花数据集为例 sns.pairplot

查看前4种数据的相关性

import seaborn as sns
import matplotlib.pyplot as plt

iris = sns.load_dataset("iris")
print(iris.head())

   sepal_length  sepal_width  petal_length  petal_width species
0           5.1          3.5           1.4          0.2  setosa
1           4.9          3.0           1.4          0.2  setosa
2           4.7          3.2           1.3          0.2  setosa
3           4.6          3.1           1.5          0.2  setosa
4           5.0          3.6           1.4          0.2  setosa

sns.set()
sns.pairplot(data=iris, hue="species")
plt.show()

在这里插入图片描述

可以看出花瓣长度与花瓣宽度的线性关系很明显
花萼长度与花萼宽度线性很差
对角线上是对应维度下三种鸢尾花的边缘概率分布，分得比较开的说明数据比较容易分离

解决sns.pairplot()中文问题

from matplotlib.font_manager import FontProperties
myfont=FontProperties(fname=r'C:\Windows\Fonts\simhei.ttf',size=14)
sns.set(font=myfont.get_name())

第四部分 Pandas 中的绘图函数概览

4.1 线形图 df.plot()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set()
df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
print(df.head())

          A         B         C         D
0  0.139109  0.128463 -0.084513  0.025072
1  0.085295  0.061121  1.157259  0.896488
2  2.015443  2.157705  0.607950  2.153834
3  0.004897  1.885500  0.199746  2.315296
4 -0.828913  1.183246  2.914528  1.882888

df.plot()
plt.show()

在这里插入图片描述

df.plot的其它用法 df.plot?

import pandas as pd

df = pd.DataFrame()
df.plot?

4.2 柱形图 df.plot.bar()

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set()

df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
print(df2)

          a         b         c         d
0  0.192956  0.043906  0.485144  0.795992
1  0.584856  0.473277  0.703299  0.189399
2  0.860249  0.857595  0.453057  0.254671
3  0.334403  0.761708  0.343463  0.188714
4  0.713408  0.380034  0.136699  0.045663
5  0.268257  0.701495  0.087406  0.941839
6  0.373573  0.483803  0.537277  0.847954
7  0.324497  0.534841  0.786176  0.057222
8  0.527766  0.129430  0.745205  0.852565
9  0.410403  0.356154  0.050476  0.562084

多组数据竖图

df2.plot.bar()
plt.show()

在这里插入图片描述

多组数据累加竖图 stacked=True

df2.plot.bar(stacked=True)
plt.show()

在这里插入图片描述

多组数据累加横图 df.plot.barh

df2.plot.barh(stacked=True)
plt.show()

在这里插入图片描述

4.3 直方图和密度图

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set()

df4 = pd.DataFrame({"A": np.random.randn(1000) - 3, "B": np.random.randn(1000),
                     "C": np.random.randn(1000) + 3})
print(df4.head())

          A         B         C
0 -2.974090  0.811919  1.454981
1 -3.918316  1.246171  3.292422
2 -3.584788  1.339561  4.249672
3 -3.927277  0.368552  3.799760
4 -3.020831  1.555329  3.881246

普通直方图 df.plot.hist

df4.plot.hist(bins=50)
plt.show()

在这里插入图片描述

累加直方图 cumulative=True

df4['A'].plot.hist(cumulative=True)
plt.show()

在这里插入图片描述

概率密度图 kind=“kde”

df4['A'].plot(kind="kde")
plt.show()

在这里插入图片描述

差分累加图还原 df.diff().hist

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set()

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
print(df.head())

          A         B         C         D
0  0.862603  0.716191 -0.962349  0.571769
1 -0.011500  0.771621 -0.545608  1.226492
2  0.475496  0.412311 -1.535971  2.822753
3  0.809000  0.751493 -1.513082  2.713575
4  1.081569  0.719442 -3.359304  3.251815

df.diff().hist(bins=50, color="r")
plt.show()

在这里插入图片描述

df.hist? 查看其它

import pandas as pd
df = pd.DataFrame()
df.hist?

4.4 散点图以加州房价数据集为例

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

housing = pd.read_csv("housing.csv")
housing.head()

   longitude  latitude  housing_median_age  total_rooms  total_bedrooms  population  households  median_income  median_house_value ocean_proximity  
0    -122.23     37.88                41.0        880.0           129.0       322.0       126.0         8.3252            452600.0        NEAR BAY     
1    -122.22     37.86                21.0       7099.0          1106.0      2401.0      1138.0         8.3014            358500.0        NEAR BAY     
2    -122.24     37.85                52.0       1467.0           190.0       496.0       177.0         7.2574            352100.0        NEAR BAY     
3    -122.25     37.85                52.0       1274.0           235.0       558.0       219.0         5.6431            341300.0        NEAR BAY     
4    -122.25     37.85                52.0       1627.0           280.0       565.0       259.0         3.8462            342200.0        NEAR BAY

"""基于地理数据的人口、房价可视化"""
# 圆的半径大小代表每个区域人口数量(s),颜色代表价格(c),用预定义的jet表进行可视化
# x经度，y纬度
#有圈的地方代表有城市，圈越大，人口越多，颜色偏蓝说明房价低，偏红说明房价高
with sns.axes_style("white"):
    housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.6,
                 s=housing["population"]/100, label="population",
                 c="median_house_value", cmap="jet", colorbar=True, figsize=(12, 8))
plt.legend()
plt.axis([-125, -113.5, 32, 43])
plt.show()

在这里插入图片描述

取平均工资和平均房价

housing.plot(kind="scatter", x="median_income", y="median_house_value", alpha=0.8)
plt.show()

在这里插入图片描述

4.5 多子图 subplots=True

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns

sns.set()

df = pd.DataFrame(np.random.randn(1000, 4).cumsum(axis=0),
                  columns=list("ABCD"),
                  index=np.arange(1000))
print(df.head())

          A         B         C         D
0 -0.841199  0.021080  0.679416 -1.115123
1 -1.352381  0.493308  1.756238 -1.723150
2 -2.068088 -1.531768  0.801734 -1.277159
3 -0.445886 -3.386234  0.727494 -0.862176
4  1.311162 -5.831062  1.646270  0.099221

默认情形

df.plot(subplots=True, figsize=(6, 16))
plt.show()

在这里插入图片描述

设定图形安排

df.plot(subplots=True, layout=(2, 2), figsize=(16, 6), sharex=False)
plt.show()

在这里插入图片描述

其他内容请参考Pandas中文文档

https://www.pypandas.cn/docs/user_guide/visualization.html#plot-formatting

Sakura樱_子于

关注

1
点赞
踩
25

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

数据可视化库——Matplotlib、Seaborn、Pandas

文章目录

第一部分 环境配置

1.1 要不要plt.show()

1.2 设置样式

1.3 将图像保存为文件 plt.savefig

第二部分 Matplotlib库

2.1 折线图 plt.plot

绘制多条曲线

2.1.1 调整线条和标记点

调整线条颜色 color c

调整线条风格 linestyle ls

调整线宽 linewidth lw

调整数据点标记 marker

调整标记大小 markersize ms

颜色跟风格设置的简写

2.1.2 调整坐标轴

plt.xlim 设置上下限

plt.axis

?plt.axis 查看plt.axis的全部用法

对数坐标 plt.xscale

调整坐标轴刻度 plt.xticks

调整坐标轴刻度字号 fontsize

调整刻度样式 plt.tick_params

2.1.3 设置图形标签 plt.title plt.xlabel

2.1.4 设置图例 plt.legend

默认

修饰图例

2.1.5 添加文字和箭头

添加文字 plt.text

添加箭头 plt.annotate

2.2 散点图 plt.scatter

2.2.1 简单散点图

2.2.2 颜色配置 cmap

颜色配置参考官方文档

2.2.3 根据数据控制点的大小

2.2.4 透明度 alpha 0-1

【例】随机漫步

2.3 柱形图 plt.bar

2.3.1 简单柱形图

设置坐标轴显示内容

2.3.2 累加柱形图 bottom

2.3.3 并列柱形图

2.3.4 横向柱形图 plt.barh

2.4 多子图 plt.subplot

2.4.1 简单多子图

2.4.2 多行多列子图

2.4.3 不规则多子图 plt.GridSpec

2.5 直方图 plt.hist

2.5.1 普通频次直方图

2.5.2 概率密度 density=True

histtype='step’获得边缘图

获得真正的高斯分布

2.5.3 累计概率分布 cumulative=True

【例】模拟投两个骰子

2.6 误差图 plt.errorbar

2.6.1 基本误差图

2.6.2 柱形图误差图

2.7 面向对象的风格简介

2.7.1 普通图

2.7.2 画中画

2.7.3 多子图

2.8 三维图形简介

2.8.1 三维数据点与线

2.8.2 三维数据曲面图 plot_surface

第三部分 Seaborn库-文艺青年的最爱

3.1 Seaborn 与 Matplotlib

3.2 柱形图的对比 sns.barplot

sns.barplot? 查看其它用法

3.3 以鸢尾花数据集为例 sns.pairplot

解决sns.pairplot()中文问题

第四部分 Pandas 中的绘图函数概览

4.1 线形图 df.plot()

df.plot的其它用法 df.plot?

4.2 柱形图 df.plot.bar()

多组数据竖图

多组数据累加竖图 stacked=True

多组数据累加横图 df.plot.barh

4.3 直方图和密度图

普通直方图 df.plot.hist

第一部分环境配置

差分累加图还原 df.diff().hist

4.4 散点图以加州房价数据集为例