数据可视化：Matplotlib和Seaborn

已于 2022-04-10 16:26:09 修改
阅读量1.6k 收藏 6
点赞数 1
分类专栏： 笔记 文章标签： python matplotlib
于 2021-11-12 20:53:49 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Titijiang233/article/details/120336436
版权

目录

Matplotlib库

显示图形

设置中文字体

1.指定字体文件

​ 2.

 3.指定不同的字体

设置线条颜色和风格

 线条风格：linstyle

 保存图片

 绘制柱状图

 饼状图

 绘制散点图

 绘制子图表​

代码：

课后练习 

 Seaborn库

柱状图

 箱型图

 分面网格分类图

关联图

​ 分布图

热力图 

线性回归图 

分面网格图 

Matplotlib库

显示图形

import matplotlib.pyplot as plt
%matplotlib inline
#设置中文字体
plt.rcParams['font.family'] = ['SimHei']
x=[5,4,2,1]
y=[7,8,9,10]

#设置图表大小
plt.figure(figsize=(10,5))

#绘制线段
plt.plot(x,y,label='线1')
plt.ylabel('y轴')
plt.xlabel('x轴')
#添加标题
plt.title('绘制线图')
#设置图例
plt.legend()

 将inline换成notbook后，变成可交互式图形

 inline 和 notebook 这两个魔法指令只能在Jupyter notebook里面使用、

在ipython里面不能使用

 在cmd直接打开py文件，需要在py文件里面写 plt.show()

设置中文字体

1.指定字体文件

 2.

 3.指定不同的字体

将所有文字设置为中文

导致乱码

import matplotlib.pyplot as plt
plt.rcParams['font.family']=['SimHei']
# import matplotlib.font_manager as fm
# fontPath = r'C:/Windows/Fonts/SIMLI.TTF'
# font30 = fm.FontProperties(fname=fontPath,size=30)
x=[5,4,-2,-1]
y=[-7,8,9,10]

#设置图表大小
# plt.figure(figsize=(10,5))

#绘制线段
plt.plot(x,y,label='线1')
plt.ylabel('y轴')
plt.xlabel('x轴')
#添加标题
plt.title('绘制线图')
#设置图例
plt.legend()

设置负号，防止乱码

import matplotlib.pyplot as plt
plt.rcParams['font.family']=['SimHei']
# import matplotlib.font_manager as fm
# fontPath = r'C:/Windows/Fonts/SIMLI.TTF'
# font30 = fm.FontProperties(fname=fontPath,size=30)
#设置负号，防止乱码
plt.rcParams['axes.unicode_minus']=False

 

设置线条颜色和风格

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,1000)
x
plt.plot(x,x+0,color='blue')
plt.plot(x,x+1,color='g')
plt.plot(x,x+2,c='#FF5D24')
plt.plot(x,x+3,color=(0.1,0.168,0.168))

 线条风格：linstyle

import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10,1000)
x
plt.plot(x,x+0,color='blue',linestyle='solid')#实线
plt.plot(x,x+1,color='g',linestyle='dashed')#虚线
plt.plot(x,x+2,c='#FF5D24',linestyle='dashdot')#点划线
plt.plot(x,x+3,color=(0.1,0.168,0.168),linestyle='dotted')#实点线

plt.plot(x,x+0,color='blue',linestyle='solid')#实线
plt.plot(x,x+1,color='g',linestyle='dashed')#虚线
plt.plot(x,x+2,c='#FF5D24',linestyle='dashdot')#点划线
plt.plot(x,x+3,color=(0.1,0.168,0.168),linestyle='dotted')#实点线
plt.plot(x,x+0,color='blue',linestyle='-')#实线
plt.plot(x,x+1,color='g',linestyle='--')#虚线
plt.plot(x,x+2,c='#FF5D24',linestyle='-.')#点划线
plt.plot(x,x+3,color=(0.1,0.168,0.168),linestyle=':')#实点线

 颜色和线条样式合并

只能使用八种颜色值

plt.plot(x,x+0,'b-')#实线
plt.plot(x,x+1,'g--')#虚线
plt.plot(x,x+2,'r-.')#点划线
plt.plot(x,x+3,':g')#实点线

 

 保存图片

 绘制柱状图

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.family']=['SimHei']
#设置字体大小
plt.rcParams['font.size']=20
#设置负号，防止乱码
plt.rcParams['axes.unicode_minus']=False
x1=[1,3,5,7,9]
y1=[2,10,6,9,5]

x2=[2,4,6,8,10]
y2=[5,2,9,10,1]

#绘制图表
plt.bar(x1,y1,label='柱状图1')
plt.bar(x2,y2,label='柱状图2')

plt.title('绘制柱状图')

plt.ylabel=('y轴')
plt.xlabel=('x轴')

plt.legend()#设置图例

 饼状图

activites=['工作','睡','吃','玩']
slices=[8,7,3,6]
cols=['c','m','r','b']
g=plt.pie(slices,labels=activites,colors=cols,shadow=True,explode=(0,0.1,0,0),autopct='%.1f%%')

去掉autopct就没有百分比了

 

 绘制散点图

n=1024
x=np.random.normal(0,1,n)
y=np.random.normal(0,1,n)

plt.scatter(x,y)
plt.title('绘制散点图')

 绘制子图表

 

代码：

注意：'str' object is not callable

直接重新开一个文件运行，这个是一次性的！

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline

plt.rcParams['font.family']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
x1=[1,3,5,7,9]
y1=[2,10,6,9,5]
    
x2=[2,4,6,8,10]
y2=[5,2,9,10,1]

x=[5,4,2,1]
y=[7,8,9,10]

def drowxiantu():
    """绘制线图"""
    #绘制线图
    plt.plot(x,y,label='线1')
    plt.ylabel('y轴')
    plt.xlabel('x轴')
    #添加标题
    plt.title('绘制线图')
    #设置图例
    plt.legend()

def drowzhuzhuangtu():
    """绘制柱状图"""
    #绘制图表
    plt.bar(x1,y1,label='柱状图1')
    plt.bar(x2,y2,label='柱状图2')
    
    plt.title('绘制柱状图')
    
    plt.ylabel=('y轴')
    plt.xlabel=('x轴')
    
    plt.legend()#设置图例
    
def drowbingzhuangtu():
    """绘制饼状图"""
    activites=['工作','睡','吃','玩']
    slices=[8,7,3,6]
    cols=['c','m','r','b']
    g=plt.pie(slices,labels=activites,colors=cols,shadow=True,explode=(0,0.1,0,0),autopct='%.1f%%')
    
def drowsandiantu():
    """绘制散点图"""
    n=1024
    x=np.random.normal(0,1,n)
    y=np.random.normal(0,1,n)
    plt.scatter(x,y)
    plt.title('绘制散点图')
    

plt.subplot(223)
drowxiantu()

plt.subplot(221)
drowbingzhuangtu()

plt.subplot(222)
drowsandiantu()

plt.subplot(224)
drowzhuzhuangtu()

plt.tight_layout()

成功运行效果

课后练习 

import matplotlib.pyplot as plt
#line 1 points
x1=[10,20,30]
y1=[20,40,10]
#line 2 points
x2=[10,20,30]
y2=[40,10,30]
#Set the x axis label of the current axis.
plt.xlabel('x-axis')
#Set the y axis label of the current axis.
plt.ylabel('y-axis')
#Set a title
plt.title('Two or more lines with different widths and colors with suitable legends')
#Display the figure
plt.plot(x1,y1,color='blue',linewidth=3,label='line1-width-3',linestyle='dotted')
plt.plot(x2,y2,color='red',linewidth=5,label='line1-width-5',linestyle='dashed')
#show a legend on the plot
plt.legend()

 

import matplotlib.pyplot as plt

x=['Java','Python','PHP','JavaScript','C#','C++']
popularity=[22.2,17.6,8.8,8,7.7,6.7]
x_pos=[i for i,_ in enumerate(x)]

plt.bar(x_pos,popularity,color='blue')
plt.xlabel("Languages")
plt.ylabel("Popularity")
plt.title("Popularity of Programming Language\n" + "Worldwide,Oct 2017 compared to a year ago")

 

 

import matplotlib.pyplot as plt

x=['Java','Python','PHP','JavaScript','C#','C++']
popularity=[22.2,17.6,8.8,8,7.7,6.7]
x_pos=[i for i,_ in enumerate(x)]

plt.bar(x_pos,popularity,color=['red','black','green','blue','yellow','cyan'])
plt.xlabel("Languages")
plt.ylabel("Popularity")
plt.title("Popularity of Programming Language\n" + "Worldwide,Oct 2017 compared to a year ago")

 

 

import matplotlib.pyplot as plt
#Plot data
languages=['Java','Python','PHP','JavaScript','C#','C++']
popularity=[22.2,17.6,8.8,8,7.7,6.7]
colors=['red','gold','yellowgreen','blue','lightcoral','lightskyblue']
explode=(0.1,0,0,0,0,0)
#Plot
plt.pie(popularity,explode=explode,labels=languages,colors=colors,autopct='%.1f%%',shadow=True)

 

import numpy as np
import matplotlib.pyplot as plt

#绘图数据
men_means=(22,30,33,30,26)
women_means=(25,32,30,35,29)
n_groups=5
index=np.arange(n_groups)
bar_width=0.35
rects1=plt.bar(index,men_means,bar_width,label='Men')
rects2=plt.bar(index + bar_width,women_means,bar_width,label='Women')
plt.xlabel('Person')
plt.ylabel('Scores')
plt.title('Scores by person')
plt.xticks(index + bar_width,('G1','G2','G3','G4','G5'))
plt.legend()

 

 

import numpy as np
import matplotlib.pyplot as plt

x=np.random.rand(200)
y=np.random.rand(200)
plt.scatter(x,y,s=70,facecolors='none',edgecolors='g')
plt.xlabel("X")
plt.ylabel("Y")

 

 Seaborn库

 

 

4.3 Seaborn的样式控制

 

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
plt.rcParams['font.family']=['SimHei']
plt.rcParams['font.size']=20
plt.rcParams['axes.unicode_minus']=False
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

sns.set()

x=[5,4,2,1]
y=[7,8,9,10]
plt.plot(x,y,label="线1")
plt.ylabel('y轴',fontproperties="SimHei")
plt.xlabel('x轴',fontproperties="SimHei")
plt.title('绘制线图',fontproperties="SimHei")
plt.legend(prop={'family':'SimHei','size':13})

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

def plot_mybar():
    x = [5, 4, 2, 1]
    y = [7, 8, 9, 10]
    plt.plot(x, y, label="线1")
    plt.ylabel('y轴', fontproperties="SimHei")
    plt.xlabel('x轴', fontproperties="SimHei")
    plt.title('绘制线图', fontproperties="SimHei")
    plt.legend(prop={'family': 'SimHei', 'size': 13})
sns.set_style("whitegrid")
plot_mybar()

 

中文乱码问题

 1.seaborn里可以用给每一个函数设置中文来解决乱码问题

 2.在set_style里全局设置中文

 之后再绘制图形，不给每个函数设置中文同样不会出现乱码问题

柱状图

 

2.

 

import pandas as pd 
import numpy as np

import matplotlib.pyplot as plt
import seaborn as sns

data={
    'apples':[3,2,0,1],
    'oranges':[0,1,2,3],
    'bananas':[1,2,1,0]
}

df=pd.DataFrame(data,index=['June','Robert','Lily','David'])
df

 

 

 用head()打印前几条

对数据分类

 

 

 

 

 

颜色面板 

 

 箱型图

 

 

 

小提琴图

 

分类散点图Strip图 

  

 

 

 

 分类散点图--Swarm图 

 分面网格分类图

 

 

 

关联图

学习视频中使用的数据顶部和底部两行参数没用，所以使用了 

skiprows=2,skipfooter=2

import pandas as pd 

file_path-='data\\'
df20=pd.read_excel(file_path + '全国总人口数据.xls',sheet_name='20年数据',skiprows=2,skipfooter=2)

 使用参数没有需要去除的地方所以不使用这两个参数

import pandas as pd 

file_path='C:\\Users\\Titijiang233\\Desktop\\文件夹\\2021计算机设计大赛\\'
sjfx=pd.read_excel(file_path + '数据分析.xlsx',sheet_name='Sheet3')

 

 

 

 

 

 分布图

 

 

热力图 

 

线性回归图 

 

分面网格图 

 散点图

 线性回归图

Titijiang233
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Python与数据可视化：Matplotlib与Seaborn实战
AI架构设计之禅
02-23 894
在当今的数据驱动时代，数据可视化已成为利用数据进行决策和发现洞察的重要手段。数据可视化是指使用图形和视觉效果将复杂的数据转换为易于理解的形式，以便更好地揭示数据中的趋势、模式和关系。Matplotlib是一个Python库，用于绘制静态、交互式的二维和三维图形。它提供了一组高级API，使得绘制各种类型的图表变得简单。Seaborn是基于Matplotlib的Python数据可视化库，专注于统计图形。Seaborn提供了高级抽象层，使得创建统计图形更加容易。
数据可视化艺术：Matplotlib与Seaborn图形绘制
03-20
strcmp数据可视化艺术：Matplotlib与Seaborn图形绘制 描述： 该资源教授如何使用Matplotlib和Seaborn库进行数据可视化，包括图表设计、图形样式定制和交互式可视化技术，适用于需要通过图形展示数据洞察的分析师。
数据可视化matplotlib&seaborn基础学习
qq_50086023的博客
11-09 899
数据可视化matplotlib&seaborn基础学习
Python中的两大画图工具库seaborn和matplotlib
weixin_44943389的博客
06-12 915
Seaborn的绘图函数使用Matplotlib进行底层绘制，因此你可以在Seaborn绘图后使用Matplotlib的函数进一步自定义图表。Seaborn提供了一些美化和简化绘图的功能，但在某些情况下，你可能需要使用Matplotlib的底层功能来实现更精细的控制。Matplotlib是一个功能强大且广泛使用的库，提供了广泛的绘图功能，包括折线图、散点图、柱状图、饼图等。Matplotlib提供了灵活的绘图控制选项，可以自定义图表的各个方面，如图表的大小、颜色、字体等。
数据可视化在Python数据分析中的应用：Matplotlib与Seaborn详解
2301_78162697的博客
12-06 2011
数据可视化在Python数据分析中扮演着重要的角色。通过将数据以图形或图表的形式呈现，可以帮助我们更好地理解、解释和洞察数据的特征和规律。在Python中，最常用的数据可视化库包括Matplotlib和Seaborn。Matplotlib是Python中最常用的绘图库之一，它提供了丰富的绘图功能和定制选项，可以满足各种数据可视化需求。总的来说，Matplotlib和Seaborn都是非常强大的数据可视化库，它们各自具有独特的功能和优点。
Matplotlib 和 Seaborn（Figures、Axes 和 Subplot）
Dream的博客
09-27 2981
Figures、Axes 和 Subplot 到目前为止，你已经见过并使用 matplotlib 和 seaborn 练习过一些基本绘制函数。上个页面介绍了新的知识：通过 matplotlib 的 subplot() 函数创建两个并排显示的图表。如果你对该函数或 figure() 函数的原理有任何疑问，请继续阅读。此页面将使用 matplotlib 讨论可视化的基本结构，以及子图表在该结构下的工作原理。 matplotlib 中的可视化基本结构是 Figure 对象。每个 Figure 中将包含一个或多个
matplotlib与seaborn的一些使用
智障变智能
10-15 1707
1.plt.plot画线画点 a = np.array([[1, 2], [3, 4]]) print(a[:, 0]) plt.plot(a[:, 0], a[:, 1]) plt.show() plt.plot(a[:, 0], a[:, 1], 'o',color='red') plt.show() ＃添加风格 plt.plot(x,y,color='red',linewidth=1.0,linestyle='--') #设置x轴范围 plt.xlim((-1,2)) # 设置y轴范围 .
大数据可视化技术 实验三：Matplotlib和Seaborn基本操作
03-25
本实验主要探讨了两个在Python中广泛使用的数据可视化库——Matplotlib和Seaborn的基本操作。这两个库提供了丰富的图形选项，使得数据分析师和数据科学家能够有效地展示和传达分析结果。 首先，让我们深入了解...
Python数据分析与科学计算数据可视化篇：Matplotlib和Seaborn
06-14
本课程介绍了Python数据可视化库——Matplotlib和Seaborn，其中包括了：Matplotlib库：图表基本构成要素、绘制线图、显示图形、显示中文和负号、设置线条颜色和风格、保存图片、绘制柱状图、绘制饼状图、绘制散点图...
知识领域: 数据可视化 技术关键词: Matplotlib、Seaborn、数据可视化、图表绘制
05-17
技术关键词: Matplotlib、Seaborn、数据可视化、图表绘制 内容关键词: 折线图、柱状图、散点图 用途: 学习使用Python进行数据可视化和图表绘制 资源描述: Matplotlib官方文档提供了详细的Matplotlib库介绍、使用指南...
anaconda安装知识领域: 数据可视化 技术关键词: Matplotlib、Seaborn、数据可视化、图表绘制
最新发布
05-31
技术关键词: Matplotlib、Seaborn、数据可视化、图表绘制 内容关键词: 折线图、柱状图、散点图 用途: 学习使用Python进行数据可视化和图表绘制 资源描述: Matplotlib官方文档提供了详细的Matplotlib库介绍、使用指南...
数据可视化艺术：Matplotlib与Seaborn实战
meijinbo的专栏
03-24 1094
在数据科学领域，数据可视化扮演着至关重要的角色。通过图形化的展示，我们可以更直观地理解数据的分布、趋势以及不同变量之间的关系。Matplotlib和Seaborn是两个在Python中非常流行的数据可视化库，前者提供了基础的绘图功能，后者则提供了更高级的图表类型和样式设定。接下来，我们将通过实战的方式，探索这两个库在数据可视化中的应用。2.Matplotlib基础绘图与定制化2.1. 基础绘图​​​​​​​Matplotlib是Python中最为基础且功能强大的数据可视化库之一。
Python中的数据可视化：matplotlib与seaborn的用法
weixin_71166183的博客
12-30 406
通过以上介绍，我们可以看到matplotlib和seaborn是Python中两个强大的数据可视化库。在实际应用中，我们可以根据需要选择合适的图形类型和美化选项，以更好地展示数据的结构和模式。在Python中，matplotlib和seaborn是两个广泛使用的数据可视化库。使用matplotlib可以绘制各种类型的图形，包括线图、散点图、柱状图等。Seaborn库提供了丰富的高级图形，包括热力图、分布图、箱线图等。Seaborn库也提供了丰富的图形美化选项，包括颜色、字体、标题等。
Python数据可视化：用Matplotlib与Seaborn绘制美观图表
禅与计算机程序设计艺术
01-28 871
1.背景介绍 1. 背景介绍 数据可视化是现代科学研究和商业分析中不可或缺的一部分。它允许我们以直观的方式展示数据，从而更好地理解和挖掘其中的信息。Python是一种流行的编程语言，拥有强大的数据处理和可视化能力。Matplotlib和Seaborn是Python中两个非常受欢迎的数据可视化库，它们提供了丰富的图表类型和美观的视觉效果。 在本文中，我们将深入探讨如何使用Matplotlib和...
Matplotlib vs Seaborn？有什么区别学哪个？
wlh2067的博客
04-01 4181
Seaborn是用户把自己常用到的可视化绘图过程进行了函数封装，形成的一个“快捷方式”，他相比Matplotlib的好处是代码更简洁，可以用一行代码实现一个清晰好看的可视化输出。也许我们更需要Seaborn的灵活性，使我们能够以最少的代码行数实现同样的目标，而这种统计表示效率是科研中最重要的。Matplotlib是Python中最常见的，提供了广泛的图形选项和定制功能，可以创建复杂的、高度定制化的可视化。但出于某种原因，如果我们严格希望绘图以0开头，那么它需要额外的代码行，这也是Seaborn的不方便。
Matplotlib和Seaborn（离散数据的图表选择与一些使用技巧）
Dream的博客
09-27 2873
为离散数据选择图表 如果想要绘制离散型数值变量，直方图或条形图都是可能的选择 。 直方图可能是最直接的选择，因为数据是数值型的，但是需要特别考虑一下分组边界的问题。因为离散型数值都是特定的值，而你的读者可能并不了解分组边界的值属于右边的分组，所以将分组边界设置为实际的两个值之间可以减少歧义。请比较下面两个图表，图表的数据是 100 次随机掷骰结果（die_rolls），左图是分组边界值等于数据实际值的情况，右边是分组边界在数据实际值之间的情况。 plt.figure(figsize = [10, 5])
Python matplotlib seaborn（学习笔记）
03-13 1426
文章目录一、seaborn概述二、数据整理01 折线图02 柱形图03 直方图三、绘图01 设定调色盘02 柱状图03 技术图04 点图05 箱型图06 小提琴图 一、seaborn概述 Seaborn是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。详情请查阅官网：seaborn 二、数据整理 import seaborn as sns import numpy as np import matplotlib as
Matplotlib和Seaborn（饼图，直方图）
Dream的博客
09-27 8566
饼图 饼图是一种常见的单变量图表，用于描绘分类变量各类别的相对频率。饼图中的扇区代表频率大小；角度或面积越大，该类别就出现地越频繁。 遗憾的是，饼图是一种应用场合很有限的图表类型，图表创建者很容易将饼图绘制得难以看懂。如果你要使用饼图，请尝试遵守下面的规则： 确保你关心的是相对频率。每个扇区应该表示整体的一部分，而不是单独的数值（除非变量能够求和成某个整体）。 将扇区限制在一定数量内。饼图最好只包含两到三个扇区，如果扇区足以明确区分，也可以包含四到五个。如果你有很多个类别，并且某些类别所占的比例很小，那
Python3数据分析与挖掘建模（7）使用matplotlib和seaborn画图
喜欢历史的码农
05-31 2197
可视化分析是数据分析中重要的一环，它可以帮助我们更直观地理解数据的特征、趋势和关系。在Python中，有多个库可以用于数据可视化，包括matplotlib、seaborn和plotly等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Titijiang233

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值