基于Python的数据可视化 matplotlib seaborn pandas

  1. # 首先载入pandas  
  2. import pandas as pd  
  3.   
  4. # 我们将载入seaborn,但是因为载入时会有警告出现,因此先载入warnings,忽略警告  
  5. import warnings   
  6. warnings.filterwarnings("ignore")  
  7. import seaborn as sns  
  8. import matplotlib.pyplot as plt  
  9. sns.set(style="white", color_codes=True)  
  10.   
  11. # 载入数据  
  12. iris = pd.read_csv("../input/Iris.csv"# 数据现在为 DataFrame格式  
  13.   
  14. # 用head函数看一下数据结构啥样  
  15. iris.head()  
  16.   
  17. <span class="c"></span>  

数据结构就这样:

 IdSepalLengthCmSepalWidthCmPetalLengthCmPetalWidthCmSpecies
015.13.51.40.2Iris-setosa
124.93.01.40.2Iris-setosa
234.73.21.30.2Iris-setosa
344.63.11.50.2Iris-setosa
455.03.61.40.2Iris-setosa

[python] view plain copy
  1. # 让我们用counts功能看下一共有多少种花  
  2. iris["Species"].value_counts()  


结果是:
Iris-setosa        50
Iris-virginica     50
Iris-versicolor    50
Name: Species, dtype: int64
1.


[python] view plain copy
  1. # 使用 .plot 做散点图  
  2. iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#数据为萼片的长和宽 结果如下  

2.

[python] view plain copy
  1. # 开始使用seaborn了它能同时显示直方图噢  
  2. sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5)  


3神奇的还在下面:

[python] view plain copy
  1. # 我们还可以用seaborn's FacetGrid 标记不同的种类噢  
  2. sns.FacetGrid(iris, hue="Species", size=5) \  #hue英文是色彩的意思  
  3.    .map(plt.scatter, "SepalLengthCm""SepalWidthCm") \#注意这里的plt哦  
  4.    .add_legend()  


4箱线图!

[python] view plain copy
  1. #  Seaborn中的boxplot,可以画箱线图,可以看出不同种类的分布情况  
  2. sns.boxplot(x="Species", y="PetalLengthCm", data=iris)  

5、

[python] view plain copy
  1. # 利用striplot可以锦上添花,加上散点图  
  2.   
  3. # 使振动值jitter=True 使各个散点分开,要不然会是一条直线  
  4. #  
  5. # 注意这里将坐标图用ax来保存了哦,这样第二次才会在原来的基础上加点  
  6. ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris)  
  7. ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray")  


6、小提琴图

[python] view plain copy
  1. # 这图可以变现出密度的分布  
  2. sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6)  


7、kdeplot

[python] view plain copy
  1. # 通过这个曲线图可以看出不同特征值时的分布密度  
  2. sns.FacetGrid(iris, hue="Species", size=6) \  
  3.    .map(sns.kdeplot, "PetalLengthCm") \  
  4.    .add_legend()  



8.大招来了

[python] view plain copy
  1. #  pairplot显示不同特征之间的关系  
  2. sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3)  

9、中间对角线的图形也可以用kde显示哦

[python] view plain copy
  1. # 修改参数dige_kind  
  2. sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde")  


10.现在是pandas表现的时间了

[python] view plain copy
  1. # 用Pandas 快速做出每个特征在不同种类下的箱线图  
  2. iris.drop("Id", axis=1).boxplot(by="Species", figsize=(126))  


11.调和曲线图 Andrew Curves

首先啥是Andrew curves呢 看维基百科

https://en.wikipedia.org/wiki/Andrews_plot

他是将高维的点 化为二维的曲线,曲线是一条傅里叶函数的样子,参数项为不同的特征值,臆想出来了自变量t,这样每个点都是一条曲线


[python] view plain copy
  1. # 画图的函数在下面,我们会发现相同种类的线总是缠绵在一起,可以和聚类混在一起噢,事实上他们与欧氏距离是有关系的  
  2. from pandas.tools.plotting import andrews_curves  
  3. andrews_curves(iris.drop("Id", axis=1), "Species")  

12轮廓图

https://en.wikipedia.org/wiki/Parallel_coordinates

[python] view plain copy
  1. # 轮廓图也是看高维数据的一种方法,将不同的特征放在横坐标,然后将各点的特征值放在纵坐标就可以了  
  2. from pandas.tools.plotting import parallel_coordinates  
  3. parallel_coordinates(iris.drop("Id", axis=1), "Species")  



13 radviz

http://www.doc88.com/p-912968623585.html

[python] view plain copy
  1. # 这也是一种将高维点表现在二维平面的方法,具体作图方法应该在上面的网址上应该有  
  2. from pandas.tools.plotting import radviz  
  3. radviz(iris.drop("Id", axis=1), "Species")  



暂时就是这些,希望会对大家有帮助

补充参考:

http://wenku.baidu.com/link?url=l1tNiAh1YegiSIwDjcS6f4swybDt3A-qczVXpbXf_7S6RUGC_gOOoP9fv4w8VXSMKlYiz0HlhhTsysEwwiqYORMwg-phyehtXlAIAAdEJ8G

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页