图的用途+panda绘图（三）：六边箱图、饼图、矩阵散点图

转载自：https://blog.csdn.net/weixin_38168620/article/details/79945877

约定

   
   

     
     

      
      

     
     
     
     

      
      

       
       %matplotlib inline
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       import pandas 
       
       as pd
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       import numpy 
       
       as np
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       import matplotlib.pyplot 
       
       as plt
      
      
     
     
   
   

图的用途+pandas绘图

一、六边箱图 Hexagonal Bin Plot

• 六边箱图的用途

六边箱图又名高密度散点图，如果数据点太密集，绘制散点图太过密集，六边箱图是更好的选择。

如下类型1，落在颜色最深的那个六边箱上有60个点以上。

• 类型1：六边箱图

   
   

     
     

      
      

     
     
     
     

      
      

       
       df = pd.DataFrame(np.random.randn(
       
       1000, 
       
       2), columns=[
       
       'a', 
       
       'b'])
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       df.plot.hexbin(x=
       
       'a', y=
       
       'b', gridsize=
       
       10);
      
      
     
     
   
   

• 类型2：

   
   

     
     

      
      

     
     
     
     

      
      

       
       df = pd.DataFrame(np.random.randn(
       
       1000, 
       
       2), columns=[
       
       'a', 
       
       'b'])
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       df[
       
       'b'] = df[
       
       'b'] = df[
       
       'b'] + np.arange(
       
       1000)
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       df[
       
       'z'] = np.random.uniform(
       
       0, 
       
       3, 
       
       1000)
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       df.plot.hexbin(x=
       
       'a', y=
       
       'b', C=
       
       'z', reduce_C_function=np.max, gridsize=
       
       25);
      
      
     
     
   
   

• 

二、饼图 Pie plot

• 饼图的用途

侧重于描述在整个系统中，每个个体所占的权重

• 类型：饼图

   
   

     
     

      
      

     
     
     
     

      
      

       
       se1 = pd.Series( np.random.rand(
       
       4), index=[
       
       'a', 
       
       'b', 
       
       'c', 
       
       'd'], name=
       
       'series')
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       se1.plot.pie(figsize=(
       
       6, 
       
       6));
      
      
     
     
   
   

• 类型2：多饼图

   
   

     
     

      
      

     
     
     
     

      
      

       
       df = pd.DataFrame(
       
       3 * np.random.rand(
       
       4, 
       
       2), index=[
       
       'a', 
       
       'b', 
       
       'c', 
       
       'd'], columns=[
       
       'x', 
       
       'y'])
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       df.plot.pie(subplots=
       
       True, figsize=(
       
       9, 
       
       4));
      
      
     
     
   
   

• 类型3：带比重饼图

se1.plot.pie(labels=['AA', 'BB', 'CC', 'DD'], colors=['r', 'g', 'b', 'c'],autopct='%.2f', fontsize=20, figsize=(6, 6));
   
   

• 类型3：

   
   

     
     

      
      

     
     
     
     

      
      

       
       se2 = pd.Series([
       
       0.1] * 
       
       4, index=[
       
       'a', 
       
       'b', 
       
       'c', 
       
       'd'], name=
       
       'series2')
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       se2.plot.pie(figsize=(
       
       6, 
       
       6));
      
      
     
     
   
   

三、矩阵散点图

• 矩阵散点图的用途

散点图可用来描述两个连续型变量间的关系,而矩阵散点图则可以描述多个变量之间的关系。

当数据集中包含多个变量，但变量之间的关系未知，可能正相关，或负相关等等，矩阵散点图则能十分直观地表达出各个变量之间的关系。

   
   

     
     

      
      

     
     
     
     

      
      

       
       df = pd.DataFrame(np.random.randn(
       
       1000, 
       
       4), columns=[
       
       'a', 
       
       'b', 
       
       'c', 
       
       'd'])
      
      
     
     

     
     

      
      

     
     
     
     

      
      

       
       pd.plotting.scatter_matrix(df, alpha=
       
       0.2, figsize=(
       
       6, 
       
       6), diagonal=
       
       'kde');
      
      
     
     
   
   

            </div>