目标一、掌握Python数据可视化分析库的安装与开发环境配置
目标二、熟练绘制常见图形如：散点图，折线图，条形图，直方图，饼状图，箱形图
目标三、掌握绘图的三大系统：pyplot，pylab(不推荐)，面向对象
目标四、了解坐标轴的调整，添加文字注释，区域填充，及特殊图形patches的使用
目标五、了解第三方可视化库：pyecharts
一、Matplotlib 新手入门篇
1.1 Matplotlib 简介
基于Python语言的开源项目，旨在为Python提供一个数据绘图包；
由John Hunter 发起；
函数式绘图和面向对象式绘图
- 函数式绘图，参考了matlab里面的绘图函数语法，简单易上手
- 面向对象式绘图，更懂matplotlib底层架构，有更多的功能
1.2 Matplotlib 快速预览
1.2.1 Matplotlib 对象总览
在matplotlib 中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes对象都是一个拥有自己坐标系统的绘图区域。
1.3 Matplotlib 一个最简单的绘图
调用 figure 创建一个绘图对象: plt.figure(figsize=(8,4))
figure: 指定绘图对象的宽度和高度，单位为英寸；
dpi: 指定绘图对象的分辨率，每英寸多少个像素，缺省值为80；
import matplotlib.pyplot as plt
plt.figure(figsize=(8,4))
plt.plot([1,2,3],[5,7,4])
plt.show()
1.4 美化图表 - 为图表加入图例、标题与标签
import matplotlib.pyplot as plt
# 用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False
x = [1,2,3]
y = [5,7,4]
x2 = [1,2,3]
y2 = [10,14,12]
plt.plot(x,y,label='第一条线')
plt.plot(x2,y2,label='第二条线')
plt.xlabel('x轴')
plt.ylabel('y轴')
plt.title('为图表加入\n图例、标题与标签')
plt.legend() # 显示图例
plt.show()
二、Matplotlib 绘制常见图表
2.1 绘制折线图
适用场景：折线图适合二维的大数据集，还适合多个二维数据集的比较。一般用来表示趋势的变化，横轴一般为日期字段
优势：容易反应出数据变化的趋势
# 准备数据
x = [1,2,3,4,5,6,7,8]
y = [5,2,4,2,1,4,5,2]
# 绘制折线图
plt.plot(x,y,label='折线图')
# 绘制x轴标签
plt.xlabel('x')
# 绘制y轴标签
plt.ylabel('y')
# 绘制标题
plt.title('绘制折线图')
# 利用legend()方法去显示图例
plt.legend()
# 显示图表
plt.show()
2.2 绘制柱状图/条形图
适用场景：显示各个项目之间的比较轻快，和柱状图类似的作用
优势：每个条都清晰表示数据，直观
劣势：柱状图的局限在于只适用中小规模的数据集
延伸图表：堆积条形图、百分比堆积条形图
plt.bar([1,3,5,7,9],[5,2,7,8,2],label="柱状图-01")
#plt.barh([1,3,5,7,9],[5,2,7,8,2],label="柱状图-01") #条形图
# color = ''，用这个参数设置图表显示颜色
plt.bar([2,4,6,8,10],[8,6,2,5,6],label="柱状图-02",color='g')
#plt.barh([2,4,6,8,10],[8,6,2,5,6],label="柱状图-02",color='g') # 条形图
plt.legend()
plt.xlabel('x轴')
plt.ylabel('y轴')
plt.title('Matplotlib绘制柱状图')
plt.show()
2.3 绘制直方图
直方图又称质量分布图，它是表示资料变化情况的一种主要工具。
用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况。
直方图非常像条形图，倾向于通过将区段组合在一起来显示分布。
population_ages = [22,55,62,45,21,22,34,42,42,4,99,102,110,120,121,122,130,111,115,112,80,75,65,54,44,43,42,48]
bins = [0,10,20,30,40,50,60,70,80,90,100,110,120,130]
plt.hist(population_ages,bins,histtype='bar',label='年龄分布图',rwidth=0.8)
plt.xlabel('x')
plt.ylabel('y')
plt.title('绘制直方图')
plt.legend()
plt.show()
2.4 绘制饼图
适用场景：显示各项的大小与各项占总和的比例。适用简单的占比比例图，在不要求数据精细的情况适用。
优势：明确显示数据的比例情况，尤其适合渠道来源等场景
劣势：不是具体的数值，只是整体的占比情况
slices = [7,2,2,13]
activities = ['sleeping','eating','working','playing']
cols = ['c','m','r','b']
plt.pie(slices,
labels = activities,
colors = cols,
startangle=90,
shadow = True,
explode = (0,0.1,0,0),
autopct='%1.1f%%'
)
plt.title('饼图')
plt.show()
2.5 绘制散点图
适用场景：显示若干数据系列中各个数值之间的关系，类似XY轴，判断两变量之间是否存在某种关联。散点图适用于三维数据集，但其中只有两维数据是需要比较的。另外，散点图还可以看出极值的分布情况
优势：对于处理值的分布和数据点的分簇区域（通过设置横纵项的辅助线），散点图都很理想。如果数据集中包含非常多的点，那么散点图便是最佳图标类型
劣势：在点状图中显示多个序列看上去非常混乱
x = [1,2,3,4,5,6,7,8]
y = [5,2,4,2,1,4,5,2]
plt.scatter(x,y,label='skitscat',color='k',s=25,marker='o')
plt.xlabel('x')
plt.ylabel('y')
plt.title('绘制散点图')
plt.legend()
plt.show()
2.6 绘制堆叠图
堆叠图用于显示【部分对整体】随时间的关系。堆叠图基本上类似于饼图，只是随时间而变化。
days = [1,2,3,4,5]
sleeping = [7,8,6,11,7]
eating = [2,3,4,3,2]
working = [7,8,7,2,2]
playing = [8,5,7,8,13]
# 分别设置每条线的颜色，标签，宽度等
plt.plot([],[],color='m', label='Sleeping', linewidth=5)
plt.plot([],[],color='c', label='Eating', linewidth=5)
plt.plot([],[],color='r', label='Working', linewidth=5)
plt.plot([],[],color='k', label='Playing', linewidth=5)
plt.stackplot(days,sleeping,eating,working,playing,colors=['m','c','r','k'])
plt.xlabel('x')
plt.ylabel('y')
plt.title('堆叠图')
plt.legend()
plt.show()
三、Matplotlib 综合演练篇
3.1 快速创建三角函数
import matplotlib.pyplot as plt
import numpy as np
X = np.linspace(-np.pi,np.pi,256,endpoint=True)
(C,S) = np.cos(X),np.sin(X)
plt.plot(X,C)
plt.plot(X,S)
plt.show()
3.2 修改线宽和颜色
# 'b-'是"color='blue',linestyle='-'" ,'-':实线,'--':虚线 , 'lw'：代表线宽
plt.plot(X,C,'b-',lw=2.5)
plt.plot(X,S,'r-',lw=2.5)
3.3 调整坐标轴，增大上下左右的留白
plt.xlim(X.min()*1.5,X.max()*1.5)
plt.ylim(C.min()*1.5,C.max()*1.5)
3.4 坐标刻度改为3.14
plt.xticks([-np.pi,-np.pi/2.,0,np.pi/2,np.pi])
plt.yticks([-1,0,1])
3.5 坐标刻度改为π
plt.xticks([-np.pi,-np.pi/2,0,np.pi/2,np.pi],[r'$-\pi$',r'$-\pi/2$',r'$0$',r'$-\pi/2$',r'$+\pi$',])
3.6 把坐标轴放在中间
ax = plt.gca() # 通过plt.gca()获得当前的Axes对象ax
ax.spines['right'].set_color('none') # 先把右边和上边的边界设置为不可见
ax.spines['top'].set_color('none')
ax.xaxis.set_ticks_position('bottom') # 然后把下边界和左边界移动到0点
ax.spines['bottom'].set_position(('data',0))
ax.yaxis.set_ticks_position('left')
ax.spines['left'].set_position(('data',0))
3.7 用图例区分正余弦曲线
plt.plot(X,C,'b-',lw=2.5,label='cosine')
plt.plot(X,S,'r-',lw=2.5,label='sine')
plt.legend(loc='upper left')
3.8 特殊点注释
t = 2*np.pi/3
# 以下代码是：画出需要标注的蓝色的线
plt.plot([t,t],[0,np.cos(t)],color='blue',linewidth=2.5,linestyle='--')
# 以下代码是：画出需要标注的蓝色的点
plt.scatter([t,],[np.cos(t),],50,color='blue')
# 以下代码是：给蓝色的点添加注释
plt.annotate(r'$\cos(\frac{2\pi}{3})=-\frac{1}{2}$',
xy=(t,np.cos(t)),xycoords='data',
xytext=(-90,-50),textcoords='offset points',fontsize=16,
arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2"))
plt.plot([t,t],[0,np.sin(t)],color='red',linewidth=2.5,linestyle='--')
plt.scatter([t,],[np.sin(t),],50,color='red')
plt.annotate(r'$\sin(\frac{2\pi}{3})=\frac{\sqrt{3}}{2}$',
xy=(t,np.sin(t)),xycoords='data',
xytext=(+10,+30),textcoords='offset points',fontsize=16,
arrowprops=dict(arrowstyle='->',connectionstyle='arc3,rad=.2'))
3.9 细节的修改
for label in ax.get_xticklabels() + ax.get_yticklabels():
label.set_fontsize(18)
label.set_bbox(dict(facecolor='w',edgecolor='None',alpha=0.4))
最终效果图：
小知识点汇总：
- 利用
np.linspace(-np.pi,np.pi,256,endpoint=True)可以快速生产数据 - 通过
plt.gca()获得当前的Axes对象ax - 通过
plt.xlim()方法来实现图表的留白 - 通过
plt.xticks()、plt.yticks()来设置坐标轴刻度 - 通过
plt.annotate()方法来为图表添加注释 for label in ax.get_xticklabels() + ax.get_yticklabels():方式来遍历图表中的label对象
四、Matplotlib 高级篇
4.1 再论柱(条)形图- 柱状/条形图高级
4.1.1 做好绘制前的准备工作：导包，中文环境设置，准备画布与数据
import matplotlib.pyplot as plt
# 用来正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']
# 用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False
# 取出一张画布
fig = plt.figure(1)
# 确定绘图范围，由于只需要画一张图，所以我们将整张画布作为绘图的范围
# 111：表示设置绘图范围为1行1列，最后一个1代表输出到第1块画布上
ax1 = plt.subplot(111)
# 整理我们准备绘制的数据
data = np.array([15,20,18,25])
4.1.2 准备绘制图表所需的参数数据
width = 0.5
x_bar = np.arange(4)
4.1.3 核心图形绘制
rect = ax1.bar(x=x_bar,height=data,width=width,color='lightblue')
4.1.4 向各条形上添加数据标签
for rec in rect:
x = rec.get_x()
height = rec.get_height()
ax1.text(x+0.2,1.02*height,str(height)+'w')
4.1.5 绘制x,y坐标轴刻度及标签，标题，并最终显示出图表
ax1.set_xticks(x_bar)
ax1.set_xticklabels(('第一季度','第二季度','第三季度','第四季度'))
ax1.set_ylabel('销量(单位:万件)')
ax1.set_title('2017年季度销售量统计')
ax1.grid(True)
ax1.set_ylim(0,28)
plt.show()
4.2 Matplotlib中利用subplot() 绘制多幅图形
plt.figure(figsize=(6,6),dpi=80)
plt.figure(1) # 创建第一个画板
plt.subplot(211) # 划分画板为2行1列，共2块区域，并获取当前画板的第一个子图
plt.plot([1,2,3]) # 绘图
plt.subplot(212) # 获取当前画板的第二个子图
plt.plot([4,5,6]) # 绘图
plt.figure(2) # 创建第二个画板
plt.plot([4,5,6]) # 在当前画板上绘图，默认子图
plt.title('第二个画板') # 做出当前画板111的标题
plt.figure(1) # 切换到画板1，注意：当前 subplot(212) 仍然被调用中
plt.subplot(211) # 切换到第一块区域
plt.title('第一个画板（区域1）') # 设置211的标题
plt.subplot(212) # 切换到第二块区域
4.3 从文件中加载数据并在matplotlib 中可视化
import csv
x = []
y = []
with open('demo.csv','r') as csvfile:
plots = csv.reader(csvfile,delimiter=',')
for row in plots:
x.append(int(row[0]))
y.append(int(row[1]))
plt.plot(x,y,label='模拟数据')
plt.xlabel('x')
plt.ylabel('y')
plt.title('演示')
plt.legend()
plt.show()
4.4 从网络中加载数据并在matplotlib 中可视化
import tushare as ts
df = ts.realtime_boxoffice()
x = list(df['MovieName'])
y = list(df['BoxOffice'])
plt.bar(x,y,label='票房')
plt.xlabel('x轴-电影名称')
plt.ylabel('y轴-实时票房')
plt.title('实时票房')
plt.legend()
plt.show()
4.5 借助Numpy 包简化数据读取并在matplotlib中可视化
x,y = np.loadtxt('demo.csv',delimiter=',',unpack=True)
plt.plot(x,y,label='模拟数据')
plt.xlabel('x')
plt.ylabel('y')
plt.title('演示')
plt.legend()
plt.show()
小知识点总结：
- 利用
plt.figure来创建与切换画布 - 利用
plt.subplot(211)方式来切割画布区域
五、Pandas + Matplotlib 简化数据可视化
5.1 Pandas中的Series.plot方法的函数
import pandas as pd
s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot()
plt.show()
5.2 Pandas中的DataFrame.plot方法的函数
import pandas as pd
df = pd.DataFrame(np.random.randn(10,4),columns=list('ABCD'),index=np.arange(0,100,10))
df.plot()
plt.show()
5.3 Pandas+Matplotlib 绘制条形图/柱状图
fig,axes = plt.subplots(2,1)
data = pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))
data.plot(kind='bar',ax=axes[0],color='k',alpha=0.7)
data.plot(kind='barh',ax=axes[1],color='k',alpha=0.7)
plt.show()
5.4 Pandas+Matplotlib 绘制直方图
df = pd.read_excel('demo.xlsx','Sheet1')
# 绘制直方图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.hist(df['Age'],bins=7)
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('Employee')
plt.show()
5.5 Pandas+Matplotlib 绘制箱线图
df = pd.read_excel('demo.xlsx','Sheet1')
fig = plt.figure()
ax = fig.add_subplot(111)
ax.boxplot(df['Age'])
plt.show()
5.6 利用pandas 处理后的数据绘图
# 条形图
var = df.groupby('Gender').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title('Gender wish Sum of Sales')
var.plot(kind='bar')
plt.show()
# 折线图
var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.set_xlabel('BMI')
ax1.set_ylabel('Sum of Sales')
ax1.set_title('BMI wish Sum of Sales')
var.plot(kind='line')
plt.show()
5.7 利用pandas绘制柱状堆积图
var = df.groupby(['BMI','Gender']).Sales.sum()
var.unstack().plot(kind='bar',stacked=True,color=['red','blue'])
plt.show()
5.8 Pandas+Matplotlib 绘制散点图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'],df['Sales'])
plt.show()
5.9 Pandas+Matplotlib 绘制气泡图
需要展示三维以上数据，分布情况的时候考虑气泡图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'],df['Sales'],s=df['Income']) # 第三个变量表明根据收入显示气泡的大小
plt.show()
5.10 Pandas+Matplotlib 绘制饼图
var = df.groupby(['Gender']).sum()
label_list = var.index
plt.axis('equal')
plt.pie(var,labels=label_list,autopct='%1.1f%%')
plt.title('expense)
plt.show()
小知识点总结：
- Pandas处理数据，Serias或DataFrame的plot方法绘图
- Pandas处理数据，Matplotlib 绘图
六、Matplotlib 番外篇：PyEcharts
6.1 pyecharts 简介
pyecharts 是一个用于生成Echarts图表的类库。Echarts是百度开源的一个数据可视化JS库。用Echarts 生成的图可视化效果非常棒，pyecharts是利用python 实现生成echarts图表的类目。
官网：http://pyecharts.org
安装 pyecharts
pip 安装
$ pip install pyecharts
源码安装
$ git clone https://github.com/pyecharts/pyecharts.git
$ cd pyecharts
$ pip install -r requirements.txt
$ python setup.py install
# 或者执行 python install.py
6.2 第一个PyEcharts图表
from pyecharts.charts import Bar
bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
# render 会生成本地 HTML 文件，默认会在当前目录生成 render.html 文件
# 也可以传入路径参数，如 bar.render("mycharts.html")
bar.render()
6.3 通用配置项
6.4 图解pyecharts 通用配置项
绘制图表，由于参考教程过旧，故直接参考官网示例
参考网址：
[1]: https://www.jianshu.com/p/aa4150cf6c7f
[2]: https://www.jianshu.com/p/b5594a20ecee
[3]: https://blog.csdn.net/u012535605/article/details/80677791
567
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
