数据可视化第二版-03部分-11章-相关

最新推荐文章于 2024-11-14 21:16:38 发布
最新推荐文章于 2024-11-14 21:16:38 发布
阅读量463 收藏 4
点赞数 3
分类专栏： 数据可视化第二版配套实验 文章标签： 信息可视化 python 数据分析
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/m0_38139250/article/details/130378117
版权

文章目录

数据可视化第二版-03部分-11章-相关

总结

本系列博客为基于《数据可视化第二版》一书的教学资源博客。本文主要是第11章，相关可视化的案例相关。

可视化视角-相关

在这里插入图片描述

在这里插入图片描述

代码实现

安装依赖

pip install scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tushare==1.2.89 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install mplfinance==0.12.9b7 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install pyheatmap==0.1.12  -i https://pypi.tuna.tsinghua.edu.cn/simple

散点图

散点图1-基本散点图
import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets
import seaborn as sns

# 基本散点图
a = np.random.randint(30, size=100)
b = np.random.randint(20, size=100)
asorted = sorted(a)
bsorted = sorted(b)
bsorted2 = sorted(b, reverse=True)
plt.scatter(asorted, bsorted)
plt.scatter(asorted, bsorted2)
plt.show()

输出为：
在这里插入图片描述

散点图2-散点折线图
# 散点折线图
x = [2, 4, 6, 9, 12, 15, 18, 21, 24]
y = [12, 17, 10, 32, 15, 24, 5, 20, 16]
plt.scatter(x, y)
plt.plot(x, y)
plt.show()

输出为：
在这里插入图片描述

散点图3-回归散点图
# 回归数据散点图
data = datasets.make_regression(n_samples=80,
                                n_features=1,
                                n_targets=1,
                                noise=10,
                                random_state=144)  # 生成回归数据，添加轻微扰动
x = data[0]  # x为50行1列
y = data[1]  # y为1行50列
plt.scatter(x[:, 0], y, s=8)
plt.show()

输出为
在这里插入图片描述

散点图4-回归数据散点图
# 回归
data = datasets.make_regression(n_samples=30,
                                n_features=1,
                                n_targets=1,
                                noise=20,
                                random_state=144)  # 生成回归数据，添加轻微扰动
x = data[0]  # x为50行1列
y = data[1]  # y为1行50列
sns.regplot(x=x[:, 0], y=y)  # 添加回归线
plt.show()

输出为：
在这里插入图片描述

散点图5-分类数据散点图
# 分类数据散点图
X1, y1 = datasets.make_classification(
    n_samples=300, random_state=1, n_features=2, n_redundant=0, n_informative=2)
plt.scatter(X1[:, 0], X1[:, 1])
plt.show()

moons = datasets.make_moons(n_samples=150, noise=.09, random_state=10)
x = moons[0]
y = moons[1]
plt.scatter(x[:, 0], x[:, 1], c=y)  # 可视化月牙图形
plt.show()

输出为：
在这里插入图片描述

在这里插入图片描述

气泡图

气泡图1-
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

# 图例1
a = [5, 6, 8, 20, 27, 14, 19, 24, 13, 28, 30, 23, 7, 8, 33, 6, 9, 26, 27, 4]
b = [5, 7, 8, 16, 23, 28, 23, 20, 29, 34, 35, 30, 32, 27, 14, 19, 24, 23, 28, 30]
colors = np.random.rand(len(a))  # 颜色数组
size = [212, 225, 375, 420, 225, 356, 287, 300, 382, 375, 425, 543, 654, 609, 543, 435, 320, 525, 656, 287]
plt.scatter(a, b, s=size, c=colors, alpha=0.6)
plt.show()

输出为：
在这里插入图片描述

气泡图2-
sns.set(style="white")
a = [0.1, 0.2, 0.35, 0.5, 0.8, 0.9]
b = [0.4, 0.1, 0.5, 0.9, 0.4, 1]
size = [2500, 2560, 250, 2400, 2500, 750]
plt.scatter(a, b, s=size, c='g', alpha=0.6)
plt.axis([-0.1, 1.1, -0.2, 1.2])
plt.show()

输出为：
在这里插入图片描述

相关图

相关图1-
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets

# 相关图图例一
x = datasets.load_iris().data
m = 0
l = x.shape[1]
plt.figure(figsize=(8, 8))
sns.set(style="darkgrid")

# matplotlib画图中文显示会有问题，需要这两行设置默认字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']
for i in range(l):
    for j in range(l):
        m += 1
        plt.subplot(4, 4, m)
        if i != j:
            plt.scatter(x[:, i], x[:, j], s=3)  # 画出散点图，设置点的大小为3
            plt.grid(True)  # 显示网格
            if j == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[j])  # 只在最后一行设置横标签
        else:
            plt.hist(x[:, i], edgecolor='black')  # 画直方图，使边框为黑色
            plt.grid(True)  # 显示网格
            if i == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[i])  # 只在最后一行设置横标签

plt.show()

在这里插入图片描述

相关图2-
# 相关图图例2

x = datasets.load_iris().data
m = 0
l = x.shape[1]
plt.figure(figsize=(8, 8))
sns.set(style="darkgrid")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# matplotlib画图中文显示会有问题，需要这两行设置默认字体
name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']
for i in range(l):
    for j in range(l):
        m += 1
        plt.subplot(4, 4, m)
        if i != j:
            sns.regplot(x=x[:, i], y=x[:, j], marker='.')  # 添加回归线
            if j == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[j])  # 只在最后一行设置横标签
        else:
            plt.hist(x[:, i], edgecolor='black')  # 画直方图，使边框为黑色
            if i == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[i])  # 只在最后一行设置横标签
plt.show()

在这里插入图片描述

相关图3-
# 相关图图例3

sns.set(style="ticks", color_codes=True)
sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'FangSong']})  # 解决中文乱码问题
name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']

data = datasets.load_iris()
x = pd.DataFrame(datasets.load_iris().data, columns=name)
sns.pairplot(x)
plt.show()

在这里插入图片描述

相关图4-
# 相关图图例4

x = datasets.load_iris().data
y = datasets.load_iris().target
m = 0
l = x.shape[1]
plt.figure(figsize=(8, 8))
sns.set(style="darkgrid")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# matplotlib画图中文显示会有问题，需要这两行设置默认字体
name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']
labels = ['山鸢尾', '变色鸢尾', '维吉尼亚鸢尾']
for i in range(l):
    for j in range(l):
        m += 1
        plt.subplot(4, 4, m)
        if i != j:
            plt.scatter(x[:, i][y == 0], x[:, j][y == 0], s=3)  # 画出散点图，设置点的大小为3
            plt.scatter(x[:, i][y == 1], x[:, j][y == 1], s=3)  # 画出散点图，设置点的大小为3
            plt.scatter(x[:, i][y == 2], x[:, j][y == 2], s=3)  # 画出散点图，设置点的大小为3
            plt.grid(True)  # 显示网格
            if j == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[j])  # 只在最后一行设置横标签
        else:
            sns.kdeplot(data=x[:, i][y == 0], shade=True)
            sns.kdeplot(data=x[:, i][y == 1], shade=True)
            sns.kdeplot(data=x[:, i][y == 2], shade=True)
            if i == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
            if i == 3: plt.xlabel(name[i])  # 只在最后一行设置横标签
plt.legend(labels, bbox_to_anchor=(1.05, 4.6), loc=2)
plt.show()

在这里插入图片描述

相关图5-
# 相关图图例5

data = datasets.load_iris()
x = datasets.load_iris().data
y = datasets.load_iris().target
m = 0
l = x.shape[1]
plt.figure(figsize=(8, 8))
sns.set(style="darkgrid")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# matplotlib画图中文显示会有问题，需要这两行设置默认字体
name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']
# labels=['山鸢尾','变色鸢尾','维吉尼亚鸢尾']
for i in range(l):
    for j in range(l):
        m += 1
        plt.subplot(4, 4, m)
        plt.scatter(x[:, i][y == 0], x[:, j][y == 0], s=3, label='山鸢尾')  # 画出散点图，设置点的大小为3
        plt.scatter(x[:, i][y == 1], x[:, j][y == 1], s=3, label='变色鸢尾')  # 画出散点图，设置点的大小为3
        plt.scatter(x[:, i][y == 2], x[:, j][y == 2], s=3, label='维吉尼亚鸢尾')  # 画出散点图，设置点的大小为3
        plt.grid(True)  # 显示网格
        if j == 0: plt.ylabel(name[i])  # 只在第一列设置纵标签
        if i == 3: plt.xlabel(name[j])  # 只在最后一行设置横标签
plt.legend(bbox_to_anchor=(1.05, 4.6), loc=2)
plt.show()

在这里插入图片描述

相关图6-
# 相关图图例6

data = datasets.load_iris()
x = datasets.load_iris().data
y = datasets.load_iris().target
m = 0
l = x.shape[1]
plt.figure(figsize=(8, 8))
sns.set(style="darkgrid")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# matplotlib画图中文显示会有问题，需要这两行设置默认字体
name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度']
# labels=['山鸢尾','变色鸢尾','维吉尼亚鸢尾']
for i in range(l):
    for j in range(l):
        m += 1
        plt.subplot(4, 4, m)
        plt.scatter(x[:, i][y == 0], x[:, 3 - j][y == 0], s=3, label='山鸢尾')  # 画出散点图，设置点的大小为3
        plt.scatter(x[:, i][y == 1], x[:, 3 - j][y == 1], s=3, label='变色鸢尾')  # 画出散点图，设置点的大小为3
        plt.scatter(x[:, i][y == 2], x[:, 3 - j][y == 2], s=3, label='维吉尼亚鸢尾')  # 画出散点图，设置点的大小为3
        plt.grid(True)  # 显示网格
        if j == 0:  plt.ylabel(name[i])  # 只在第一列设置纵标签
        if i == 3: plt.xlabel(name[3 - j])  # 只在最后一行设置横标签
plt.legend(bbox_to_anchor=(1.05, 4.6), loc=2)
plt.show()

在这里插入图片描述

热力图

热力图1-
from pyheatmap.heatmap import HeatMap
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(6, 5))
x = np.random.randn(4, 4)
sns.heatmap(x, annot=True, vmin=-1, vmax=1)
plt.show()

在这里插入图片描述

热力图2-
from pyheatmap.heatmap import HeatMap
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

# 1
X = [1, 23, 4, 34, 3, 47, 38, 7, 11, 9, 8, 44, 13, 5, 45, 24] * 10
Y = [26, 5, 35, 24, 18, 7, 28, 49, 6, 23, 54, 28, 8, 21, 52, 42] * 10
data = []
for i in range(len(X)):
    tmp = [int(X[i]), int(Y[i]), 1]
    data.append(tmp)
heat = HeatMap(data)
heat.clickmap().show()  # 点击图
heat.heatmap().show()  # 热图

在这里插入图片描述

在这里插入图片描述

二维密度图

二维密度图1-
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn import datasets
import warnings

warnings.filterwarnings("ignore")

# 图例1

x = datasets.load_iris().data
y = datasets.load_iris().target

sns.kdeplot(x=x[:, 0], y=x[:, 3], cmap='Purples',
            shade=True, shade_lowest=False)
plt.show()

在这里插入图片描述

二维密度图2-
# 图例2
cov = [[0.2, 1], [0.5, 0.1]]
mean = [0.4, 0.7]
np.random.seed(123)
y = np.random.multivariate_normal(mean, cov, 100)
sns.kdeplot(x=y[:, 0], y=y[:, 1], shade=True, cmap="Blues", cbar=True)
plt.show()

在这里插入图片描述

二维密度图3-
# 图例3
np.random.seed(123)
x = np.random.randn(100)
y = np.random.binomial(50, 0.5, size=100)
sns.set(style="white", font_scale=1.5)
ax = sns.jointplot(x=x, y=y, kind='kde', cmap="Blues")
plt.show()

在这里插入图片描述

二维密度图4-
# 图例4
mean, cov = [0, 1], [(1, .5), (.5, 1)]
data = np.random.multivariate_normal(mean, cov, 200)
df = pd.DataFrame(data, columns=["x", "y"])
f, ax = plt.subplots(figsize=(6, 6))
cmap = sns.cubehelix_palette(as_cmap=True, dark=0, light=1, reverse=True)
sns.kdeplot(x=df.x, y=df.y, cmap=cmap, n_levels=60, shade=True)
plt.show()

在这里插入图片描述

二维密度图5-
# 图例5
np.random.seed(123)
x = np.random.randn(100)
y = np.random.binomial(50, 0.5, size=100)
sns.set(style="white", font_scale=1.5)
ax = sns.jointplot(x=x, y=y, kind='hex', cmap="Blues")
plt.show()

在这里插入图片描述

教材截图

在这里插入图片描述

IT从业者张某某
关注
专栏目录
Python数据可视化实战全书教案1-8章全.pdf
07-08
- 理论部分讲解数据和数据可视化的基础，介绍Python数据可视化库的优势，以及如何利用Jupyter Notebook进行数据处理和绘图。 - 实验部分则让学生实际操作，安装Anaconda，使用Jupyter Notebook进行数据读取、处理...
数据可视化——图表类型选择
热门推荐
TC147147147的博客
01-03 1万+
目录 图表的功能性总结 图表类型总结 比较类 柱状图​​​和柱状图变体 本文借鉴了AntV的图表用法介绍：https://antv-2018.alipay.com/zh-cn/vis/chart/index.html，在此基础上，加入了自己的理解，剔除了我认为价值不大的图表类型和内容。 数据可视化图表类型选择，需要从已有数据出发，考虑自己有什么数据，想要用数据图表做什么，也就是图表的功能。然后要考虑图表对使用者的理解能力要求，也就是可理解性。 图表的功能性总结 可视化图表所具有的功能有很多，
Tableau实训《大数据可视化技术与应用》教材p146-151
m0_56722741的博客
05-07 191
Tableau实训《大数据可视化技术与应用》教材p146-151
《Python数据分析与数据可视化》教材插图彩图
董付国的Python专栏
06-05 273
2023年暑假“Python数据采集、分析与可视化原理及实战”研修班通知董付国老师Python系列教材推荐与选用参考开学第一课：一定不要这样问老师Python问题3000道Python习题免费在线练习=============版权声明：由于公众号后台规则问题，本文暂时无法设置原创标记，但仍属原创内容，微信公众号“Python小屋”坚持只发原创技术文章。=============推荐教材：董付国著，...
《Python数据分析与数据可视化》教学大纲
董付国的Python专栏
06-24 961
2023年暑假“Python数据采集、分析与可视化原理及实战”研修班通知董付国老师Python系列教材推荐与选用参考开学第一课：一定不要这样问老师Python问题3000道Python习题免费在线练习=============版权声明：由于公众号后台规则问题，本文暂时无法设置原创标记，但仍属原创内容，微信公众号“Python小屋”坚持只发原创技术文章。=============推荐教材：董付国著，...
第二部分-matlab语言基础(共119张PPT).pptx
11-16
MATLAB，全称为Matrix Laboratory，是一种专门用于数值计算、符号计算、数据可视化和建模的高级编程环境。它的起源可以追溯到20世纪七十年代，由Cleve Moler教授使用FORTRAN开发，最初是作为矩阵计算的工具。随着...
第11-12章notebook课件.txt
03-29
#### 二、第11章：Notebook基础操作 - **安装配置**：介绍如何安装Jupyter Notebook环境，包括Python环境的搭建及依赖库的安装。 - **启动与使用**：演示如何启动Notebook服务，讲解基本的用户界面操作，如新建、...
Python数据可视化实战全书教案1-8章全.docx
06-08
#### 第1章 Python数据可视化概述 **知识点一：数据的概念** - 数据是指所有能输入计算机并被计算机程序处理的符号的介质的总称，是用于输入电子计算机进行处理的具有一定意义的数字、字母、符号和模拟量等的统称...
《数据的可视化实训》-实验报告
01-03
《数据的可视化实训》实验报告主要探讨了使用MATLAB进行数据可视化的实践操作，涵盖了从基本的二维曲线绘制到复杂的图形编辑与分析。本实验基于曹戈主编的《MATLAB教程及实训（第三版）》第三章内容，旨在让学生熟练...
可视化数据.pdf
09-06
可视化数据.pdf
数据可视化
花开无言
08-06 595
准备先试一试Highcharts
阅读笔记：利用Python进行数据分析第2版——第9章 绘图和可视化
明月清風
05-28 565
信息可视化（也叫绘图）是数据分析中最重要的工作之一。Python有许多库进行静态或动态的数据可视化，但我这里重要关注于matplotlib和基于它的库。 matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，其目的是为Python构建一个MATLAB式的绘图接口。matplotlib和IPython社区进行合作，简化了从IPython shell（包括现在的Jupyter notebook）进行交互式绘图。matplotlib支持各
学习数据可视化，读哪本书比较好？
hitchenghengchao的博客
04-11 1550
入门数据可视化的小伙伴往往都会问这样一个问题：我应该从哪里开始学起，有什么书推荐吗？这个问题之所以普遍，是因为数据可视化是一个相当交叉的学科，既涉及数据分析，也涉及设计和编程。而这三大方向...
TKinter实现与Dash应用的同步启停控制
最新发布
qq_41685627的博客
11-14 301
这个方案实现了Tkinter和Dash的无缝集成，既保持了桌面应用的便捷性，又能够利用Web可视化的强大功能。通过合理的进程管理，确保了应用程序的可靠性和用户体验。
【python GUI编码入门-25】如何在Tkinter中使用Matplotlib绘制图表
木头大左的博客
11-12 267
Tkinter是Python的标准GUI库，用于创建桌面应用程序。它提供了丰富的控件和功能，如按钮、标签、文本框等，使得开发者可以轻松构建图形用户界面。Tkinter的优势在于其简单易用，且与Python标准库集成紧密。
Python数据分析NumPy和pandas（二十九、其他Python可视化工具）
FreedomLeo1的博客
11-11 290
例如： Altair、Bokeh 和 Plotly 等工具，可以在 Python 中指定用于 Web 浏览器的动态交互式图形。如果要创建用于打印或 Web 的静态图形，建议使用 matplotlib 和基于 matplotlib 构建的库，例如 pandas 和 seaborn，以满足我们的开发和数据分析需求。总结一下：这几次记录的的目标是学习使用 pandas、matplotlib 和 seaborn 进行一些基本的数据可视化。有关数据可视化是一个活跃的研究领域，值得我们更加深入的学习。
推荐一款CFD/CAE可视化分析软件：Tecplot 360 EX
11-13 627
是一款完全的CFD/CAE可视化分析软件。Tecplot 360 EX是tecplot公司专门针对大数据而推出的tecplot360的新版本。把关键的工程绘图与先进的数据可视化的功能完美的在一套工具之内结合起来。
MATLAB编程第二版-邢树军郑碧波译中文版
"MATLAB编程(第二版)-菜鸟入门教材，由Stephen J. Chapman撰写，邢树军和郑碧波翻译，是一本面向初学者的MATLAB入门教程，同时也适合进阶学习。本书包括源代码测试、彩色截图以及附录A和B的完整内容，旨在帮助学习者...
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

IT从业者张某某

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