Python数据分析笔记----第九章绘图与可视化

最新推荐文章于 2023-09-11 11:29:46 发布

Vae+

最新推荐文章于 2023-09-11 11:29:46 发布

阅读量1.2k

点赞数

分类专栏： Python 文章标签： python 数据可视化可视化

本文链接：https://blog.csdn.net/m0_48302179/article/details/111597878

版权

Python 专栏收录该内容

11 篇文章 1 订阅

订阅专栏

文章目录

关于matplotlib详解，请看这篇文章

1. matplotlib入门

1.1 %matplotlib inline与%matplotlib notebook

%matplotlib notebook是在Jupyter中，用于生成交互式绘图

如果只是简单的画图，不需要生成交互式绘图，则在jupyter中只需要使用魔术命令%matplotlib inline

而%matplotlib是在IPython中画图需要的，用于在IPython生成交互式绘图

%matplotlib inline#注意与下面的%matplotlib notebook生成的图比较

import matplotlib.pyplot as plt

import numpy as np

data = np.arange(10)

print(data)

plt.plot(data,data)

在这里插入图片描述

%matplotlib notebook#注意与上面的%matplotlib inline生成的图比较

import matplotlib.pyplot as plt

import numpy as np

data = np.arange(10)

print(data)

plt.plot(data,data)

在这里插入图片描述

1.2 图片与子图

两种生成图和子图的方式：

#先生成图，然后添加子图
fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)#子图序号从1开始
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)

在这里插入图片描述

fig,axes = plt.subplots(2,2)#图与子图一起生成
#这里通过axes数组来调用某个子图时，和正常数组索引一样，从零开始，而不像上面一样，子图序号从1开始

在这里插入图片描述

在Jupyter中，最好将所有的绘图命令放在一个单元格内，因为在Jupyter中每个单元格运行后，图表会被重置，在后面运行的绘图指令可能不会显示。

子图就是坐标系，但坐标系不是子图，二者区别可以看文章前面的链接。画图命令可以直接通过坐标系调用，（上面的ax1,ax2,ax3都是坐标系，axes是一个2*2的坐标系列表），如果不通过坐标系来调用绘图命令，直接通过plt来调用绘图命令，则会自动调用子图中最后一个子图来绘图

fig,axes = plt.subplots(2,2)
# axes[0,0].plot(data)
plt.plot(data)#并没有指明在哪一个子图上面绘图，会自动在最后一个子图上面绘图

在这里插入图片描述

1.2.1 调整子图间的间距

plt.subplots_adjust(wspace,hspace)

wspace:表示子图间横向间隔距离
hspace:表示子图间纵向间隔距离

fig,axes = plt.subplots(2,2)
# axes[0,0].plot(data)
plt.plot(data)
plt.subplots_adjust(wspace=0,hspace=0)#下图中，子图间的间隔为0

在这里插入图片描述

1.2.2 设置图的大小

在生成图的时候传入参数figsize=(长，宽)，就可以设置图的大小，长和宽的的单位都是像素

具体来说

figure = plt.figure(figsize=(长，宽))
figure,axes = plt.subplots(nrows,ncols,figsize=(长，宽))

1.3 设置绘图范围

获取绘图范围
- plt.xlim()，plt.ylim()
- ax.get_xlim()，ax.get_ylim()
- 优先选用ax方式来获得绘图范围
设置绘图范围
- plt.xlim([0,10])，plt.ylim([0,10])
- ax.set_xlim([0,10])，ax.set_ylim([0,10])
- 上面两种方法将坐标轴的绘图范围设置为0到10
- 优先选用ax的方式来设置绘图范围，因为比较清晰，比较显示知道在干什么

1.4 设置标题

ax.set_title('title')

1.5 设置轴标签

ax.set_xlabel('xlabel')#设置x轴的标签
ax.set_ylabel('ylabel')#设置y轴的标签

1.6 设置刻度以及刻度标签

ax.set_xticks([0,250,500,750,1000])
ax.set_xticklabels(['one','two','three','four','five'],rotation=30,fontsize='small')
#y轴上面的刻度设置类似

1.7 批量设置绘图属性

props = {'title':'my title','xlabel':'xlabel'}
ax.set(**props)#即可批量设置ax的标题和x轴标签，两个*不能少

1.2~1.7举例

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

fig,ax = plt.subplots(2,2,figsize=(10,10))#设置图片大小
plt.subplots_adjust(wspace=0.15,hspace=0.15)#设置子图间间距

data = np.random.randn(1000).cumsum()

ax[0,0].plot(data)
ax[0,0].get_xlim()
ax[0,0].get_ylim()
ax[0,0].set_xlim(-100,1100)#设置x轴的绘图范围
ax[0,0].set_ylim(data.min()-10,data.max()+10)#设置y轴的绘图范围
ax[0,0].set_title('Random Data')#设置标题
ax[0,0].set_xlabel('xlabel')#设置x轴的标签
ax[0,0].set_ylabel('ylabel')#设置y轴的标签
ax[0,0].set_xticks([0,200,400,600,800,1000])#设置x轴上的刻度
ax[0,0].set_xticklabels(['a','b','c','d','e','f'],rotation=30,fontsize='small')#设置x轴上的刻度标签

#######上述属性设置，除了xticklabels中的rotation和fontsize不知道怎么用下面方法代替，其他全部可以通过下面set方法，批处理代替

# props = {'title':'Random Data','xlim':[-100,1100],'ylim':[data.min()-10,data.max()+10],
#         'xlabel':'xlabel','ylabel':'ylabel','xticks':[0,200,400,600,800,1000],
#         'xticklabels':['a','b','c','d','e','f']}
# ax[0,0].set(**props)

没有使用set批处理方法的结果

在这里插入图片描述

使用set批处理方法的结果

在这里插入图片描述

1.8 添加图例

ax.legend(loc)

loc：传入的参数表示显示图例的位置，一般传入’best’，它会自动选择合适的位置
只有画图时传入了label参数（比如调用plot()函数画折线时，传入了label参数），调用ax.legend()才会有用
如果想要不想在图例中显示label，则画图时不要传入label参数，或者传入label=’_nolegend_’

1.9 添加文本

ax.text(x,y,文本,family,fontsize)

x,y分别是文本的坐标
文本：要显示的文本内容
family：字体
fontsize：文本大小

ax.text(x,y,'hello.world',family='monospace',fontsize=10)

1.10 添加注释

注释可以同时绘制文本和箭头

ax.annotate(label,xy,xytext,ha,va,arrowprops)

label：要显示的文本
xy：箭头的头坐标
xytext：箭头的尾坐标
ha：水平对齐方式
va：竖直对齐方式
arrowprops：传入一个字典，设置箭头的其他属性

ax.annotate('hello',xy=(1,1),xytext=(5,5),ha='center',va='center',arrowprops=dict(facecolor='black',headwidth=4,width=2,headlength=4))

1.11 保存图片

plt.savefig(fname,dpi,facecolor,format,bbox_inches)

fname：要保存的文件路径或者Python文件型对象字符串。图片格式可以从文件扩展名推断出来（.png，.pdf等）
dpi：分辨率，默认是100
facecolor或edgecolor：子图之外的图形的背景颜色；默认是白色的（‘w’）
format：文件格式。在只给出文件名，没有给出文件扩展名时，可以通过这个参数来指明文件格式
bbox_inches：要保存的图片范围，如果传入’tight’，则会去除图片周围空白部分

plt.savefig('figpath.png',dpi=400,bbox_inches='tight')

#fname不一定需要传入文件的路径，也可以传入Python文件型对象字符串
from io import BytesIO
buffer = BytesIO()
plt.savefig(buffer)
plot_data = buffer.getvalue()

1.12 全局设置matplotlib

plt.rc(参数1，参数2)

参数1：你想要重新设置属性的组件
参数2：你想修改的组件的属性，既可以传入一个属性，也可以传入一个字典，一次性修改多个属性

plt.rc('figure',figsize=(3,6))#将图的大小设置为3*6

font_options = {'family':'monospace','weight':'bold','size':'small'}
plt.rc('font',**font_options)#重新设置的字体的属性，两个*号不能少

2.常见的基本图形的绘制方法

这部分的基本图形的绘制都是基本都是基于Series对象和DataFrame对象的。

2.1 plot()折线图

ax.plot(x,y,color,linestyle,marker,label)

plot使用来画折线图的
x参数是折线图中的点的横坐标，可以省略这个参数，则自动使用y参数的下标当做横坐标
y参数是折线图中的点的纵坐标，不可省略，只传入一个坐标参数时，则传入的值会被当做纵坐标
color，线的颜色，可省略
linestyle，线的样子，可以省略
marker，怎样显示折线图中的点，如果省略则不显示点
label，在生成图例legend的时候需要label来区分不同的线

关于plot()函数参数的详细取值，可以参考这篇博客

或者官方文档

2.2 Series对象和DataFrame对象中的plot()函数

2.2.1 Series对象的plot()函数

默认情况下，series.plot()绘制的是折线图，但是series.plot()可以为series对象绘制其他的图形。

Series.plot()参数列表

label：图例的标签
ax：绘图所用的matplotlib子图对象，如果没有传值，则使用当前活动的matplotlib子图
style：传给matplotlib的样式字符串，如’ko–’
alpha：图片的不透明度（从0到1）
logy：在y轴上使用对数缩放
use_index：bool对象，使用对象索引当做刻度标签
rot：刻度标签的旋转度数（0到360）
xticks：x轴刻度
yticks：y轴刻度
xlim：x轴的绘制范围
ylim：y轴的绘制范围
grid：bool对象，展示轴的网格（默认为False不展示）

import pandas as pd

s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot(grid=True)

在这里插入图片描述

2.2.2 DataFrame对象中的plot()函数

默认情况下，df.plot()会将df中的每一列绘制为不同的折线，并自动生成图例

在Series对象中的plot()函数的参数的基础上，加上下面几个参数

subplots：bool对象，将DataFrame的每一列绘制在独立的子图中
sharex：bool对象，如果subplots=True，则共享相同的x轴，刻度和范围
sharey：bool对象，如果subplots=True，则共享相同的y轴
figsize：图片的尺寸
title：标题
legend：bool对象，默认是True，即默认生成图例。
sort_columns：按字母顺序绘制各列，默认情况下使用已有的列顺序

df = pd.DataFrame(np.random.randn(10,4).cumsum(axis=0),columns=['A','B','C','D'],index=np.arange(0,100,10))

df.plot()#默认绘制

df.plot(subplots=True,legend=False,title='TEST')#修改了一些属性，注意对比两幅图的区别

在这里插入图片描述

2.3 柱状图

plot.bar() 用于绘制垂直柱状图
plot.barh()用于绘制水平柱状图
柱状图也叫条形图

2.3.1 Series对象中的柱状图

在绘制柱状图时，Series对象或者DataFrame对象的索引会被用作x轴刻度（bar）或y轴刻度（barh）

fig, axes = plt.subplots(2,1)
s = pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))

s.plot.bar(ax=axes[0],color='k',alpha=0.7)#ax参数是指明在哪一个坐标系中画图
s.plot.barh(ax=axes[1],color='k',alpha=0.7)

在这里插入图片描述

2.3.2 DataFrame对象中的柱状图

在DataFrame对象中，柱状图将每一行中的值分组到并排的柱子中的一组

df = pd.DataFrame(np.random.randn(6,4),index = ['one','two','three','four','five','six'],columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot.bar()
df.plot.barh()

在这里插入图片描述

2.3.2.1 堆积柱状图

df.plot.bar(stacked=True)

df.plot.barh(stacked=True)

堆积柱状图会将df中的每一行的值堆积在一起

df = pd.DataFrame(np.random.randn(6,4),index = ['one','two','three','four','five','six'],columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot.bar(stacked=True)
df.plot.barh(stacked=True)

在这里插入图片描述

2.4 直方图和密度图

直方图是一种条形图，用于给出值频率的离散显示。数据点被分成离散的，均匀间隔的箱，并且绘制每个箱中数据点的数量

2.4.1 Series对象中的直方图

series.plot.hist(bins)

bins，表示将数据划分为几个箱，默认值为10
series的索引会被忽略

s = pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))
s.plot.hist()

在这里插入图片描述

2.4.2 DataFram对象中的直方图

df.plot.hist(bins)

不建议直接对一个df对象调用直方图，因为df.plot.hist()会对每一列调用plot.hist()函数，然后显示在一副图里面，这样会造成不同列的直方图相互覆盖，失去了图形的直观这一特点

df
df.plot.hist(bins=10)

在这里插入图片描述

2.3 密度图

series.plot.density()
df.plot.density()

密度图：通过计算可能产生观测数据的连续概率分布估计而产生。通常做法是将这种分布近似为“内核”的混合，也像正态分布那样简单的分布。因此密度图也被称之为内核密度估计图（KDE），因此密度图还可以通过**series.plot.kde()或者df.plot.kde()**方法生成。

s = pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))
s.plot.hist()
s.plot.density()

在这里插入图片描述

df
df.plot.density()

在这里插入图片描述

2.4 通过seaborn.distplot()来生成直方图和密度图

import seaborn as sns
comp1 = np.random.normal(0,1,size=200)
comp2 = np.random.normal(10,2,size=200)
values = pd.Series(np.concatenate([comp1,comp2]))
sns.distplot(values,bins=100)

在这里插入图片描述

2.5 散点图

只有DataFrame对象有df.plot.scatter(列名1，列名2)来画散点图的方法，Series对象没有。

通过df对象的plot.scatter()方法绘制散点图
```
df.plot.scatter('A','B')
```
通过plt.scatter()方法绘制散点图
```
plt.scatter(df['A'],df['B'])
```

在这里插入图片描述

通过seaborn库来绘制散点图

import seaborn as sns
sns.scatterplot('A','B',data=df)
sns.regplot('A','B',data=df)#同时画出散点图和回归线

在这里插入图片描述

2.6 成对图或散点图矩阵

sns.pairplot(df,diag_kind,plot_kws={})

df：数据源，需要绘制的数据，一般是DataFrame对象
diag_kind：表示在主对角线上，画画什么图形，如’kde’表示在主对角线上画密度图，'hist’表示在主对角线上画直方图
plot_kws={}：表示传入的是一个字典，用来设置成对图或散点图矩阵的一些属性

import seaborn as sns
sns.pairplot(df,diag_kind='kde',plot_kws={'alpha':0.2})

在这里插入图片描述

2.7 分面网格和多分类数据

使用seaborn库中的factorplot()函数，可以非常方便的绘制多分类数据。factorplot()函数会返回一个包含多个子图的图，

sns.factorplot(x,y,hue,row,col,kind,data)

x：每个子图的横轴，传入的是data的列名
y：每个子图的纵轴，传入的是data的列名
hue：如果分类完全了，则不需要hue参数，如果没有分类完全，则需要hue参数来定义哪一列需要在每个子图中按类别画，传入的是data的列名
col：如果将子图矩阵看成一个dataframe的话，col就是columns，传入的是data的列名
row：如果将子图矩阵看成一个dataframe的话，row就是index，传入的是data的列名
kind：表示需要画什么样的图形，如’kde’表示画密度图，'hist’表示画直方图
data：传入的是数据源，一般是DataFrame对象，需要画图形的数据

举例：

tips.head()

在这里插入图片描述

sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker',
               kind='bar', data=tips[tips.tip_pct < 1])

在这里插入图片描述

sns.factorplot(x='day', y='tip_pct', row='time',
               col='smoker',
               kind='bar', data=tips[tips.tip_pct < 1])

在这里插入图片描述

sns.factorplot(x='tip_pct', y='day', kind='box',
               data=tips[tips.tip_pct < 0.5])#箱线图

在这里插入图片描述

Vae+

关注

0
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录