Python数据可视化

Python数据可视化

顾名思义,数据可视化就是将数据转换成图或表等,以一种更直观的方式展现和呈现数据,让读者“一眼看懂”我们想表达的信息,帮助我们发现某种规律和特征,挖掘数据别后的价值.😄

需要注意的是,通常情况下,数据可视化的选择应该注重服务数据分析的目的,而非仅仅处于追求美观或高级的考量.因此,在确定可视化方式时,相比“高级”的图表,应该优先考虑那些更能有效传达数据信的和图标类型.

1. pandas

plot()函数的参数

x和y：表示标签或者位置，用来指定显示的索引，默认为None
kind：表示绘图的类型，默认为line，折线图
line：折线图
bar/barh：柱状图（条形图），纵向/横向
pie：饼状图 hist：直方图（数值频率分布） box：箱型图
kde：密度图，主要对柱状图添加Kernel 概率密度线
area：区域图（面积图）
scatter：散点图 hexbin：蜂巢图
ax：子图，可以理解成第二坐标轴，默认None
subplots：是否对列分别作子图，默认False
sharex：共享x轴刻度、标签。如果ax为None，则默认为True，如果传入ax，则默认为False
sharey：共享y轴刻度、标签
layout：子图的行列布局，(rows, columns)

legend:是否显示图例,默认为True

xlabel:设置x轴标签

ylabel:设置y轴标签

lengenfigsize：图形尺寸大小，(width, height)
use_index：用索引做x轴，默认True title：图形的标题
grid：图形是否有网格，默认None legend：子图的图例
style：对每列折线图设置线的类型，list or dict
logx：设置x轴刻度是否取对数，默认False
logy：设置y轴刻度是否取对数，默认False
loglog：同时设置x，y轴刻度是否取对数，默认False
xticks：设置x轴刻度值，序列形式（比如列表）
yticks：设置y轴刻度值，序列形式（比如列表）
xlim：设置x坐标轴的范围。数值，列表或元组（区间范围）
ylim：设置y坐标轴的范围。数值，列表或元组（区间范围）
rot：轴标签（轴刻度）的显示旋转度数，默认None
fontsize: int, default None#设置轴刻度的字体大小
colormap：设置图的区域颜色
colorbar：柱子颜色
position：柱形图的对齐方式，取值范围[0,1]，默认0.5（中间对齐）
table：图下添加表，默认False。若为True，则使用DataFrame中的数据绘制表格
yerr：y误差线
xerr：x误差线
stacked：是否堆积，在折线图和柱状图中默认为False，在区域图中默认为True
sort_columns：对列名称进行排序，默认为False secondary_y：设置第二个y轴（右辅助y轴），默认为False
mark_right : 当使用secondary_y轴时，在图例中自动用“(right)”标记列标签 ，默认True
x_compat：适配x轴刻度显示，默认为False。设置True可优化时间刻度的显示

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 实验数据
df = pd.DataFrame({
    'length':[1.5, 0.5, 1.2, 0.9, 3],
    'width':[0.7, 0.2, 0.15, 0.2, 1.1],
    'hight':[0.3, 0.4, 0.5, 0.6, 0.8]},
    index=['A', 'B', 'C', 'D', 'E']
)
df.plot(title='sample plot', legend=True, xlabel='letters', ylim=[0, 4]) # legend=True 是否显示图例
plt.show() # 触发 matplotlib 渲染图表并显示窗口

#代码一:使用DataFrame.plot函数
plot = df.plot(kind='bar', title='DataFrame Plot',colormap='Accent_r')
#设置颜色(色图) colormap='Accent_r'
from matplotlib import cm
print(dir(cm)) #颜色种类
plt.show()

#代码二:使用DataFrame.plot.bar函数
plot = df.plot.bar(title='DataFrame Plot')
plt.show()

#使用series
ser = pd.Series(np.random.randn(1000)) #从标准正态分布中生成一列随机数
ser.plot.density()