1️⃣柱状图
柱状图适用场合是二维数据集(每个数据点包括两个值x和y)
,但只有一个维度需要比较。例如:年销售额就是二维数据,”年份”和”销售额”就是它的两个维度,但只需要比较”销售额”这一个维度。
绘制折线图使用plt.plot()
方法,而绘制柱形图我们使用plt.bar()
函数:
plt.bar(x,height,width,color)
代码参数:
x:记录x轴上的标签
height:记录每个柱形的高度
width:设置柱形的宽度
color:设置柱形的颜色,传入颜色值的列表,例如:
[‘blue’,‘green’,‘red’]。
这里就用电影和票房的关系来展示柱状图的优点,看不懂没关系,下面有代码的解释
%matplotlib inline
from matplotlib import pyplot as plt
a = ['流浪地球','疯狂的外星人','飞驰人生','大黄蜂','熊出没·原始时代','新喜剧之王']
b = [38.13,19.85,14.89,11.36,6.47,5.93]
plt.rcParams['font.sans-serif'] = ['SimHei'] #windows下使用这种方法
plt.figure(figsize=(20,8),dpi=80)
# 绘制柱状图
rects = plt.bar(a,b,width=0.2,color=['red','green','blue','cyan','yellow','gray'])
plt.xticks(a,)
plt.yticks(range(0,41,5),range(0,41,5))
# 在条形图上加标注(水平居中)
for rect in rects:
height = rect.get_height()
plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center")
plt.show()
✨效果
我们使用了plt.text( )函数为每个柱形标注高度数值。
plt.text(x,y,s,ha,va)
函数中:
前两个参数分别为标注数据的坐标,x和y坐标,
参数s记录标注的内容,
参数ha和va分别用于设置水平和垂直方向的对齐方式.
rects是plt.bar()的返回值,里面包含了每一个柱形为每个柱形添加数值标注需要逐个添加,所以我们设置了一个循环来完成这项操作。
for rect in rects:
height = rect.get_height()
plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center")
通过get_height()
、get_x()
、rect.get_width()
等方法可以分别拿到柱形图的高度,左侧边的x值,柱子的宽度。然后,使用plt.text添加上文字
,这样就可以清晰地看出每个柱形的高度了。
2️⃣直方图
直方图一般用来描述等距数据,柱状图一般用来描述名称(类别)数据或顺序数据。
直观上,直方图各个长条形是衔接在一起的,表示数据间的数学关系;
条形图各长条形之间留有空隙,区分不同的类。
plt.hist(data, bins, facecolor, edgecolor)
常用参数
data:绘图用到的数据
bins:控制直方图中的区间个数
facecolor:矩形的填充颜色
edgecolor:条形的边框颜色
%matplotlib inline
from matplotlib import pyplot as plt
time = [131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114,
119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115, 99,
136, 126, 134, 95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117, 86, 95, 144,
105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123, 86, 101, 99, 136,123,
117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116,
108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125,
138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140, 83, 110, 102,123,
107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109,
106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144, 83, 123,
111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109,
141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103,
130, 141, 117, 106, 114, 121, 114, 133, 137, 92,121, 112, 146, 97, 137, 105, 98,
117, 112, 81, 97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111,
101, 110,105, 129, 137, 112, 120, 113, 133, 112, 83, 94, 146, 133, 101,131, 116,
111, 84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]
plt.rcParams['font.sans-serif'] = ['SimHei'] #windows下使用这种方法
# 2)创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 3)绘制直方图
# 设置组距
distance = 2
# 计算组数
group_num = int((max(time) - min(time)) / distance)
# 绘制直方图
plt.hist(time, bins=group_num)
# 修改x轴刻度显示
plt.xticks(range(min(time), max(time))[::2])
# 添加网格显示
plt.grid(linestyle="--", alpha=0.5)
# 添加x, y轴描述信息
plt.xlabel("电影时长大小")
plt.ylabel("电影的数据量")
# 4)显示图像
✨效果
这样我们就绘制计出这些电影时长的分布状态直方图。我们看到电影时长最多的在110到112之间。
其实,绘制直方图的重点在于设置组距,然后分为若干组。用矩形的高度表示每一组数据的频数
。
那么直方图和柱形图究竟有什么区别呢。
第一,柱形图中用柱形的高度表示各类别的数值,横轴表示类别,宽度是固定的
;而直方图是用矩形的高度表示每一组的频数或频率,宽度则表示各组的组距,因此其高度与宽度均有意义。
第二,直方图主要用于展示连续型数值型数据
,所以各矩形通常是连续排列的;而柱形图主要用于展示分类型数据,常常是分开排列的。
3️⃣散点图
散点图是判断变量之间是否存在数量关联趋势,展示离群点。每个点的坐标位置由变量的值决定,并由一组不连接的点完成,用于观察两种变量的相关性。例如,身高—体重、温度—维度。
常用参数:
x,y:数组
s:散点图中点的大小,可选
c:散点图中点的颜色,可选
marker:散点图的形状,可选
alpha:表示透明度,在 0~1 取值,可选
linewidths:表示线条粗细,可选
plt.scatter(x,y,s,c,marker,alpha,linewidths)
下面就用随机数来演示一下散点图
import pandas as pd
import numpy as np
data = np.random.randint(100, 200, size=(100, 2))
df = pd.DataFrame(data,columns=['身高', '体重'])
df.sort_index(level=0)# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)
# 使用scatter绘制散点图
plt.scatter(df['身高'],df['体重'],alpha=0.5,c='blue')
plt.show()
✨效果
将身高和体重数据分别作为散点图的x轴和y轴数据,并且将点的颜色设置为蓝色,透明度设置为0.5。这样我们就成功绘制计出身高和体重的散点图。
因为这不是真正的数据,所以没有参考的价值,只是用来演示。
4️⃣饼图
startangle:设置起始绘制角度,默认图是从x轴正方向逆时针画起,如果设定startangle=90,则从y轴正方向画起
饼图是展示 分类数据的占比情况,就是反映某个部分占整体的比重,比如贫穷人口占总人口的百分比。
饼图的整个圆代表总数据,各个扇形表示每项数据,我们可以根据扇形的角度清楚地看出每个扇形占总数据的比例。
plt.pie(x, labels, autopct, shadow, startangle)
常用参数
x:绘制用到的数据
labels:用于设置饼图中每一个扇形外侧的显示说明文字
autopct:设置饼图内百分比数据,可以使用format字符串或者format function,例如’%.1f%%’指小数点后保留1位小数
shadow:表示是否在饼图下面画阴影,默认值:False,即不画阴影
因为数据量太大,所以这里只演示核心的代码,获取数据就只能用“数据”两字代替了
from matplotlib import pyplot as plt
import pandas as pd
plt.rcdefaults()
plt.rcParams['font.sans-serif'] = ['SimHei']
df = pd.read_csv('数据')
# 分组
groups = df.groupby(by='大分类').size()
# 绘制饼图
plt.pie(groups,labels=groups.index, autopct='%.1f%%',startangle=90)
# 图形展示
plt.show()
✨效果
df.groupby(‘大分类’).size()按照类型变量分类对原数据分组,使用groupby函数,然后计算每组数据的数据量,使用size()函数,将输出的数据记录为num。(忘记的可以重新回去看看)
plt.pie()会有三个返回值
patches: matplotlib.patches.Wedge列表(扇形实例)
l_text:label matplotlib.text.Text列表(标签实例)
p_text:label matplotlib.text.Text列表(百分比标签实例)