一表联通三大绘图工具

最新推荐文章于 2024-10-16 20:14:49 发布

预测模型的开发与应用研究

最新推荐文章于 2024-10-16 20:14:49 发布

阅读量184

点赞数 1

文章标签：数据挖掘机器学习 python

本文链接：https://blog.csdn.net/skyskytotop/article/details/125177201

版权

一表联通三大绘图工具

绘图的三个步骤：1.设置绘图的style； 2.准备数据；3.绘图，特别是后两个步骤，讲究无缝衔接，一气呵成。
pandas本身设置了绘图的接口，dataframe.plot()和series.plot()，另外， seaborn和plotly也实现了对df的支持，以上的操作，已经极大地增加了绘图的流畅度。说到这，大家以为我题目中的“表”指的是pandas的dataframe，也算对，更具体来说我指的是pandas的透视表。透视表在data frame的基础上提供了聚合函数的功能， Index和columns转换等功能，能够方便地获得符合绘图要求的数据表，使得数据整理和绘图无缝衔接，进一步提高了绘图的流畅度。或许有的已经在用，我这里给总结一下。

一、matplotlib

Pandas本身提供了matplotlib的接口，经过整理的透视表后面加上.plot()，不添加任何的参数就可以展示数据图形，其所绘的图形可以用任何matplotlib的命令进行修饰。值得一提，这里index是一个比较特殊的一个存在，在绘图中的有着重要的作用，而后面介绍的两个文库，他们没有index的这个概念。如果不指定X轴的情况下，index会作为X轴， Column的数据作为y轴。举个例子。

import pandas as pd 
import matplotlib.pyplot as plt
df=pd.read_csv('/home/mw/input/breast_cancer9185/SEER Breast Cancer Dataset .csv')
# df.info()
#最简单的用法,这里还没用到透视表,因为用到的数据都已经在df表里了
plt.style.use('ggplot')
_,(ax1,ax2)=plt.subplots(1,2,figsize=(10,6),sharey=True)
df.plot(x='Age',y='Tumor_Size',kind='scatter',ax=ax1)
ax1.set_title('DataFrame')

#接下来，我们用一下透视表
#绘图题目：不同Estrogen_Status(X轴)下的Tumor_Size
df_matplotlib=pd.pivot_table(data=df,index='Estrogen_Status',aggfunc=['mean','std'],values='Tumor_Size',columns='Race ')

df_matplotlib.plot(y='mean',kind='bar',ax=ax2,yerr='std',capsize=4)#不指定x的情况下，默认index是X轴；这里大家可以试一试不指定y的情况。
ax2.set_ylabel('Tumor Size')
ax2.set_title('Pivot_table')
plt.legend(loc='center right',bbox_to_anchor=(2.4,0.5))
df_matplotlib.head()

在这里插入图片描述

二、seaborn

seaborn是在matplotlib的基础上进行的高级封装，其的特点就是对data frame的支持以及具有统计属性，所以说用seaborn进行绘图代码，更加的简洁。与pandas的绘图功能相比，seaborn没有索引的概念，它对数据表里的所有的数据一视同仁，都是引用column里面的数据，也就是说必须指定x和y，这也是后面要提到的plotly的一种方式，所以如果要用到索引里面的数据，就要用pandas reset_index命令的将index里边的数据释放到column里面。下面我们来看一个例子：

import seaborn as sns
df.info()
print('-'*100)
#我们还是使用上图的第二个题目:不同Estrogen_Status(X轴)下的Tumor_Size,上面是用pivot_table和matplotlib实现的
_,(ax1,ax2)=plt.subplots(1,2,figsize=(10,6))
sns.barplot(data=df,x='Estrogen_Status',y='Tumor_Size',hue='Race ',ci='sd',capsize=0.1,ax=ax1)
ax1.legend(loc='upper center',bbox_to_anchor=(0.5,1.2))

#下面我们使用透视表结合seaborn，绘图题目：每个年龄阶段的死亡和非死亡的人数，死亡的人数是原来表中没有的，我们用透视表来实现
df_sns=pd.pivot_table(df,index='Age',columns='Status',aggfunc='count',values='A_Stage')
df_sns=df_sns.reset_index()#释放所有的列
df_sns=pd.melt(df_sns,id_vars='Age',var_name='状态',value_name='人数')#melt也常用
sns.scatterplot(data=df_sns,x='Age',y='人数',size='人数',hue='状态',ax=ax2,legend='brief')
ax2.set_xlabel('年龄')

df_sns.info()

在这里插入图片描述

三、plotly

plotly据说是python绘图的天花板，支持的图表类型众多，功能也丰富，对机器学习、AI的绘图也有支持。 plotly提供了两种绘图模式，一种高级封装的绘图模式的叫做express模式，就是我所说的连接透视表的接口，大家可以看到plotly这个对数据的引用形式和seaborn的引用形式，非常的类似。想来大家已经了解到这篇文章的核心内容了，plotly特色的一种图是动态图，我们来看一看。

import plotly.express as px
df.info()
print('-'*100)

#绘图题目：不同年龄，不同肿瘤尺寸的生存时间的平均值的气泡动态图

df_plotly=pd.pivot_table(df,values='Survival_Months',index=['Age','Tumor_Size','Grade'],aggfunc='mean')#不想变化的column可以先藏到索引里
df_plotly=df_plotly.reset_index()#然后重置索引
print(df_plotly)
fig = px.scatter(df_plotly, x="Tumor_Size", y="Survival_Months",
	         size="Survival_Months",color='Grade',
                 hover_name="Age", size_max=60,animation_frame='Age')
fig.show()

#color部分还是有一个问题，本来是至少三个级别，只显示出两个级别，大家找到问题所在可以通知我😊。