Python数学建模与分析——Python高级绘图

像一只黄油飞

已于 2024-07-19 22:55:58 修改

阅读量846

点赞数 13

分类专栏： Python数学建模与分析文章标签：数学建模程序人生 python 开发语言笔记学习方法 pandas

于 2024-07-15 16:21:38 首次发布

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/w2663772417/article/details/140439668

版权

Python数学建模与分析专栏收录该内容

6 篇文章 3 订阅

订阅专栏

个人学习笔记，课程为Python数学建模与分析：基础入门、数据处理、算法编程、高级绘图、建模实战！

目录

一、折线图

二、密度图

三、小提琴图

四、拟合回归线

五、散点图

六、散点图矩阵

七、直方图

八、箱型图

九、联合分布图

文中引入的csv文件：

链接：https://pan.baidu.com/s/1NWLzgAir70LQKUxv74lfIg?pwd=d2n5
提取码：d2n5

一、折线图

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
warnings.filterwarnings("ignore")


col1 = np. linspace(0, 10,1000)
col2 = np.sin(col1)
df = pd.DataFrame({"C1": col1 ,"C2":col2})
pd.set_option('dispLay.max_columns',None)
print(df.head(10))
# Plotting linepLot using sns.lineplot()
# plt.style.use('seaborn-darkgrid')-----错的
# 使用 Seaborn 设置主题
sns.set_theme(style="darkgrid")#替换
#matplotlib inline
sns.lineplot(x=df.C1,y=df.C2,data=df)
plt.show()
############################################################################

# 读取数据，不设置特定列为索引
iris = pd.read_csv('E:\pycharm\pyc\iris.data', header=None)
pd.set_option('display.max_columns', None)

# 设置列名
iris.columns = ['SepalLength', 'SepalWidth', 'PetalLength', 'PetalWidth', 'Species']

# 打印前10行数据
print(iris.head(10))

# 绘制线图
plt.figure(figsize=(20, 8))
sns.lineplot(data=iris)
plt.show()

# #################################################################
# 选择几个数值列来绘图
plt.figure(figsize=(20,8))
plt.plot(iris['SepalLength'], label='Sepal Length')
plt.plot(iris['SepalWidth'], label='Sepal Width')
plt.plot(iris['PetalLength'], label='Petal Length')
plt.plot(iris['PetalWidth'], label='Petal Width')
plt.legend()
plt.xlabel('Index')  # 由于我们没有设置特定的x轴数据，这里使用默认的索引
plt.ylabel('Measurement')  # y轴表示测量值
plt.title('Iris Dataset Features')  # 图表标题
plt.show()
############################################################################


plt.figure(figsize=(20, 8))
plt.plot(iris['SepalLength'], label='Sepal Length')
plt.plot(iris['PetalLength'], label='Petal Length')
plt.legend()
plt.xlabel('Index')  # x轴代表数据的索引
plt.ylabel('Length (cm)')  # y轴代表长度，单位为厘米
plt.title('Iris Dataset - Sepal and Petal Lengths')  # 图表标题
plt.show()


# #############################################################无法运行，缺少文件
# employment =pd.read_excel('unemployment.xlsx')
# print(employment.head(10))
# plt.figure(figsize=(14,7))
# plt.style.use('seaborn-darkgrid')
# sns.lineplot(x='Period', y='Unemployed', hue='Gender', data=employment)
# plt.show()
# plt.figure(figsize=(14,7))
# plt.style.use('seaborn-darkgrid')
# sns.lineplot(x='Period', y='Unemployed', hue='Gender', style='Gender', markers=True, dashes=False, data=employment)
# plt.show()
#
# plt.figure(figsize=(14,7))
# plt.style.use('seaborn-darkgrid')
# sns.lineplot(x='Period', y='Unemployed', hue='Gender', style='Gender', err_style='bars', ci=70, data=employment)
# plt.show()
#
# plt.figure(figsize=(14,7))
# plt.style.use('seaborn-darkgrid')
# sns.set(rc={'xtick.labelsize':17,'vtick.labelsize':10,'axes.labelsize':15, 'axes .grid':False})
# sns.lineplot(x='Period', y='Unemployed', hue='Gender', style='Gender',data=employment, dashes=False, palette='CMRmap',markers=['o','>'])
# plt.show()
#
#
# plt.figure(figsize=(14,7))
# plt.style.use('seaborn-darkgrid')
# plt.gcf().text(.2,.84,'GENDER', fontsize=40, color='Black')
# sns.lineplot(x='Period', y='Unemployed', hue='Gender', style='Gender',data=employment, dashes=False, palette='CMRmap',markers=['o','>'])
# plt.show()

二、密度图

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

names = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm', 'class']
iris = pd.read_csv('E:\pycharm\pyc\iris.data', names=names)
# shade=True 表示填充区域下方，cmap='Reds' 设置颜色映射为蓝色系，shade_lowest=True 表示填充最低密度区域
sns.kdeplot(data=iris, x='SepalWidthCm', y='SepalLengthCm', shade=True, cmap='Blues', shade_lowest=True)
plt.show()
# sns.swarmplot 用于绘制分类数据的分布，其中每个类别的值以点云的形式表示。
# figsize 参数控制图形的大小（宽度和高度）。
plt.figure(figsize=(7, 7))  # 创建新的图形窗口
sns.swarmplot(x='class', y='PetalWidthCm', data=iris)
plt.show()

三、小提琴图

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

names = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm', 'class']
iris = pd.read_csv('E:\pycharm\pyc\iris.data', names=names)
# 创建一个新的图形窗口，并设置其大小为7x7英寸
plt.figure(figsize=(7, 7))
# palette='Set2': 这设置了小提琴图的颜色方案，使用了名为'Set2'的调色板。
# dodge=False: 这个参数决定是否将小提琴图的边缘分开。设置为False表示不分开。
sns.violinplot(x="class", y="PetalWidthCm", data=iris, palette='Set2', dodge=False)
plt.show()

四、拟合回归线

import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

names = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm', 'class']
iris = pd.read_csv('E:\pycharm\pyc\iris.data', names=names)
iris1 = iris[iris['class'].isin(['Iris-setosa', 'Iris-versicolour', 'Iris-virginica'])]
# marker='*': 这个参数指定了散点的标记符号）
sns.regplot(x=iris1.SepalLengthCm, y=iris1.SepalWidthCm, color='#FF6600', marker='*')
plt.show()
#logx=True: 这个参数指定了在 x 轴上使用对数刻度。
#回归线样式：'alpha' 设置了线条的透明度为 0.8，'lw' 设置了线条的宽度为 3。
#sns.lmplot(x='bmi',y='charges', hue='smoker', data=insurance, height=8, aspect=1.2)
#lmplot 是一个强大的工具，可用于快速分析和可视化两个变量之间的关系
sns.regplot(x=iris1.SepalLengthCm, y=iris1.SepalWidthCm, logx=True, line_kws={'color':'#FF5722', 'alpha':0.8, 'lw':3})
plt.show()

五、散点图

# import matplotlib.pyplot as plt
# import numpy as np
# import pandas as pd
# import seaborn as sns
# import matplotlib as mpl
# import warnings
# warnings.filterwarnings("ignore")
# sns.set_style('white')
#
# ######################################################缺少文件，无法运行
# employment = pd.read_excel(r'D:\桌面\shumo\newdata\data\unemployment-rate-1948-2010.xls')
# sns.relplot(x='Period', y='value', hue='Gender', data=employment, height=7, aspect=2)
# plt.show()
#
#
# insurance =pd.read_csv('insurance.csv')
# print(insurance.head(10))
# sns.relplot(x='bmi',y='charges', hue='smoker',data=insurance,height=8,aspect=1)
# plt.show()
# sns.relplot(x='Period', y='Unemployed', hue='Gender', col='Age', kind='line',data=employment,height=6, aspect=1,col_wrap=4,linewidth=2)
# plt.show()
#
# sns.relplot(x='bmi',y='charges',hue='sex',col='sex',row='region',data=insurance,height=8,aspect=1)
# plt.show()
#
# sns.relplot(x='bmi', y='charges', hue='sex', col='sex', row='region',data=insurance,height=7,aspect=.6)
# plt.show()


import numpy as np
import pandas as pd
import seaborn as sns
import warnings
import matplotlib.pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

# 读取CSV文件
employment = pd.read_csv('E:\pycharm\pyc\housing.csv')

# 绘制关系图
# 假设我们想要探索房价（MEDV）与房屋年龄（AGE）之间的关系，并根据房间数（RM）来区分颜色
sns.relplot(x='AGE', y='MEDV', hue='RM', data=employment, height=7, aspect=2)
plt.show()


"""  
# 使用seaborn的relplot函数绘制关系图  
# 注意：以下参数和注释已经根据实际的代码和数据集进行了调整  
sns.relplot(  
    x='AGE',          # x轴上的数据列名，这里是房屋年龄  
    y='MEDV',         # y轴上的数据列名，这里是中位数房价  
    hue='RM',         # 根据这个列的值来区分不同的颜色，这里是房间数  
    # col='Age',      # 这行被注释掉了，因为原始数据中没有'Age'列，且'col'参数不能重复指定  
    # kind='line',    # 这行也被注释掉了，因为relplot默认是散点图，且对于AGE和MEDV的关系，散点图更合适  
    # col='sex',      # 这行被注释掉了，因为原始数据中没有'sex'列  
    # row='region',   # 这行被注释掉了，因为原始数据中没有'region'列  
    data=employment,  # DataFrame的名称，这里包含波士顿房价数据的DataFrame名为employment  
    height=7,         # 每个子图的高度（英寸），这里保持为7  
    aspect=2,         # 子图的宽高比，这里设置为2  
    # col_wrap=4,     # 这行被注释掉了，因为没有使用col参数来创建子图  
    # linewidth=2,    # 这行也被注释掉了，因为默认绘制的是散点图，不是折线图  
)  # 注意这里添加了闭合的括号  
"""

六、散点图矩阵

import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

names = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm', 'class']
iris = pd.read_csv('E:\pycharm\pyc\iris.data', names=names)
print(iris.head())
# 从原始的 iris 数据集中筛选出包含 'Iris-setosa'、'Iris-versicolour' 和 'Iris-virginica' 类别的数据
iris1 = iris[iris['class'].isin(['Iris-setosa', 'Iris-versicolour', 'Iris-virginica'])]
sns.pairplot(iris1, hue='class', palette='husl', size=2)  # size=2 设置了每个子图的大小
# vars=['SepalLengthCm','SepalWidthCm','PetalLengthCm']: 这个参数指定了要在散点图矩阵中展示的特征列
# height=3: 这个参数设置了每个子图的高度为 3。
# aspect=1: 这个参数设置了每个子图的宽高比为 1，即正方形。
sns.pairplot(iris1,hue='class',vars=['SepalLengthCm','SepalWidthCm','PetalLengthCm'],height=3, aspect=1)
plt.show()

七、直方图

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
warnings.filterwarnings("ignore")
# 基本知识
# 生成一个正态分布的随机数组，均值为1，标准差为10，样本数量为1000
mpl.rcParams.update(mpl.rcParamsDefault)
num = np.random.normal(1,10,1000)
sns.distplot(num)
plt.show()

sns.displot(num, kde=False)  # 直方图，不带KDE  没有核密度估计
plt.show()

sns.displot(num, kde=True)  # 直方图，不带KDE  有核密度估计
plt.show()

housing = pd.read_csv('E:\pycharm\pyc\housing.csv')
print(housing.head())
plt.show()
# bins=40：这个参数表示将数据分成40个区间
# figsize=(20,20)：这个参数设置图形的大小 单位是英寸
housing.hist(bins=40, figsize=(20, 20))
plt.show()

#多个图 三行三列
fig1 ,axes = plt.subplots(nrows=3,ncols=3 ,figsize = (20,20))
#ax=axes[0, 0]: 这指定了要在哪个子图上绘制直方图。axes是一个二维数组，代表多个子图，这里我们选择了第一个子图（索引为[0, 0]）
#kde=False: 这个参数决定是否在直方图上绘制核密度估计曲线。设置为False表示不绘制。
sns.distplot(housing["CRIM"], color="#00bcd4",ax=axes[0, 0] , kde=False , bins=20)
sns.distplot(housing["ZN"], color="#937d14",ax=axes[0, 1], kde=False ,bins=20)
sns.distplot(housing["INDUS"], color="#006600", ax=axes[0, 2],kde=False, bins=20)
sns.distplot(housing["CHAS"] , color="#ff1e56", ax=axes[1,0], kde=False ,bins=20)
sns.distplot(housing["NOX"],color="#216353",ax=axes[1, 1], kde=False,bins=20)
sns.distplot(housing["RM"], color="#FF8F00", ax=axes[1,2],kde=False ,bins=20)
sns.distplot(housing["AGE"], color="#33FF00", ax=axes[2, 0], kde=False,bins=20)
sns.distplot(housing["DIS"], color="#FF3300", ax=axes[2, 1], kde=False,bins=20)
sns.distplot(housing["RAD"], color="#cccc00", ax=axes[2, 2],kde=False,bins=20)
plt.show()

八、箱型图

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt
warnings.filterwarnings("ignore")
sns.set_style("white")
housing = pd.read_csv('E:\pycharm\pyc\housing.csv')
"""
sns.boxplot(x=insurance.smoker, y=insurance.charges, orient=['no', 'yes']): 这行代码绘制了一个分组的箱线图，
展示了不同吸烟者类别（'no'和'yes'）下的健康保险费用分布情况。其中，x参数指定了分组依据的列（即吸烟者类别），
y参数指定了要展示的数据列（即健康保险费用），orient参数指定了分组的方向（这里设置为['no', 'yes']）。
"""
sns.boxplot(housing.B) #展示housing.csv中B列的箱线图
plt.show()

九、联合分布图

import pandas as pd
import seaborn as sns
import matplotlib as mpl
import warnings
from matplotlib import pyplot as plt

warnings.filterwarnings("ignore")
sns.set_style("white")

names = ['SepalLengthCm', 'SepalWidthCm', 'PetalLengthCm', 'PetalWidthCm', 'class']
iris = pd.read_csv('E:\pycharm\pyc\iris.data', names=names)
# kind='reg'  参数表示在图中添加一个回归线
# edgecolor='w'参数表示散点的边框颜色为白色。
# s=90参数表示散点的大小为90
# kind='hex'
sns.jointplot(x='SepalLengthCm', y='SepalWidthCm', data=iris, height=10, kind='reg', color='#FF6600')
plt.show()

像一只黄油飞

关注

13
点赞
踩
29

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

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。