python matplotlib数据可视化,python 数据分析之数据可视化 matplotlib

import matplotlib.pyplot as plt

import numpy as np

import numpy.random as randn

import pandas as pd

from pandas import Series,DataFrame

from pylab import mpl

mpl.rcParams['axes.unicode_minus'] = False # 我自己配置的问题

plt.rc('figure', figsize=(10, 6)) # 设置图像大小复制代码 %matplotlib inline复制代码

1. figure对象

Matplotlib的图像均位于figure对象中。

创建figure: plt.figure() fig = plt.figure()复制代码

2. subplot子图

add_subplot：向figure对象中添加子图。

add_subplot(a, b, c)：a,b 表示讲fig分割成axb的区域，c 表示当前选中要操作的区域(c从1开始)。

add_subplot返回的是AxesSubplot对象，plot 绘图的区域是最后一次指定subplot的位置 ax1 = fig.add_subplot(2,2,1)

ax2 = fig.add_subplot(2,2,2)

ax3 = fig.add_subplot(2,2,3)

ax4 = fig.add_subplot(2,2,4)复制代码 random_arr = randn.rand(50)

# 默认是在最后一次使用subplot的位置上作图

plt.plot(random_arr,'ro--') # r:表示颜色为红色，o:表示数据用o标记 ，--:表示虚线

# 等价于：

# plt.plot(random_arr,linestyle='--',color='r',marker='o')

plt.show()复制代码

# hist：直方图：统计分布情况

plt.hist(np.random.rand(8), bins=6, color='b', alpha=0.3) # bins:数据箱子个数复制代码 (array([ 3., 0., 0., 0., 2., 3.]),

array([ 0.10261627, 0.19557319, 0.28853011, 0.38148703, 0.47444396,

0.56740088, 0.6603578 ]),

)

复制代码

# 散点图

plt.scatter(np.arange(30), np.arange(30) + 3 * randn.randn(30))复制代码

subplots ：生成子图/子图数组 # 柱状图

fig, ax = plt.subplots()

x = np.arange(5)

y1, y2 = np.random.randint(1, 25, size=(2, 5))

width = 0.25

ax.bar(x, y1, width, color='r') # 画柱子

ax.bar(x+width, y2, width, color='g') # 画柱子

ax.set_xticks(x+width)

ax.set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明复制代码

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True) # 共享轴坐标复制代码

subplots_adjust：调整subplots的间距 plt.subplots_adjust(left=0.5,top=0.5)复制代码 fig, axes = plt.subplots(2, 2)复制代码

random_arr = randn.randn(8)

fig, axes = plt.subplots(2, 2)

axes[0, 0].hist(random_arr, bins=16, color='k', alpha=0.5)

axes[0, 1].plot(random_arr,'ko--')

x = np.arange(8)

y = x + 5 * np.random.rand(8)

axes[1,0].scatter(x, y)

x = np.arange(5)

y1, y2 = np.random.randint(1, 25, size=(2, 5))

width = 0.25

axes[1,1].bar(x, y1, width, color='r') # 画柱子

axes[1,1].bar(x+width, y2, width, color='g') # 画柱子

axes[1,1].set_xticks(x+width)

axes[1,1].set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明复制代码

重叠绘制

legend：显示图例 random_arr1 = randn.randn(8)复制代码 random_arr2 = randn.randn(8)复制代码 fig, ax = plt.subplots()

ax.plot(random_arr1,'ko--',label='A')

ax.plot(random_arr2,'b^--',label='B')

plt.legend(loc='best') #　自动选择放置图例的最佳位置复制代码

设置刻度范围：set_xlim、set_ylim

设置显示的刻度：set_xticks、set_yticks

刻度标签：set_xticklabels、set_yticklabels

坐标轴标签：set_xlabel、set_ylabel

图像标题：set_title fig, ax = plt.subplots(1)

ax.plot(np.random.randn(380).cumsum())

# 设置刻度范围

ax.set_xlim([0, 500])

# 设置显示的刻度(记号)

ax.set_xticks(range(0,500,100))

# 设置刻度标签

ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],

rotation=30, fontsize='small')

# 设置坐标轴标签

ax.set_xlabel('X:...')

ax.set_ylabel('Y:...')

# 设置标题

ax.set_title('Example')复制代码

3. Plotting functions in pandas plt.close('all')复制代码 s = Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))复制代码 s

fig,ax = plt.subplots(1)

s.plot(ax=ax,style='ko--')复制代码

fig, axes = plt.subplots(2, 1)

data = Series(np.random.rand(16), index=list('abcdefghijklmnop'))

data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7)

data.plot(kind='barh', ax=axes[1], color='k', alpha=0.7)复制代码

df = DataFrame(np.random.randn(10, 4).cumsum(0),

columns=['A', 'B', 'C', 'D'],

index=np.arange(0, 100, 10))

df复制代码

A

B

C

D

0

-0.523822

1.061179

-0.882215

-0.267718

10

-0.178175

-0.367573

-1.465189

-1.095390

20

0.276166

0.816511

-0.344557

1.297281

30

0.529400

0.159374

-2.765168

1.784692

40

-1.129003

-1.665272

-2.746512

3.140976

50

0.265113

-1.821224

-5.140850

2.377449

60

-2.699879

-3.895255

-5.011561

1.715174

70

-2.384257

-3.480928

-4.519131

2.805369

80

-2.525243

-3.031608

-4.840125

1.106624

90

-2.020589

-3.519473

-4.823292

0.522323 df.plot() # 列索引为图例，行索引为横坐标，值为纵坐标复制代码

df = DataFrame(np.random.randint(0,2,(10, 2)),

columns=['A', 'B'],

index=np.arange(0, 10, 1))

df复制代码

A

B

0

0

1

1

0

1

2

1

0

3

0

1

4

1

0

5

1

0

6

1

1

7

0

0

8

1

0

9

1

0 df.plot(kind='bar')复制代码

df.A.value_counts().plot(kind='bar')复制代码

df.A[df.B == 1].plot(kind='kde')

df.A[df.B == 0].plot(kind='kde') # 密度图复制代码

df = DataFrame(np.random.rand(6, 4),

index=['one', 'two', 'three', 'four', 'five', 'six'],

columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))

df复制代码

Genus

A

B

C

D

one

0.760750

0.951159

0.643181

0.792940

two

0.137294

0.005417

0.685668

0.858801

three

0.257455

0.721973

0.968951

0.043061

four

0.298100

0.121293

0.400658

0.236369

five

0.463919

0.537055

0.675918

0.487098

six

0.798676

0.239188

0.915583

0.456184 df.plot(kind='bar',stacked='True') #行索引：横坐标复制代码

values = Series(np.random.normal(0, 1, size=200))

values.hist(bins=100, alpha=0.3, color='k', normed=True)

values.plot(kind='kde', style='k--')复制代码

df = DataFrame(np.random.randn(10,2),

columns=['A', 'B'],

index=np.arange(0, 10, 1))

df复制代码 plt.scatter(df.A, df.B)复制代码