matplotlib散点图点大小_Matplotlib：数据可视化利器

Matplotlib：数据可视化利器

来源: https://towardsdatascience.com/matplotlib-making-data-visualization-interesting-8bac1eb3d25c

作者: Karan Bhanot

翻译：老齐

---

数据可视化是理解数据并从中得出推论的关键步骤，虽然我们可以逐行地仔细检查数据，但这是一项冗长乏味的工作，而且不会凸显全局特征。另一方面，视觉效果很重要，以一目了然的形式定义数据，让浏览者有直观体验。

★

Matplotlib是Python的图库，可以生成各种格式的高质量的出版物图形和跨平台的交互环境(matplotlib.org)。《跟老齐学Python：数据分析》一书中有专门的章节对其使用方法进行了详细阐述。

”

Matplotlib是一个基本的库，它能实现各种平面图形，并以标签、标题、字体大小等形式进行有个性的自定义。为了更好地理解Matplotlib，我从Kaggle网站获取了人口密度数据集，并开始创建自己的可视化效果。本文重点介绍我绘制的平面图，包括自定义和我从数据中得出的推断。

完整的代码保存在了GitHub仓库(https://github.com/kb22/Visualization-using-Matplotlib)，供参考。开始吧！

导入库

import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib.cm as cm%matplotlib inline

首先需要导入所有必需的库。导入Numpy和Pandas库来处理数据，然后导入matplotlib 并使用其模块pyplot来绘制图形，把cm用作调色板。语句%matplotlib inline 确保所有绘图都以嵌入方式显示在浏览器页面上。

导入数据集

文件dataset.csv的前四行不是必需的，因此我们可以在跳过前四行的同时将数据导入，然后使用head(5)函数查看部分数据。

我们立即看到了一些无关的列。保留Country Name ，删除Country Code列。正如我们所知道的，我们正在处理人口密度问题，所以可以删除 Indicator Name列和Indicator Code列。接下来，1960 和2016 的列具有NaN 值，NaN 代表缺失值，应该删除这些列，因为它们没有提供任何信息。最后，还有一个未命名的列，它也有NaN 值，因此我们也可以删除Unnamed: 61 。

dataset.drop(['Country Code', 'Indicator Name', 'Indicator Code', '1960', '2016', 'Unnamed: 61'],             axis = 1, inplace = True)dataset.dropna(how = 'any', axis = 0, inplace = True)dataset.isnull().sum()

我们使用dropna方法删除可能有缺失值的行，并使用dataset.isnull().sum()检查所有的列是否有缺失值，结果显示所有的缺失值均显示为0。

已经做好了准备，数据可视化，只欠东风。

可视化

现在，我们将使用Matplotlib创建平面图，并使用可视化方法得出有意义的结论。

曲线图

我们首先用曲线图分析Aruba的多年来的人口密度，x轴是年份，y轴是人口密度。

dataset.columns[1:]作为X的值，它选择了除第一列之外的所有列，因为我们只需要年份，而不需要Country Name列。接下来，以dataset.iloc[0][1:]为y的值，它选择第一列，即Aruba这个国家名、以及除第一列之外的所有列。国家和地区名称可以使用dataset[0][0]得到。为了绘制图表，我们仅仅使用plot函数，并将x轴和y轴的参数分别定义为x和y。

x = dataset.columns[1:]y = dataset.iloc[0][1:]country = dataset.iloc[0][0]plt.plot(x, y)

恭喜！！第一个平面图完成了！!

这张图有一定作用，但很难理解。坐标轴上没有标签，并且横轴的值重叠了。这就是Matplotlib中自定义的功能派上用场的地方，让我们来把它变得更容易解读。

plt.rcParams['figure.figsize'] = (30, 30)plt.rcParams['font.size'] = '20'plt.title('Population density of ' + country + ' over the years')plt.xlabel('Years')plt.xticks(rotation = '90')plt.ylabel('Population density (People per sq. Km)')plt.plot(x, y, linewidth = 4)

用rcParams修改图形大小、字体大小等等。然后我们添加一个标题、x标签和y标签。xticks允许我们定义文本的旋转角度，它设置为90度。然后再次绘制并把行的宽度设置为4。

现在可以看到，只要稍加修改，图形就更具描述性。

从上图可以看出，到20世纪80年代，人口密度一直在稳步上升。从20世纪90年代起，人口密度急剧上升，并继续保持着同样的增长，直到21世纪中期才趋于稳定。

我们也可以用曲线图来观察不同国家和地区之间的趋势，选取前5个国家和地区，比较它们的人口密度增长。由于现在处理的是一个图形上的多条线，应该为每个国家和地区设置不同的颜色，还应该定义一个颜色与国家和地区对应关系的图例。

x = dataset.columns[1:]colors = cm.rainbow(np.linspace(0, 1, 5))for index in range(5):    y = dataset.iloc[index][1:]    plt.plot(x,              y,              c = colors[index],             label = dataset.iloc[index][0],             linewidth = 4)    plt.title('Comparing population density of various conutries')    plt.xlabel('Years')    plt.xticks(rotation = '90')    plt.ylabel('Population Density')    plt.legend(prop = {'size': 24})

在这里，我们循环遍历数据集的前5行，并且把值绘制为曲线图。我们使用matplotlib库cm包及其rainbow方法来设置。在plot方法中，必须要设置label参数的值，因为它可以确保在启用图例时，显示图例名称。使用legend()方法启用图例，我在方法中指定了一个属性，即大小为24。

我们可以看到，阿鲁巴、安道尔、阿富汗、安哥拉和阿尔巴尼亚这5个国家和地区的人口密度都有所上升。

现在我们已经把所有的线图都绘制在一个平面图上，很容易看出阿鲁巴的人口密度一直高于其他4个国家/地区。

柱形图

使用带有相关参数的bar()方法可以轻松创建柱形图。先绘制2015年所有国家和地区的人口密度图。

countries = dataset['Country Name']populationDensity2015 = dataset['2015']plt.xticks(rotation = '90')plt.bar(countries, populationDensity2015, color = cm.rainbow(np.linspace(0, 1, len(countries))))

虽然这个平面图确实试图在同一时间提供很多信息，但同样的原因使它缺乏任何有用的信息。在x轴标签中有太多重叠，使得整个图示凌乱而无用。我们不仅需要可视化数据集，而且还需要巧妙地可视化数据集的重要部分。更好的做法是把人口密度最大的前10个国家和地区排序，然后再来看一看这些国家和地区。

top10 = dataset.sort_values('2015', ascending = False).head(10)plt.xticks(rotation = '45')plt.title('Population Density of 10 most densely populated countries for the year 2015')plt.xlabel('Countires')plt.ylabel('Population Density')plt.bar(top10['Country Name'],        top10['2015'],        color = cm.rainbow(np.linspace(0, 1, len(top10))))

根据2015年的人口密度，用sort_values方法对各国和地区进行降序排列，然后使用head(10)方法选择前10名，再使用这些新数据绘制柱形图。

现在信息很清楚了，数据是等距的，用不同的颜色清楚地表示了出来。

在2015年的数据集中，澳门特区和摩纳哥是人口密度最高的。

散点图

散点图将数据显示为开放空间中的点。散点图非常有用，因为我们可以根据特定值来指定每个数据点的大小，并且数据本身可以表示这个数据点与其他点的区别。

现在分析一些国家和地区，这些国家和地区多年来的平均人口密度低于10人每平方公里陆地面积。

total_columns = dataset.shape[1]selected_data = dataset[dataset.sum(axis = 1).apply(lambda x: x/total_columns) <= 10]consolidated_data = selected_data.sum(axis = 1).apply(lambda x: x/total_columns)countries = selected_data['Country Name']plt.rcParams['figure.figsize'] = (20, 20)plt.rcParams['font.size'] = 14plt.title('Average Population density for various countries')plt.xlabel('Countries')plt.ylabel('Average Population Density')plt.xticks(rotation = '90')plt.scatter(countries,             consolidated_data,             s = consolidated_data*20,             c = cm.rainbow(np.linspace(0, 1, len(countries))))

首先，我使用dataset.sum(axis = 1)对每行中的所有数据求和，然后使用 lambda函数：所得到的和，除以列数，得到平均值。然后，我比较这个值是否小于或等于10，并将其用作数据集的索引。其结果是所有平均人口密度小于或等于10的国家和地区。现在再次计算这个值，这次将它赋给变量consolidated_data。绘制散点图的方法类似于其他图。我们现在可以使用参数s定义每个数据点的大小，我一直让数据点的大小保持着与人口密度相当。由于这些值很小，将每个值乘以20，这样差异就更明显了。

你可以看到，每个数据点都按照自身的大小(基于其密度值)表示在图上。

在数据集中，格陵兰岛似乎是所有国家/地区中平均人口密度最低的。

深入分析

现在，我们将深入研究数据集，看看能否发现更多的信息。

描述性分析

我们可以看到世界上人口最大和最小密度值是否有任何变化。因此，我们需要计算值的范围。

minimum = dataset.loc[:, dataset.columns != 'Country Name'].min()maximum = dataset.loc[:, dataset.columns != 'Country Name'].max()diff = maximum - minimumminOfMax = maximum.min()plt.title('Range of Population Density for years 1962-2015')plt.xticks(rotation = '90')plt.xlabel('Years')plt.ylabel('Population Density')plt.bar(dataset.columns[1:], diff.apply(lambda x: x-minOfMax), color = cm.rainbow(np.linspace(0, 1, dataset.shape[1])))

使用min() 和 max()方法计算除了 Country Name以外的每一列的最小值和最大值。然后，变量diff应用两个最值的差。接着，计算最大值数据集中最小的值，赋给变量minOfMax，当我们绘制柱形图时，每个值都减去这个数。这样做将确保把所有的数值分别与最小值的年份进行比较，此目的以apply(lambda x: x-minOfMax)方法来实现。

我们看到，在2001年间，人口最稠密的国家/地区和人口最稀少的国家/地区之间的差距最大，然后在2002年急剧缩小。

人口数量与人口密度

如果人口密度真的是一个很好的衡量标准，如果它也能反映出这个国家和地区的人口状况，那么研究人口密度将是一件令人赞叹的事情。由于这个数据集没有人口或区域，我们需要从其他来源获取。在这里，我们将使用BeautifulSoup从维基百科页面上爬取土地面积，并把它用于计算人口数量，然后我比较人口数量和人口密度。

from urllib.request import urlopenfrom bs4 import BeautifulSoupcontent = BeautifulSoup(urlopen('https://en.wikipedia.org/wiki/List_of_countries_and_dependencies_by_area'),                        'html.parser')dataset['Area'] = 0.0table = content.find_all('table')[0]rows = table.find_all('tr')for tr in rows:    td = tr.find_all('td')    a = tr.find('a')    try:        area = td[3].text.split('♠')[1].split('(')[0].replace(',', '')        dataset.loc[dataset['Country Name'] == a.text, 'Area'] = int(area)    except Exception:        continuedataset = dataset[dataset['Area'] != 0]dataset.shape# (170, 57)

得到了含有170个国家和地区的名单，我们有关于这些国家和地区的完整信息，包括土地面积(以公里为单位)。但是要同时理解和解释这么多的国家和地区是很困难的，来看看前20个。

population = dataset['Area'].multiply(dataset['2015'], axis = 0)countries = dataset['Country Name']plt.subplot(2,2,1)plt.title('Population of various countries for year 2015')plt.xlabel('Countries')plt.ylabel('Population')plt.xticks(rotation = '90')plt.bar(countries[:20], population[:20], color = 'b')plt.subplot(2,2,2)plt.title('Population Density of various countries for year 2015')plt.xlabel('Countries')plt.ylabel('Population Density')plt.xticks(rotation = '90')plt.bar(countries[:20], dataset['2015'][:20], color = 'r')

我们现在通过柱形图来比较20个国家/地区的人口数量和人口密度。用area (面积)乘以2015年的人口密度得到Population (人口数量)。把画布分成多个子图， subplot(rows, columns, index) 方法用于定义子图，在这里，创建一个被2行2列的4个子图的的画布，第三个参数表明了我们指的是这里的哪个子图。我们把20个国家/地区的数据用两张图表在索引1和索引2上绘制出来。

我们可以看出：用“人口密度”来描述一个国家/地区的“人口”并不总是正确的，例如巴林。

尽管孟加拉国的人口密度很高，但孟加拉国的人口远远高于巴林。

结论

在这里，使用Matplotlib来设计和创建平面图，这有助于我们更好地理解数据集。

★

关注微信公众号：老齐教室。读深度文章，得精湛技艺，享绚丽人生。

”

★

点击“阅读原文”，优惠购买《跟老齐学Python：数据分析》

”