pandas绘图_小案例对比pandas与seaborn可视化效果，谁更优秀？

之前分享过pandas也是可以作图的，今天复习一下pandas作图，并与seaborn做对比，熟悉下各自绘图的特点。

导入用到的库

import pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns%matplotlib inlineplt.style.use('fivethirtyeight')plt.style.use('bmh')

读取数据

business = pd.read_csv('data/business.csv')business.head()

评分分布

查看用户对yelp平台内店家评价的分布情况。 使用pandas绘图

colors = sns.color_palette()#stars是series数据类型stars = business['stars'].value_counts().sort_index()stars.plot(kind='bar',           figsize=(10, 5),           color=colors[:9],           rot=0,           title='Distribution of rating')

也可以用seaborn作图，代码如下

plt.figure(figsize=(10,5))sns.countplot(business['stars'])plt.title('Distribution of rating')

我们发现大多数用户店家评分都是4分及以上

最常见的店名和坐标

我们看看店铺的最常见的店名、最常见的坐标。 使用pandas绘图

fig, ax = plt.subplots(1, 2, figsize=(14, 8))business['name'].value_counts()[:20].plot(kind='barh',                                          ax=ax[0],                                          color=colors[:20],                                          title='Top 20 name of store in Yelp')business['city'].value_counts()[:20].plot(kind='barh',                                          ax=ax[1],                                          color=colors[:20],                                          title='Top 20 of city in Yelp')

f,ax = plt.subplots(1,2, figsize=(14,8))cnt = business['name'].value_counts()[:20].to_frame()sns.barplot(cnt['name'], cnt.index, palette = 'RdBu', ax = ax[0])ax[0].set_xlabel('')ax[0].set_title('Top 20 name of store in Yelp')cnt = business['city'].value_counts()[:20].to_frame()sns.barplot(cnt['city'], cnt.index, palette = 'rainbow', ax =ax[1])ax[1].set_xlabel('')ax[1].set_title('Top 20 of city in Yelp')plt.subplots_adjust(wspace=0.3)

从上面两个例子看，pandas和seaborn绘图各有千秋，有时候pandas简洁，有时候seaborn简洁。

-END-

假期无法出门不如在家学习

世界正在奖励坚持学习的人！