python 画线置顶_[置顶] Python数据可视...

在参加数据挖掘竞赛中，经常需要对数据进行可视化。今天有空就对数据可视化— matplotlib这块内容系统的整理下，方便查找使用。本文来自于对《利用python进行数据分析》以及网上一些博客的总结。

1 matplotlib简介matplotlib是Pythom可视化程序库的泰斗，经过几十年它仍然是Python使用者最常用的画图库。有许多别的程序库都是建立在它的基础上或直接调用它，比如pandas和seaborn就是matplotlib的外包，它们让你使用更少的代码去使用matplotlib的方法。Gallery页面中有上百幅缩略图，打开之后都有源程序，非常适合学习matplotlib。

利用IPython --pylab可以进入Pylab模式，已经导入了matplotlib库和相关软件包(如numpy和scipy)，如果安装了anconda，可以按(win

+ R)打开运行窗口，输入ipython --pylab启动IPython。在notebook模式下可以通过命令%matplotlib

inline 使图片内嵌在交互窗口。

2 图和子图的建立

2.1 导入matplotlibimport matplotlib.pyplot as plt

2.2 建立图和子图方式一

plt.plot( )会在最近的一个图上进行绘制from numpy.random import randn

fig = plt.figure(figsize = (8,4)) #设置图的大小

ax1 = fig.add_subplot(2,2,1)

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

ax3 = fig.add_subplot(2,1,2)

ax3.plot(randn(50).cumsum(),'k--') # plt.plot(randn(50).cumsum(),'k--')等效

ax1.hist(randn(100),bins = 10, color = 'b', alpha = 0.3) #bins 分成多少间隔 alpha 透明度

ax2.scatter(np.arange(30),np.arange(30) + 3*randn(30))

plt.show()

2.3

建立子图方式二from numpy.random import randn

fig, axes = plt.subplots(2,2) #以数组方式访问

t = np.arange(0., 5., 0.2)

axes[0,0].plot(t, t, 'r-o', t, t**2, 'bs', t, t**3, 'g^') #同时绘制多条曲线

axes[1,1].plot(randn(40).cumsum(),'b--')

plt.show()

2.4 主题设置使用style.use()函数

df_iris = pd.read_csv('../input/iris.csv')

plt.style.use('ggplot') #'fivethirtyeight'，'ggplot'，'dark_background'，'bmh'

df_iris.hist('sepal length')

plt.show()

3 颜色、标记、线型、刻度、标签和图例from numpy.random import randn

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.plot(randn(30).cumsum(),color = 'b',linestyle = '--',marker = 'o',label = '$cumsum$') # 线型 可以直接'k--o'

ax1.set_xlim(10,25)

ax1.set_title('My first plot')

ax1.set_xlabel('Stages')

plt.legend(loc = 'best') #把图放在不碍事的地方 xticks([])设置刻度

plt.show()

与下面程序等价

from numpy.random import randn

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.plot(randn(30).cumsum(),color = 'b',linestyle = '--',marker = 'o',label = '$cumsum$') #图标可以使用latex内嵌公式

plt.xlim(10,25) #plt.axis([10,25,0,10])对x,y轴范围同时进行设置

plt.title('My first plot')

plt.xlabel('Stages')

plt.legend(loc = 'best')

plt.show()

4 pandas中的绘图函数在pandas中，我们具有行标签，列标签以及分组信息。这也就是说，要制作一张完整的图表，原本需要一大堆的matplotlib代码，现在只需一两条简洁的语句就可以了。pandas有很多能够利用DataFrame对象数据组织特点来创建标准图表的高级绘图方法。

4.1 线型图from numpy.random import randn

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

s = pd.Series(randn(10).cumsum(),index = np.arange(0,100,10))

s.plot(ax = axes[0]) # ax参数选择子图

df = pd.DataFrame(randn(10,3).cumsum(0),columns = ['A','B','C'],index = np.arange(0,100,10))

df.plot(ax = axes[1])

plt.show()

4.2 柱状图from numpy.random import rand

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

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

data.plot(kind = 'bar', ax = axes[0], color = 'b', alpha = 0.7) #kind选择图表类型 'bar' 垂直柱状图

data.plot(kind = 'barh', ax = axes[1], color = 'b', alpha = 0.7) # 'barh' 水平柱状图

plt.show()

from numpy.random import rand

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

data = pd.DataFrame(rand(6,4),

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

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

data.plot(kind = 'bar', ax = axes[0], alpha = 0.5)

data.plot(kind = 'bar', ax = axes[1], stacked = True, alpha = 0.5)

plt.show()

此外，柱状图有一个非常不错的用法，利用value_counts( )图形化显示Series中各值的出现概率，比如s.value_counts( ).plot(kind = 'bar')。

4.3 直方图和密度图from numpy.random import randn

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

data = pd.Series(randn(100))

data.hist(ax = axes[0], bins = 50) #直方图

data.plot(kind = 'kde', ax = axes[1]) #密度图

plt.show()

其实可以一次性制作多个直方图，layout参数的意思是将两个图分成两行一列，如果没有这个参数，默认会将全部的图放在同一行

df_iris = pd.read_csv('../input/iris.csv')

columns = ['sepal length','sepal width','petal length','petal width']

df_iris.hist(column=columns, layout=(2,2))

plt.show()

4.4 箱型图

箱型图是基于五数概括法(最小值，第一个四分位数，第一个四分位数(中位数)，第三个四分位数，最大值)的数据的一个图形汇总，还需要用到四分位数间距IQR = 第三个四分位数 - 第一个四分位数。

df_iris = pd.read_csv('../input/iris.csv') #['sepal length','sepal width','petal length','petal width','class']

sample_size = df_iris[['petal width','class']]

sample_size.boxplot(by='class')

plt.xticks(rotation=90) #将X轴的坐标文字旋转90度，垂直显示

plt.show()

5 参考资料链接Gallery页面

matplotlib — 绘制精美的图表

Python — matplotlib绘图可视化知识点整理

Python数据可视化之matplotlib学习笔记