python数据分析图_python数据分析常用图大集合

以下默认所有的操作都先导入了numpy、pandas、matplotlib、seaborn

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

一、折线图

折线图可以用来表示数据随着时间变化的趋势

x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]

y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]

Matplotlib

plt.plot(x, y)

plt.show()

Seaborn

df = pd.DataFrame({'x': x, 'y': y})

sns.lineplot(x="x", y="y", data=df)

plt.show()

二、直方图

直方图是比较常见的视图，它是把横坐标等分成了一定数量的小区间，然后在每个小区间内用矩形条（bars）展示该区间的数值

a = np.random.randn(100)

s = pd.Series(a)

Matplotlib

plt.hist(s)

plt.show()

Seaborn

sns.distplot(s, kde=False)

plt.show()

sns.distplot(s, kde=True)

plt.show()

三、垂直条形图

条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']

y = [5, 4, 8, 12, 7]

Matplotlib

plt.bar(x, y)

plt.show()

Seaborn

plt.show()

四、水平条形图

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']

y = [5, 4, 8, 12, 7]

plt.barh(x, y)

plt.show()

五、饼图

nums = [25, 37, 33, 37, 6]

labels = ['High-school','Bachelor','Master','Ph.d', 'Others']

plt.pie(x = nums, labels=labels)

plt.show()

六、箱线图

箱线图由五个数值点组成：最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。

可以帮我们分析出数据的差异性、离散程度和异常值等。

Matplotlib

# 生成0-1之间的10*4维度数据

data=np.random.normal(size=(10,4))

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

# 用Matplotlib画箱线图

plt.boxplot(data,labels=lables)

plt.show()

Seaborn

# 用Seaborn画箱线图

df = pd.DataFrame(data, columns=lables)

sns.boxplot(data=df)

plt.show()

七、热力图

力图，英文叫 heat map，是一种矩阵表示方法，其中矩阵中的元素值用颜色来代表，不同的颜色代表不同大小的值。通过颜色就能直观地知道某个位置上数值的大小。

flights = sns.load_dataset("flights")

data=flights.pivot('year','month','passengers')

sns.heatmap(data)

plt.show()

通过 seaborn 的 heatmap 函数，我们可以观察到不同年份，不同月份的乘客数量变化情况，其中颜色越浅的代表乘客数量越多

八、散点图

散点图的英文叫做 scatter plot，它将两个变量的值显示在二维坐标中，非常适合展示两个变量之间的关系。

N = 1000

x = np.random.randn(N)

y = np.random.randn(N)

Matplotlib

plt.scatter(x, y,marker='x')

plt.show()

Seaborn

df = pd.DataFrame({'x': x, 'y': y})

sns.jointplot(x="x", y="y", data=df, kind='scatter');

plt.show()

九、蜘蛛图

蜘蛛图是一种显示一对多关系的方法，使一个变量相对于另一个变量的显著性是清晰可见

labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"])

stats=[83, 61, 95, 67, 76, 88]

# 画图数据准备，角度、状态值

angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)

stats=np.concatenate((stats,[stats[0]]))

angles=np.concatenate((angles,[angles[0]]))

# 用Matplotlib画蜘蛛图

fig = plt.figure()

ax = fig.add_subplot(111, polar=True)

ax.plot(angles, stats, 'o-', linewidth=2)

ax.fill(angles, stats, alpha=0.25)

# 设置中文字体

font = FontProperties(fname=r"/System/Library/Fonts/PingFang.ttc", size=14)

ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)

plt.show()

十、二元变量分布

二元变量分布可以看两个变量之间的关系

tips = sns.load_dataset("tips")

tips.head(10)

#散点图

sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')

#核密度图

sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')

#Hexbin图

sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')

plt.show()

十一、面积图

面积图又称区域图，强调数量随时间而变化的程度，也可用于引起人们对总值趋势的注意。

堆积面积图还可以显示部分与整体的关系。折线图和面积图都可以用来帮助我们对趋势进行分析，当数据集有合计关系或者你想要展示局部与整体关系的时候，使用面积图为更好的选择。

df = pd.DataFrame(

np.random.rand(10, 4),

columns=['a', 'b', 'c', 'd'])

# 堆面积图

df.plot.area()

# 面积图

df.plot.area(stacked=False)

十二、六边形图

六边形图将空间中的点聚合成六边形，然后根据六边形内部的值为这些六边形上色。

df = pd.DataFrame(

np.random.randn(1000, 2),

columns=['a', 'b'])

df['b'] = df['b'] + np.arange(1000)

# 关键字参数gridsize；它控制x方向上的六边形数量，默认为100，较大的gridsize意味着更多，更小的bin

df.plot.hexbin(x='a', y='b', gridsize=25)