python是可视化语言吗_如何使用Python进行数据可视化

如何使用Python进行数据可视化面向人群: 零基础或者初学者

难度: 简单， 属于Python基础课程

对于那些学习编程的人来说，Python是一种出色的语言，非常适合那些希望“完成工作”并且不花很多时间在样板代码上的人。

重要说明

我们尽力保证课程内容的质量以及学习难度的合理性，但即使如此，真正决定课程效果的，还是你的每一次思考和实践。

课程多数题目的解决方案都不是唯一的，这和我们在实际工作中的情况也是一致的。因此，我们的要求功能的实现，更是要多去思考不同的解决方案，评估不同方案的优劣，然后使用在该场景下最优雅的方式去实现。所以，我们列出的参考资料未必是实现需求所必须的。有的时候，实现题目的要求很简单，甚至参考资料里就有，但是背后的思考和亲手去实践却是任务最关键的一部分。在学习这些资料时，要多思考，多提问，多质疑。相信通过和小伙伴们的交流，能让你的学习事半功倍。

1.1 简介

如同艺术家们用绘画让人们更贴切的感知世界，数据可视化也能让人们更直观的传递数据所要表达的信息。 在本文中，我将介绍如何开始使用Python和matplotlib、seaborn两个库对数据进行可视化。

1.2 任务

下面这个图表:

当然如果你把这张图表丢给别人，他们倒是也能看懂，但无法很直观的理解其中的信息，而且这种形式的图表看上去也比较 low，这个时候我们如果换成直观又美观的可视化图形，不仅能突显逼格，也能让人更容易的看懂数据。

下面我们就用上面这个简单的数据集作为例子，展示用 Python 做出9种可视化效果，并附有相关代码。 分别是直方图

箱线图

小提琴图

条形图

折线图

堆叠柱状图

散点图

气泡图

饼状图

热力图

1.3 知识点Linux命令行的使用

Python基础

matplotlib、seaborn两个库的简单使用

.14 环境linux系统(ubuntu18.04)/ windows系统可以打开ubuntu子系统

pycharm编辑器(windows如何安装pycharm社区版本)

Python 3.6.9(windows如何安装python环境)

pip3 9.0.1

Matplotlib 3.3.3：基于Python的绘图库，提供完全的 2D 支持和部分 3D 图像支持。在跨平台和互动式环境中生成高质量数据时，matplotlib 会很有帮助。也可以用作制作动画。

Seaborn：该 Python 库能够创建富含信息量和美观的统计图形。Seaborn 基于 matplotlib，具有多种特性，比如内置主题、调色板、可以可视化单变量数据、双变量数据，线性回归数据和数据矩阵以及统计型时序数据等，能让我们创建复杂的可视化图形。

$ python --version

Python 3.6.9

$ pip3 --version

pip 9.0.1 from /usr/lib/python3/dist-packages (python 3.6)

windows系统：

(1)Win+R，输入cmd，打开Windows的命令行。 (2)输入：pip install Matplotlib、Seaborn，等待安装完成。 如果安装过程不顺利，请百度找到原因，直到安装成功为止

linux系统：

pip3 安装Matplotlib、Seaborn

pip3 install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

pip3 install seaborn

安装完后，你可以使用 python -m pip list 命令来查看是否安装了 matplotlib 模块。

$ pip3 list | grep matplotlib

matplotlib 3.3.3

1.5 代码

导入数据集

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_excel("data/First.xlsx", "Sheet1")

可视化为直方图

fig=plt.figure() #Plots in matplotlib reside within a figure object, use plt.figure to create new figure

#Create one or more subplots using add_subplot, because you can't create blank figure

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

#Variable

ax.hist(df['Age'],bins = 7) # Here you can play with number of bins

Labels and Tit

plt.title('Age distribution')

plt.xlabel('Age')

plt.ylabel('#Employee')

plt.show()

可视化为箱线图

import matplotlib.pyplot as plt

import pandas as pd

fig=plt.figure()

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

#Variable

ax.boxplot(df['Age'])

plt.show()

可视化为小提琴图

import seaborn as sns

sns.violinplot(df['Age'], df['Gender']) #Variable Plot

sns.despine()

可视化为条形图

var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level

fig = plt.figure()

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

ax1.set_xlabel('Gender')

ax1.set_ylabel('Sum of Sales')

ax1.set_title("Gender wise Sum of Sales")

var.plot(kind='bar')

可视化为折线图

var = df.groupby('BMI').Sales.sum()

fig = plt.figure()

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

ax1.set_xlabel('BMI')

ax1.set_ylabel('Sum of Sales')

ax1.set_title("BMI wise Sum of Sales")

var.plot(kind='line')

可视化为堆叠柱状图

var = df.groupby(['BMI','Gender']).Sales.sum()

var.unstack().plot(kind='bar',stacked=True, color=['red','blue'], grid=False)

可视化为散点图

fig = plt.figure()

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

ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.

plt.show()

可视化为气泡图

fig = plt.figure()

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

ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubble

plt.show()

可视化为饼状图

var=df.groupby(['Gender']).sum().stack()

temp=var.unstack()

type(temp)

x_list = temp['Sales']

label_list = temp.index

pyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")

#To show the percentage of each pie slice, pass an output format to the autopctparameter

plt.pie(x_list,labels=label_list,autopct="%1.1f%%")

plt.title("Pastafarianism expenses")

plt.show()

可视化为热力图

import numpy as np

#Generate a random number, you can refer your data values also

data = np.random.rand(4,2)

rows = list('1234') #rows categories

columns = list('MF') #column categories

fig,ax=plt.subplots()

#Advance color controls

ax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')

ax.set_xticks(np.arange(0,2)+0.5)

ax.set_yticks(np.arange(0,4)+0.5)

# Here we position the tick labels for x and y axis

ax.xaxis.tick_bottom()

ax.yaxis.tick_left()

#Values against each labels

ax.set_xticklabels(columns,minor=False,fontsize=20)

ax.set_yticklabels(rows,minor=False,fontsize=20)

plt.show()

你也可以自己试着根据两个变量比如性别(X 轴)和 BMI(Y 轴)绘出热度图。

小结

这里我们分享了如何利用 Python 及 matplotlib 和 seaborn 库制作出多种多样的可视化图形。通过上面的例子，我们应该可以感受到利用可视化能多么美丽的展示数据。而且和其它语言相比，使用 Python 进行可视化更容易简便一些。

参考

拓展

下次我们讲解下Matplotlib的具体使用