第二十三篇，数据分析之数据可视化之统计图

模块别忘了导入

import matplotlib.pylab as plt
import numpy as np
import pandas as pd

柱形图

通过一个案例来了解柱形图：

a = [1,2,3,4,5]
b = [2,4,6,8,10]
plt.bar(left=a,height=b)
plt.show()

运行结果：

    plt.bar(left=a,height=b)
TypeError: bar() missing 1 required positional argument: 'x'

哦吼咋报错了，让我们看看报错的信息，好像是缺少一个x参数，在看看帮助文档：

bar(x, height, width=0.8, bottom=None, *, align='center', data=None, **kwargs)

这个应该是版本的变更导致的，所以这个里面应该传一个x与height的位置参数，width为柱子的宽度默认是（0.8），bottom为柱子底部与x轴的距离默认为None：

a = [1,2,3,4,5]
b = [2,4,6,8,10]
plt.bar(x=a,height=b)
plt.show()

这里的话可以根据以上代码来进行分析，x的话传递的参数就是x轴的名称，height就是y轴的名称，宽度默认0.8
修改一下里面的参数看看：

a = [1,2,3,4,5]
b = [2,4,6,8,10]
plt.bar(x=a,height=b,width=0.5,bottom=[1,2,3,4,5])
plt.show()

那有没有啥办法能换个好看的柱子，当然有：

a = [1,2,3,4,5]
b = [2,4,6,8,10]
plt.bar(x=a,height=b,width=0.5,bottom=[1,2,3,4,5],color='black',edgecolor='r',linestyle='--',linewidth=3,hatch='x')
plt.show()

好丑啊，自己没做好，读者可以自己试着做一下，然后里面的那些参数都可以查看帮助文档，比如color就是柱子的颜色可以使用纯色的缩写：r,b,y或者英文等，edgecolor表示柱子边缘的颜色，linestyle表示柱子边线的线型，hatch表示填充柱子内部的图形等。
当然这个只是基操，且看下面代码：

a = range(1,6)
b = np.random.random(5)
c = np.random.random(5)
plt.bar(a,b,label='b',color='b')
plt.bar(a,c,bottom=b,label='c',color='y')

运行结果：
这种就叫堆积图，通过获取随机数来进行堆积，如果第二个不用bottom的话就会导致重合后面那个颜色会覆盖在之前那个颜色上面，可以自行尝试一下。
还有种簇状柱形图：

a = np.arange(1,6)
b = np.random.random(5)
c = np.random.random(5)
width = 0.4
a = a - 0.2
plt.bar(a,b,width=width,label='b',color='b')
plt.bar(a+width,c,width=width,label='c',color='y')
plt.legend()

上述代码分析一下，因为默认是0.8宽度，既然我们要让它们每根柱子为0.4的宽度，a这个柱子再减0.2的距离，这样它就占据左边0.4的位置，而b这个柱子就要加上0.4的距离，a+width的意思是因为它们柱子之间距离为0，所以要给它们一个中心线的位置，比如就会覆盖掉，plt.legend意思就不多讲，图列嘛，这里不懂可以参考以前的博客。

条形图

竖着的叫柱状图，那横着的就是条形图了。

a = np.arange(1,6)
b = np.random.random(5)
plt.barh(a,b)
plt.show()

观察上面代码可以看出来，绘制条形图使用的函数是barh()，通过单词可以看出来，条线图是通过柱形图转为水平而来的，所以，里的参数也就随之顺时针转90°了，里面的使用方法与与plt.bar()方法类似，可以自己尝试一下。
下面有一种正负条形图，可以用来比较对象：

a = np.arange(1,6)
b = np.random.random(5)
c = np.random.random(5)
plt.barh(a,b,color='b')
plt.barh(a,-c,color='y')

通过颜色的分布就不难理解代码的意思，黄色的这个条线图是-c了的，所以是负的，仔细领会。

箱形图

“盒式图"或叫"盒须图”"箱形图"boxplot（也称箱须图(Box-whiskerPlot）须图又称为箱形图，其绘制须使用常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其在比较不同的母体数据时更可表现其差异。
主要包含六个数据节点，将一组数据从大到小排列，分别计算出他的上边缘，上四分位数Q3，中位数，下四分位数Q1，下边缘，还有一个异常值。

上图观察可以得到
最小值(minimum)=5
下四分位数(Q1)=7
中位数(Med–也就是Q2)=8.5
上四分位数(Q3)=9
最大值(maximum)=10
平均值=8
四分位间距(interquartile range)={\displaystyle Q3-Q1}=2 (即ΔQ)
下面通过一个案例来了解：

fig,ax = plt.subplots(1,2)
data = [1,6,2,8,3]
ax[0].boxplot([data])
ax[0].grid(True)
ax[1].boxplot([data],showmeans=True)
ax[1].grid(True)

先看看第一个箱型图，最小值为1，最大值为8，因为data里面是一个列表按顺序来的话3是中位数，所以图上就用橙色标记出来了，然后其他几个数都分别在画布上标记出来了，2表示的是下四分位数，6表示的是上四分位数，然后第二个箱型图里面就比第一个箱线图多了一个showmeans=True参数可以将平均值显示出来。上面使用Axes对象的boxplot()方法绘制箱线图，那我们使用plt.boxplot()绘制：

a = [1,6,2,8,3]
plt.boxplot(a)
plt.grid(True)
plt.show()

也可以查看plt.boxplot的帮助文档：

boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None, usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_ticks=True, autorange=False, zorder=None, *, data=None)

当然pandas的数据对象也有boxplot()方法（模块别忘了导入）：

np.random.seed(12345)
data = pd.DataFrame(np.random.rand(5,4),columns=['A','B','C','D'])
bp = data.boxplot(sym='r*',vert=False,meanline=False,showmeans=True)
plt.show()    

分析一下pd.boxplot里面的参数，其中起到作用的是vert=False,如果等于True，则表示竖直方向（默认就是竖直方向），sym=‘r*’，表示异常点的形状，meanline=False，表示平均值的形状不能为线性，因为中位数常常用于线段表示，这样做可以避免两者被混淆。

饼图

饼图显示一个数据系列中各项的大小与各项总和的比例。
在Matplotlib中使用是的pie()方法绘制饼图，可以查看帮助文档：

pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, data=None)

通过一个案例了解一下饼图：

a = [1,2,3,4]
fig,ax = plt.subplots()
labels = ['A','B','C','D']
colors = ['r','b','y','g']
explode = (0,0,0,0.1)
ax.pie(a,labels=labels,colors=colors,explode=explode,autopct='%1.1f%%',shadow=True,startangle=90,radius=1.2)
ax.set(aspect='equal',title='Pie')

先运行一下，通过上面运行的结果来分析一下plt.pie参数：
a，表示数据源，就是一个列表
labels，设置每个扇面的标示
colors，老员工了，当然是扇面颜色了
explode，标识每个扇面之间的偏距，上面参数里面有个0.1表示跟第四个扇面的距离，0就是表示没有距离
autopct， 按照规定的格式显示每个扇面的百分比
shadow， True表示没有阴影，False表示有阴影
startangel， 表示从第一个扇形是从90°开始，默认是逆时针旋转
radius，表示半径大小，上面表示1.2
熟能生巧，多试试。