【读书笔记】《利用Python进行数据分析》第2版_第九章绘图与可视化：matplotlib和seaborn入门

最新推荐文章于 2024-03-19 07:00:25 发布

is_colorful

最新推荐文章于 2024-03-19 07:00:25 发布

阅读量1.4k

点赞数

分类专栏： python 文章标签： python 数据分析 jupyter 数据挖掘

本文链接：https://blog.csdn.net/weixin_45640009/article/details/123960603

版权

python 专栏收录该内容

13 篇文章 0 订阅

订阅专栏

关注matplotlib和以它为基础的库

seaborn底层绘图

在Jupyter notebook中使用交互式绘图，执行以下语句

%matplotlib notebook

9.1 简明matplotlib API入门

导入
```
import matplotlib.pyplot as plt
```
matplotlib的可视化作品库和文档是学习高级功能的最佳资源

图片与子图

绘制的图位于图片（Figure）对象中，plt.figure生成一个新的图片
```
fig = plt.figure()
```

add_subplot创建一个或多个子图（subplot），返回Axes Subplot对象；可以使用这些对象进行画图

# 图片摆放是2*2的，这是选择四个图形中的第一个
ax1 = fig.add_subplot(2, 2, 1)
# 使用对象画图
_ = ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.3)

复杂的图表操作放在单个的notebook单元格中，因为每个单元格运行后，图表被重置

使用子网格图创建图片：plt.subplots

返回包含子图对象的NumPy数组

fig, axes = plt.subplots(2, 3)
axes
"""
array([[<AxesSubplot:>, <AxesSubplot:>, <AxesSubplot:>],
       [<AxesSubplot:>, <AxesSubplot:>, <AxesSubplot:>]], dtype=object)
"""

数组axes可以像二维数组一样方便地进行索引，axes[0,1]
pyplot.subplots选项

调整子图周围的间距

使用图对象上的subplots_adjust方法更改间距，也可以用作顶层函数

# wspace控制图片宽度比
# hspace控制图片高度比
subplots_adjust(left=None, bottom=None, right=None,top=None, wspace=None, hspace=None)

颜色、标记和线类型

matplotlib的主函数plot接收带有x和y轴的数组以及一些可选的字符串缩写参数来指明颜色和线类型，也可用十六进制颜色代码来指定颜色
```
# 使用绿色破折号绘制x对y的线
ax.plot(x, y, linestyle='--', color='g')
# 简化版
ax.plot(x, y, 'g--')
```

折线图用标记凸显实际数据点

标记可以是样式字符串的一部分
线类型、标记类型必须跟在颜色后面

折线图举例

from numpy.random import randn
plt.plot(randn(30).cumsum(), 'ko--')
# 分开写
# plot(randn(30).cumsum(), color='k',linestyle='dashed', marker='o')

使用drawstyle改变内插新式

plt.plot(data, 'k-', drawstyle='steps-post',label='steps-post')
plt.legend(loc='best')

使用plt.legend为每条线生成一个用于区分的图例

无论你在用数据绘图时是否传递了lebel选项，你都必须调用plt.legend （如果你有轴的引用，也可以用ax.legend）来生成图例

刻度、标签和图例

两种修饰图表的方式
- 程序性的matplotlib.pyplot接口
  - 包含了像xlim（绘图范围）、xticks（刻度位置）和xticklabels（刻度标签）等
  - 使用方法
    - 没有函数参数调用：返回当前的参数值（例如plt.xlim()返回当前的x轴绘图范围）
    - 传入函数参数调用，并设置参数值：（例如plt.xlim（[0, 10]）会将x轴的范围设置为0到10）
    会在最近的AxesSubplot上生效
    
    xlim对应子图自身两个方法：ax.get_lim和ax.set_lim
    
    可以更显式地使用subplot子图方法
- 面向对象的原生matplotlib API

设置标题、轴标签、刻度和刻度标签

改变轴刻度

set_xticks：在数据范围内设定刻度的位置，默认刻度有标签
```
ticks = ax.set_xticks([0, 250, 500, 750, 1000])
```

set_xticklabels：为标签赋值

labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],rotation=30, fontsize='small')
# rotation将x轴的刻度标签旋转30度

设置轴名称：set_xlabel()
设置子图标题：set_title()

批量设置绘图属性

props = {
    'title':'my first matplotlib plot'
    'xlabel':'Stages'
}
ax.set(**props)

添加图例

添加每个图表时传递label参数

from numpy.random import randn
fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)
ax.plot(randn(1000).cumsum(), 'k', label='one')
ax.plot(randn(1000).cumsum(), 'k--', label='two')
ax.plot(randn(1000).cumsum(), 'k.', label='three')
# 调用ax.legend()或plt.legend自动生成图例
# loc参数告诉matplotlib在哪里放置图表
ax.legend(loc='best')

取消图例：不要传入label参数或者传入label='_nolegend_'

注释与子图加工

使用text、arrow和annote方法来添加注释和文本

# 在给定坐标(x,y)上绘制文本
ax.text(x, y, 'Hello world!',family='monospace', fontsize=10)

ax.annotate方法可以在指定的x和y坐标上绘制标签
matplotlib的图形全集位于matplotlib.patches，但是一些常见图形可在matplotlib.pyplot中找到。

在图表中添加图形

生成patch（补丁）对象shp
调用ax.add_patch （shp）将它加入到子图中

示例代码

fig = plt.figure(figsize=(12, 6)); ax = fig.add_subplot(1, 1, 1)
rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color='k', alpha=0.3)
circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3)
pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],
                   color='g', alpha=0.5)
ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)

结果展示

将图片保存到文件

使用plt.savefig将图片保存到文件，文件类型根据扩展名推断
- .pdf：PDF文件
- .dpi：控制每英寸点数的分辨率
- bbox_inches：修剪实际图形的空白
```
# PNG图片，拥有最小的空白
plt.savefig('figpath.png', dpi=400, bbox_inches='tight')
```
- figure.savefig选项

savefig可以写到所有文件对象中，如BytesIO()

from io import BytesIO
buffer = BytesIO()
plt.savefig(buffer)
plot_data = buffer.getvalue()

matplotlib设置

matplotlib中的配色方案和默认设置可以通过广泛的全局参数来定制

使用rc方法修改Python编程配置
- 第一个参数为想要自定义的组件，比如’figure’、‘axes’、‘xtick’、‘ytick’、‘grid’、'legend’等等。
```
plt.rc('figure', figsize=(10, 10))
```
- 使用字典按照关键字参数的序列指定新参数
```
font_options = {'family' : 'monospace',
                'weight' : 'bold',
                'size'   : 'small'}
plt.rc('font', **font_options)
```
更深入的定制和参看全量选项
- 参考matplotlib的设置文件matplotlibrc，该文件位于matplotlib/mpl-data路径
- 定制文件后放在home路径下并且将文件命名为．matplotlibrc，则每次你使用matplotlib时都会读取该文件。

9.2 使用pandas和seaborn绘图

seaborn简化了常用可视化类型，会修改默认的matplotlib配色方案和绘图样式，提高可读性和美观性

折线图

Series和DataFrame都有一个plot属性，用于绘制基本图形，默认是折线图
- Series的索引会作为x轴，可以传入use_index=False来禁用这个功能
- DataFrame的plot方法在同一个子图中将每一列绘制为不同的折线，并自动生成图例
- plot属性包含了不同绘图类型的方法族。例如，df.plot()等价于df.plot.line()
Series.plot方法参数
DataFrame的plot参数

柱状图

plot.bar():垂直柱状图；plot.barh()：水平柱状图

Series或DataFrame的索引将会被用作x轴刻度（bar）或y轴刻度（barh）

示例

fig, axes = plt.subplots(2, 1)
data = pd.Series(np.random.rand(16), index=list('abcdefghijklmnop'))
data.plot.bar(ax=axes[0], color='k', alpha=0.7)
data.plot.barh(ax=axes[1], color='k', alpha=0.7)

在DataFrame中，柱状图将每一行中的值分组到并排的柱子中的一组
堆积柱状图：传递stacked=True

使用value_counts: s.value_counts().plot.bar()可以有效地对Series值频率进行可视化

使用seaborn绘制需要聚合和汇总的数据会更简单：seaborn.barplot
- data参数：可以是pandas的DataFrame
- hue参数：通过一个额外的分类值将数据分离
设置seaborn外观：
```
sns.set(style="whitegrid")
```

直方图和密度图

直方图

定义：直方图是一种条形图，用于给出值频率的离散显示。数据点被分成离散的，均匀间隔的箱，并且绘制每个箱中数据点的数量。
使用Series的plot.hist方法可以绘制直方图

密度图

定义：通过计算可能产生观测数据的连续概率分布估计而产生，密度图也被称为内核密度估计图（KDE）。
plot.kde使用传统法定混合法估计绘制密度图

distplot方法可以绘制直方图和连续密度估计

import seaborn as sns
comp1 = np.random.normal(0, 1, size=200)
comp2 = np.random.normal(10, 2, size=200)
values = pd.Series(np.concatenate([comp1, comp2]))
sns.distplot(values, bins=100, color='k')

散点图或点图

点图或散点图可以用于检验两个一维数据序列之间的关系

seaborn的regplot方法绘制散点图并拟合一条线性回归线

seaborn的pairplot方法：支持在对角线上放置每个变量的直方图和密度估计值

# plot_kws参数能够将配置选项传递给非对角元素上的各个绘图调用
sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})

分面网格和分类数据

使用分面网格是利用多种分组变量对数据进行可视化的方式

sns.factorplot()：可以简化多种分面绘图

sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker',kind='bar', data=tips[tips.tip_pct < 1])

可以使用seaborn.FaceGrid创建自己的分面网格图

9.3 其他Python可视化工具

创建web交互式
- Bokeh（http://bokeh.pydata.org/）
- Plotly（https://github.com/plotly/plotly.py）
印刷或静态网页
- matplotlib
- pandas
- seaborn

is_colorful

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
【读书笔记】《利用Python进行数据分析》第2版_第九章绘图与可视化：matplotlib和seaborn入门

关注matplotlib和以它为基础的库seaborn底层绘图在Jupyter notebook中使用交互式绘图，执行以下语句%matplotlib notebook9.1 简明matplotlib API入门导入import matplotlib.pyplot as pltmatplotlib的可视化作品库和文档是学习高级功能的最佳资源图片与子图绘制的图位于图片（Figure）对象中，plt.figure生成一个新的图片fig = plt.figure().
复制链接

扫一扫