【数据可视化】柱状图绘制

小Z的科研日常

已于 2024-02-07 10:16:04 修改

阅读量1.5k

点赞数 40

文章标签：数据可视化 python 信息可视化

于 2024-02-01 22:35:57 首次发布

本文链接：https://blog.csdn.net/weixin_46287760/article/details/135983067

版权

01、引言

本文涵盖主题：基本柱状图、分组柱状图、核密度估计与堆叠柱状图、步进图与多边形图。

数据来源：

penguins.csv
tips.csv

使用工具：

Seaborn

Matplotlib

首先，确保已经安装了Python和pip包管理工具。然后，在命令行中执行以下命令来安装Seaborn库和Matplotlib库：

# seaborn库 ：
pip install seaborn 

# Matplotlib库：
pip install matplotlib

本期内容『数据+代码』已上传百度网盘。

关注公众号【小Z的科研日常】，后台回复关键词[柱状图]获取。

02、数据导入与准备

我们导入需要用到的数据集。代码中使用Pandas库来导入和预览数据。让我们来预览一下"penguins"数据集与"tips"数据集：

import pandas as pd

penguins = pd.read_csv("penguins.csv")
tips =  pd.read_csv("tips.csv")

print(penguins.head())
print(tips.head())

03、基本柱状图

在这一部分，我们将介绍如何绘制基本的柱状图。代码中使用了histplot函数来绘制柱状图，通过指定x参数，可以绘制出柱状图，本段代码使用penguins数据集。

#插入代码块：基本柱状图2
sns.set_palette("Paired")
sns.histplot(data=penguins,
            x="flipper_length_mm",
            binwidth=3)
plt.grid(False)
plt.show()

应用场景：

比较不同类别的数量、频率或分布情况。
可以用于离散数据的直观展示。
显示类别之间的趋势和变化。

优点：

直观易懂，适合初学者。
有效地呈现了类别之间的差异和变化。
方便与其他图表进行对比和联合分析。

缺点：

不适合展示连续数据的分布情况。
当类别过多时，柱状图会显得拥挤不清晰。

04、分组柱状图

在这一部分，我们将介绍如何绘制分组柱状图。代码中使用Seaborn的hue参数来实现按照"species"字段进行分组，并绘制数据集中不同种类企鹅的翼长柱状图。(可使用自己的数据集，调整字段名称即可)

#插入代码块：分组柱状图
sns.set_palette("Dark2")
sns.histplot(data=penguins, 

             x="flipper_length_mm", 

             hue="species") 

plt.grid(False)

plt.show()

#插入代码块：分组柱状图2
sns.histplot(data=tips, 
             x ="day", hue="sex",
            shrink=0.8, multiple="dodge")
plt.grid(False)
plt.show()

应用场景：

比较不同类别中多个变量的差异。
可以同时显示类别间和组内的差异，有助于观察整体趋势和细节。
可以用于对比类别内部多个子类别的指标。

优点：

显示了多个类别和组内差异的直观展示。
适用于多维度数据的分析和展示。

缺点：

当数据量很大时，图表可能变得复杂不易理解。
不适合展示连续数据的分布情况。

05、核密度与堆叠柱状图

在这一部分，我们将介绍核密度估计图和堆叠柱状图的绘制方法。

5.1核密度估计图

#插入代码块：带有核密度估计的直方图
sns.set_palette("BuGn_r")
sns.histplot(data=penguins, 

             x="flipper_length_mm", 

             binwidth=3, 

             kde=True)

plt.grid(False)

plt.show()

#插入代码块：核密度估计图2
sns.histplot(data=penguins,
            x="flipper_length_mm",
            hue="species",
            element="step",
            stat="density",
            common_norm=False)
plt.grid(False)
plt.show()

核密度估计图应用场景：

展示连续数据的分布情况，可用于观察数据的整体分布特征。
相对于直方图，核密度估计图更平滑，能够更好地展示数据的连续性。

优点：

适用于连续数据的分布展示。
比直方图更平滑，更好地展现分布的连续性。

缺点：

不适合展示离散数据的分布情况。

5.2堆叠柱状图

#插入代码块：堆叠柱状图
sns.set_palette("Dark2")
sns.histplot(data=penguins, 

            x="flipper_length_mm", 

            hue="species", 

            multiple="stack")

plt.grid(False)

plt.show()

堆叠柱状图应用场景：

展示不同类别中多个子类别的数量或频率差异，同时显示各子类别的组成比例。

可以用于展示随时间或其他维度的变化趋势。

优点：

显示了类别中各子类别的组成比例。
可以用于对比类别内部多个子类别的指标。

缺点：

当类别过多时，图表会显得拥挤不清晰。

06、步进图和多边形图

6.1步进式堆叠直方图

#插入代码块：步进式堆叠直方图
sns.histplot(data=penguins, 

            x="flipper_length_mm", 

            hue="species", 

            element="step")

plt.grid(False)

plt.show()

步进图应用场景：

展示连续数据的变化情况，特别是在观察变化趋势时较为有用。
适合比较不同类别或组别之间的变化情况。

优点：

适用于连续数据的变化展示。
显示了数据在不同类别或组别间的变化趋势。

缺点：

不适合展示离散数据的变化情况。

6.2多边形直方图

#插入代码块：多边形直方图
sns.histplot(data=penguins, 

            x="flipper_length_mm", 

            hue="species", 

            element="poly")

plt.grid(False)

plt.show()

多边形直方图应用场景与优缺点：

展示连续数据的变化情况，类似于线图，但用面积表示而不是线段。

优点：

适用于连续数据的变化展示。
面积表示更能凸显变化幅度，尤其适合多个数据系列的比较。

缺点：

不适合展示离散数据的变化情况。

07、二维直方图

#插入代码块：二维直方图
sns.histplot(penguins, 
             y="body_mass_g",
            x="bill_depth_mm",

            hue="species")

plt.grid(False)
plt.show()