python数据可视化（学习笔记）

​​​​​​​

0、加载数据并查看

data_path = "path_to_your_data"

your_dataframe = pd.read_csv(data_path, index_col=, parse_dates=)

/* 

index_col 将某一列作为index

parse_dates 将某一列设置为时间类型

*/

your_dataframe.head()

1、Line Charts 线段图

设置画布大小和标题：

plt.figure(figsize=(width, heigth))

plt.title("your_title")

绘制线段图：

sns.lineplot(data)

其中data可以是一整个dataframe（data = dataframe）

也可以是dataframe中的某一个columns（data = dataframe["column_name"])

2、Bar Charts 条形图

设置画布大小和标题：

plt.figure(figsize=(width, heigth))

plt.title("your_title")

绘制条形图：

与绘制线段图不同的是，绘制条形图时需要指定xy轴，一般将dataframe.index作为x轴

sns.barplot(x = your_data.index, y = your_data["column_name"])

ps：条形图barcharts和柱状图histogram是不一样的，后续会讲到

 

3、Heatmaps 热力图

设置画布大小和标题：

plt.figure(figsize=(width, heigth))

plt.title("your_title")

绘制heatmap：

sns.heatmap(data=your_dataframe, annot=True)

annot为True表示在热力图上显示具体的数值，False则不显示

生成的热力图的x轴是没有label的，因此需要额外补充一下x轴的label：

plt.xlabel('label_name')

4、Scatter plots 散点图

绘制散点图：

sns.scatterplot(x = your_dataframe['column1_name'], y = your_dataframe['column2_name'])

绘制回归散点图：

sns.regplot(x = your_dataframe['column1_name'], y = your_dataframe['column2_name'])

根据某个指标，以不同的颜色区分散点图：

sns.scatterplot(x = your_dataframe['column1_name'], y = your_dataframe['column2_name']， hue = your_dataframe['column3_name'])

进一步，希望区分后的散点图能有两条回归线（多回归散点图）：

sns.lmplot(x = 'column1', y = 'column2', hue = 'column3', data = your_dataframe)

分类图 —— 以某一指标区分另一指标（categorical scatter plot）

sns.swarmplot(x = your_dataframe['column1_name'], y = your_dataframe['column2_name'])

5、Distributions 分布图

直方图/柱状图查看dataframe某一列的分布

sns.histplot(dataframe['column_name'])

可以添加hue参数，进一步区分，但要指定x轴

sns.histplot(data=your_dataframe, x='column1_name', hue = 'column2_name')

ps：直方图/柱状图和条形图的区别在于，Histogram用于显示连续变量的分布情况，例如数据的频率分布，条形之间是连续的，没有间隔，且顺序不能更改。而Bar Chart用于显示离散变量的数据，每个类别之间通常有一定的间隔，顺序可以更改

密度图 （kde —— kernel density estimate）

sns.kdeplot(data = your_dataframe['column_name'], shade=True)

同样可以添加hue参数，进一步区分，但要指定x轴

sns.kdeplot(data=your_dataframe, x='column1_name', hue = 'column2_name')

2D密度图 （可以理解为等高线图）

sns.jointplot(x = dataframe['column1_name'], y = dataframe['column2_name'], kind = "kde")

总结

数据可视化可以分为三个方面的用途：

1、查看数据的趋势

        线段图

2、查看数据之间的关系

        条形图、热力图、散点图、回归散点图、多回归散点图、分类图

3、查看数据的分布

        直方图/柱状图、密度图、联合密度图