python数据可视化（matplotlib,pandas绘图，直⽅图，散点
图，柱状图，折。。。
数据可视化
数据可视化对于数据描述以及探索性分析⾄关重，恰当的统计图表可以更有效的传递数据信息。在 Python 中已经有很多数据可视化⽅⾯的第三⽅程序包，例如：
matplotlib
Chaco
PyX
Bokeh
本节，我们将重点学习 matplotlib 的基础绘图功能以及 pandas 的⾼级可视化功能，这也是现在最为常⽤、最为稳健，同时功能
也⾮常丰富的数据可视化的解决⽅案。
课程⽬标：
熟悉⼏种常⽤的数据可视化展⽰⽅式
掌握散点图、直⽅图、箱线图等图像绘制⽅法
In [1]:
# 导⼊⼀些需要⽤到的包
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
# 配置 pandas
pd.set_option('book_repr_html', False)
pd.set_option('display.max_columns', 20)
pd.set_option('display.max_rows', 25)
Matplotlib 绘图
In [2]:
plt.plot(al(size=100), al(size=100), 'ro')
Out[2]:
[<matplotlib.lines.Line2D at 0x7f27e30e08d0>]
上图绘制了两组来⾃正态分布的随机数的散点图，“ro”是⼀个缩写参数，表⽰⽤“红⾊圆圈”绘图。这种绘图很简单，我们可以进⼀步通过拆分绘图流程来得到更加复杂的图像。
In [3]:
_context(rc={'font.family': 'serif', 'font.weight': 'bold', 'font.size': 8}):
fig = plt.figure(figsize=(6,3))
ax1 = fig.add_subplot(121)
ax1.set_xlabel('some random numbers')
ax1.set_ylabel('more random numbers')
ax1.set_title("Random scatterplot")
plt.plot(al(size=100), al(size=100), 'r.')
ax2 = fig.add_subplot(122)
plt.hist(al(size=100), bins=15)
ax2.set_xlabel('sample')
ax2.set_ylabel('cumulative sum')
ax2.set_title("Normal distrubution")
plt.tight_layout()
plt.savefig("normalvars.png", dpi=150)
fig=plt.figure(figsize=(6,3))，定义⼀个长为6宽为3英⼨的画布
matplotlib中subplotax1=fig.add_subplot(121)，将画布分为1⾏2列，从左到右从上到下取第1块matplotlib 是⼀个相对初级的绘图包，直接输出的结果布局并不是⼗分美观，但是使⽤者可以通过很多种灵活的⽅式来调试输出的图像。
Pandas 绘图
相对于 matplotlib 来讲，Pandas ⽀持 DataFrame 和 Series 两种⽐较⾼级的数据结构，可以想象得到⽤其绘制出图像的形式。In [4]:
normals = pd.Series(al(size=10))
normals.plot()
Out[4]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27e30f23d0>
可以发现，默认绘制的是折线图，并且有灰⾊的⽹格线。当然，这些都可以修改。
In [5]:
normals.cumsum().plot(grid=False)
Out[5]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27df5a6090>
对于 DataFrame 结构的数据，也可以进⾏类似的操作：
In [6]:
variables = pd.DataFrame({'normal': al(size=100),
'gamma': np.random.gamma(1, size=100),
'poisson': np.random.poisson(size=100)})
variables.cumsum(0).plot()
Out[6]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27df4aa410>
Pandas 还⽀持这样的操作：利⽤参数“subplots”绘制 DataFrame 中每个序列对应的⼦图In [7]:
variables.cumsum(0).plot(subplots=True)
Out[7]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x7f27df48c750>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f27df321990>,
<matplotlib.axes._subplots.AxesSubplot object at 0x7f27df2a66d0>], dtype=object)
或者，我们也可以绘制双坐标轴，将某些序列⽤次坐标轴展⽰，这样可以展⽰更多细节并且图像中没有过多空⽩。In [8]:
variables.cumsum(0).plot(secondary_y='normal')
Out[8]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27df4b4910>
如果你有更多的绘图要求，也可以直接利⽤ matplotlib 的 “subplots” ⽅法，⼿动设置图像位置：
In [9]:
fig, axes = plt.subplots(nrows=1, ncols=3, figsize=(12, 4))
for i,var in enumerate(['normal','gamma','poisson']):
variables[var].cumsum(0).plot(ax=axes[i], title=var)
axes[0].set_ylabel('cumulative sum')
Out[9]:
&Text at 0x7f27deffc3d0>
柱状图
我们常⽤柱状图来展⽰和对⽐可测数据，⽐如计数或流量统计。在 Pandas 中，我们通过设置“plot”⽅法“kind='bar”参数，即可绘制柱状图。 下⾯我们以泰坦尼克数据集为例，进⾏相关绘图说明。
In [10]:
titanic = pd.read_excel("data/titanic.xls", "titanic")
titanic.head()
Out[10]:
pclass survived name sex \
0 1 1 Allen, Miss. Elisabeth Walton female
1 1 1 Allison, Master. Hudson Trevor male
2 1 0 Allison, Miss. Helen Loraine female
3 1 0 Allison, Mr. Hudson Joshua Creighton male
4 1 0 Allison, Mrs. Hudson J C (Bessie Waldo Daniels) female
age sibsp parch ticket fare cabin embarked boat body \
0 29.0000 0 0 24160 211.3375 B5 S 2 NaN
1 0.9167 1
2 113781 151.5500 C22 C26 S 11 NaN
2 2.0000 1 2 113781 151.5500 C22 C26 S NaN NaN
3 30.0000 1 2 113781 151.5500 C22 C26 S NaN 135.0
4 25.0000 1 2 113781 151.5500 C22 C26 S NaN NaN
home.dest
0 St Louis, MO
1 Montreal, PQ / Chesterville, ON
2 Montreal, PQ / Chesterville, ON
3 Montreal, PQ / Chesterville, ON
4 Montreal, PQ / Chesterville, ON
In [11]:
Out[11]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27deaecc50>
In [12]:
Out[12]:
<matplotlib.axes._subplots.AxesSubplot at 0x7f27deb28250>
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论