1、Python数据可视化编程实践绘制图表Python数据可视化编程实践-绘制图表准备工作打开Jupyter Notebook,导入需要的包,并配置好图片交互和中文显示环境:import pandas as pdimport numpy as npimport sysreload(sys)sys.setdefaultencoding(utf-8)import matplotlib as mplimport matplotlib.pyplot as pltimport matplotlib.cm as cm%matplotlib inlineplt.rcParamsfont.sans-serif=S
2、imHei #用来正常显示中文标签plt.rcParamsaxes.unicode_minus=False #用来正常显示负号定义图表类型柱状图、线形图和堆积柱状图调用figure()方法,创建一个新的图表,接下来的绘图操作都在此图表中进行,参数figsize=(12,6)表示该图表的大小。调用subplot(231)方法把图表分割成2行3列的网格,1表示图形的标号。x = 1, 2, 3, 4y =5, 4, 3, 2plt.figure(figsize=(12,6)plt.subplot(231)plt.plot(x,y) # 折线图plt.subplot(232)plt.bar(x,y)
3、 # 垂直柱状图plt.subplot(233)plt.barh(x,y) # 水平柱状图plt.subplot(234)plt.bar(x,y)y1= 7,8,5,3plt.bar(x,y1,bottom=y,color=r) # 堆叠柱状图 设置参数bottom=yplt.subplot(235)plt.boxplot(x) # 箱线图plt.subplot(236)plt.scatter(x,y) # 散点图plt.show()具体解释下箱线图中的几个最重要的显示选项。首先,我们可以添加从箱体延伸出来的箱须来展示数据集合的整个范围。箱体和箱须主要用于表现一个或多个数据集合中数据的编号,容
4、易对数据进行对比而且易于理解。在同一个箱线图中可以呈现5种数据。最小值:数据集合的最小值。第二四分位数:其以下为数据集合中较低的25%数据。中值:数据集合的中值第三四分位数:其以上为数据集合中较高的25%数据。最大值:给定数据集合的最大值。dataset = 113, 115, 119, 121, 124,124, 125, 126, 126, 126,127, 127, 128, 129, 130,130, 131, 132, 133, 136plt.figure(figsize=(10,6)plt.subplot(121)plt.boxplot(dataset, vert = False)
5、plt.subplot(122)plt.hist(dataset)plt.show()我们用同一个数据集合来绘制箱线图和直方图,观察两种图表在数据展现上的差异。左图呈现了五个统计数据,右图展示了数据集合在给定范围内的分组情况。简单的正弦图和余弦图我们对从-Pi到Pi之间具有相同线性距离的256个点来计算正弦值和余弦值,然后把sin(x)值和cos(x)值在用以图表中绘制出来。x = np.linspace(-np.pi, np.pi, 256, endpoint=True)y = np.cos(x)y1 = np.sin(x)plt.figure(figsize=(10,6)plt.plot(
6、x, y)plt.plot(x, y1)plt.title(Functions $sin$ and $cos$) #设置图标题plt.xlim(-3.0, 3.0) #设置x轴范围plt.ylim(-1.0, 1.0) #设置y轴范围plt.xticks(-np.pi, -np.pi/2, 0, np.pi/2, np.pi,r$-pi$, r$-pi/2$, r$0$, r$+pi/2$, r$+pi$) # 用希腊字母标注x轴标签plt.yticks(-1, 0, +1,r$-1$, r$0$, r$+1$)plt.show()设置坐标轴长度和范围如果不实用axis()或者其他参数设置,m
7、atplotlib会自动使用最小值,刚好可以让我们在一个图中看到所有的数据点。调用autoscale()方法,会以坐标轴的最佳大小适应数据的显示。axis()里面的值分别表示坐标轴上xmin、xmax、ymin、ymaxaxhline()表示绘制了一条y=0的水平线axvline()表示绘制了一条x=0的垂直线axhline(4)表示绘制了一条y=4的水平线l=-1, 1, -10, 10plt.axis(l)plt.axhline()plt.axvline()plt.axhline(4)设置图表的线型、属性和格式化字符串常见的线条样式:- 直线-虚线-. -.形式: 细小虚线常见的点样式:s
8、-方形h-六角形H-六角形*-星号+-加好x-x型d-菱形D-菱形p-五角形常见的颜色样式:c-cyan-青色r-red-红色m-magente-品红g-green-绿色b-blue-蓝色y-yellow-黄色k-black-黑色w-white-白色# plot(x轴数据,y轴数据,展现形式)x = 1, 2, 3, 4, 8y = 5, 7, 2, 1, 5plt.plot(x, y, -, color=g, linewidth=0.8)plt.plot(x, y,*,color=r) #散点图plt.show()设置刻度、刻度标签和网格刻度是图形的一部分,由刻度定位器(指定刻度所在的位置)
9、和刻度格式器(指定刻度显示的样式)组成。刻度有主刻度和次刻度,默认次刻度不显示。locator_params()方法控制刻度定位器,可以控制刻度的数目。plt.figure(figsize=(10,6)# 获取当前坐标ax = plt.gca()# 设置紧凑视图,设置刻度间隔最大为10ax.locator_params(tight=True, nbins = 10)# 生成100个正态分布值ax.plot(np.random.normal(10, .1, 100)plt.show()使用dates模块的一个例子来说明刻度格式器的配置。刻度格式器规定了值的显示方式。import datetime
10、fig = plt.figure(figsize=(10,6)# 获取当前的坐标轴ax = plt.gca()# 设置一些日期区间start = datetime.datetime(2013, 01, 01)stop = datetime.datetime(2013, 12, 31)delta = datetime.timedelta(days = 1)# 转换日期dates = mpl.dates.drange(start, stop, delta)# 产生一些随机值values = np.random.rand(len(dates)ax = plt.gca()# 用日期值画图ax.plot
11、_date(dates, values, linestyle=-, marker=)# 指定格式date_format = mpl.dates.DateFormatter(%Y-%m-%d)# 应用格式ax.xaxis.set_major_formatter(date_format)# 自动格式日期标签fig.autofmt_xdate()plt.show()添加图例和注解图例和注解清洗连贯地解释了数据图表的内容。通过给给个plot添加一个关于所显示数据的简短描述,能让观察者更容易理解。在每个plot中指定了一个字符串标签(label),这样legend()会把它们添加到图例框中。通过loc参
12、数确定图例框的位置。annotate()可以为xy坐标位置的数据点添加字符串描述。通过设置xycoord=data,可以指定注解和数据使用相同的坐标系,注解文本的起始位置通过xytext指定。箭头由xytext指向xy坐标位置。arrowstyle指定了箭头风格。plt.figure(figsize=(10, 6)# 生成不同正态分布值x1 = np.random.normal(30, 3, 100)x2 = np.random.normal(20, 2, 100)x3 = np.random.normal(10, 3, 100)# 在同张画布里画3条线plt.plot(x1, label=p
13、lot)plt.plot(x2, label=2nd plot)plt.plot(x3, label=3nd plot)# 生成图例框plt.legend(bbox_to_anchor=(0., 1.02, 1., .102), loc=3, ncol=3, mode=expand, borderaxespad=0.)# 注解重要值plt.annotate(Important value:(55, 20), (55, 20), xycoords=data, xytext=(5, 38), arrowprops=dict(arrowstyle=-)plt.show()移动轴线到图中央轴线定义了数
14、据区域的边界,把坐标轴刻度标记连接起来。一共有四个轴线,可以把它们放置在任何位置。默认情况下,它们被放置在坐标轴的边界。为了把轴线移到图中央,需要把其中两个轴线隐藏起来(设置color为none)。然后,移动另外两个到坐标(0,0)。坐标为数据空间坐标。x = np.linspace(-np.pi, np.pi, 500, endpoint=True)y = np.sin(x)plt.plot(x, y)ax = plt.gca()ax.spinesright.set_color(none) # 隐藏右边的轴线ax.spinestop.set_color(none) # 隐藏顶端的轴线ax.s
15、pinesbottom.set_position(data, 0) # 移动底端的轴线到(0,0)ax.spinesleft.set_position(data, 0) # 移动左端的轴线到(0,0)ax.xaxis.set_ticks_position(bottom) # 移动底端的刻度到x轴ax.yaxis.set_ticks_position(left) # 移动左侧的刻度到x轴plt.show()绘制直方图直方图被用于可视化数据的分布估计。表示一定间隔下数据点频率的垂直矩阵称为bin。bin以固定的间隔创建,因此直方图的总面积等于数据点的数量。直方图可以显示数据的相对频率,而不是使用数
16、据的绝对值。在这种情况下,总面积等于1。mu = 100sigma = 15x = np.random.normal(mu, sigma, 10000)ax = plt.gca()ax.hist(x, bins=35, color=r, normed=True) # normed=True ,直方图的值将进行归一化处理,形成概率密度。默认值为Falseax.set_xlabel(值)ax.set_ylabel(频率)ax.set_title(r$mathrmHistogram: mu=%d, sigma=%d$ % (mu, sigma)plt.show()绘制误差条形图误差条可以用来可视化数
17、据集中的测量不确定度或者指出错误。经常使用到的参数:xerr和yerr:用于在柱状图上生成误差条。width:给定误差条的宽度,默认值是0.8.bottom:如果指定了bottom,其值会加到高度中,默认值为None。edgecolor:给定误差条边界颜色。ecolor:指定误差条的颜色。linewidth:误差条边界宽度,可以设为None(默认值)和0(此时误差条边界将不显示出来)orientation:有vertical和horizontal两个值。x = np.arange(0, 10, 1)y = np.log(x)xe = 0.1 * np.abs(np.random.randn(l
18、en(y)plt.bar(x, y, yerr=xe, width=0.4, align=center, ecolor=r, color=cyan, label=experiment #1)plt.xlabel(# measurement)plt.ylabel(Measured values)plt.title(Measurements)plt.legend(loc=upper left)plt.show()绘制饼图饼图显示的数据集合加起来必须等于100%,否则它就是无意义的、无效的。饼图描述数值的比例关系,其中每个扇区的弧长大小为其所表示的数量的比例。饼图的缺点:1.难以对数量进行比较。2.
19、以特定角度的方式和一定颜色的扇形展示数据,会使我们的感觉有倾向性,从而影响我们对于所呈现数据得到的结论。plt.figure(figsize=(6, 6)ax = plt.axes(0.1, 0.1, 0.8, 0.8)labels = Spring, Summer, Autumn, Winter# 饼图的每部分定义为x/sum(x),或者为x if sum(x)=y1, facecolor=darkblue, interpolate=True)ax.fill_between(x, y1, y2, where=y2=y1, facecolor=deeppink, interpolate=Tru
20、e)ax.set_title(filled between)plt.show()绘制带彩色标记的散点图散点图显示两组数据的值。散点图可以作为更高级的多维数据可视化的基础,比如绘制散点图矩阵。散点图通常在应用拟合回归之前绘制,用来识别两个变量间的关联。x = np.random.randn(1000)# y1为随机值,与x不相关y1 = np.random.randn(len(x)# y2与x强相关y2 = 1.2 + np.exp(x)fig = plt.figure(figsize=(10, 6)ax1 = plt.subplot(121)# marker参数用来设置点状标记(默认为circ
21、le),alpha参数表示透明度,edgecolors参数表示标记的边界颜色,label参数用于图例框plt.scatter(x, y1, color=indigo, alpha=0.3, edgecolors=white, label=no correl)plt.xlabel(no correlation)plt.grid(True)plt.legend()ax2 = plt.subplot(122, sharey=ax1, sharex=ax1)plt.scatter(x, y2, color=green, alpha=0.3, edgecolor=grey, label=correl)plt.xlabel(strong correlation)plt.grid(True)plt.legend()plt.show()
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1