python可视化分析的实现(matplotlib、seaborn、ggplot2)

一、matplotlib库

1、基本绘图命令

import matplotlib.pyplot as pltplt.figure(figsize=(5,4)) #设置图形大小plt.rcParams['axes.unicode_minus']=False #正常显示负号plt.rcParams['font.sans-self']=['Kai Ti'] #设置字体,这里是楷体,SimHei表示黑体#基本统计图plt.bar(x,y);plt.pie(y,labels=x);plt.plot(x,y);plt.hist(df.身高) #若参数density=True则是频率直方图

3、图形参数设置

颜色: plt.plot(x,y,c=‘red') #参数c控制颜色
横纵坐标轴范围: plt.xlim(0,100),plt.ylim(0,8)
横纵坐标轴名称: plt.xlabel(),plt.ylabel()
横纵坐标轴刻度: plt.xticks(range(len(x)),x)
线形和符号: plt.plot(x,y,linestyle='',marker=‘o') #实线:'-' ;虚线:''; '.'指点线
附加参考线: plt.axvline(x=1);plt.axhline(y=4)
文字标注: plt.text(3,5,‘peak point') #参数表示:坐标+文字
图例: plt.plot(x,y,label=‘折线');plt.legend()
分面绘图:

#一行两图plt.subplot(121)plt.bar(x,y)plt.subplot(122)plt.plot(x,y)#一页多图fig,ax=plt.subplots(2,2,figsize=(15,12)) # 2行2列放4个图,figsize控制大小ax[0,0].bar(x,y);ax[0,1].plot(x,y);ax[1,0].pie(x,y);ax[1,1].plot(y,'.',linewidth=3)

具体的参数color、linestyle、图例位置设置

颜色字符(color)

字符 代表颜色
r 红色
b 蓝色
g 绿色
w 白色
c 青色
m 洋红
y 黄色
k 黑色

风格字符(linestyle)

字符 代表风格
- (一个连字符) 实线
(两个连字符) 虚线
-. 点划线
点虚线
' ' 留空,空格

loc 参数(以matplotlib添加图例为例说明位置)

loc string loc code 位置
"best" 0 右上角(默认)
“upper right” 1 右上角
“upper left” 2 左上角
“lower left” 3 左下角
“lower right” 4 右下角
"right" 5 中右侧
“center left” 6 中左侧
“center right” 7 中右侧
“low center” 8 中下方
“upper center” 9 中上方
“center” 10 中间

4、特殊统计图的绘制

4.1 数学函数图

import matplotlib.pyplot as plt   #加载基本绘图包plt.rcParams['font.sans-serif']=['SimHei']; #SimHei黑体plt.rcParams['axes.unicode_minus']=False; #正常显示图中负号import numpy as np #加载软件包numpyimport math  #加载软件包mathx=np.linspace(0,2*math.pi);x #生成[0,2*pi]序列 ,作为横坐标取值plt.plot(x,np.sin(x)) #y=sinx 正弦函数plt.plot(x,np.cos(x)) #y=cosx 余弦函数plt.plot(x,np.log(x)) #y=lnx #对数函数plt.plot(x,np.exp(x)) #y=e^x 指数函数

数学函数也可以用pandas库绘制,可详见我的另一篇博客:文章链接

#极坐标图t=np.linspace(0,2*math.pi) x=3*np.sin(t); y=5*np.cos(t) plt.plot(x,y); plt.text(0,0,r'$/frac{x^2}{3^2}+/frac{y^2}{5^2}=1$',fontsize=20) #python借鉴的LATEX的格式,可以直接在图中添加公式

在这里插入图片描述

4.2 气泡图

import pandas as pddf=pd.read_excel('data.xlsx')plt.scatter(df['身高'], df['体重'], s=df['支出']) #在散点图的基础上加上点的大小,例子中s=df['支出']就是将指各样本点支出越多,点面积就越大

在这里插入图片描述

4.3 三维曲面图

from mpl_toolkits.mplot3d import Axes3D fig = plt.figure() ax = Axes3D(fig)X = np.arange(-4, 4, 0.5) Y = np.arange(-4, 4, 0.5) X, Y = np.meshgrid(X, Y)Z = (X**2+ Y**2)ax.plot_surface(X, Y, Z) #该图像就是表示函数z=x^2+y^2

在这里插入图片描述

二、seaborn库

1、常用统计图

1.1 箱线图

import seaborn as sns #加载软件包seaborn#箱线图sns.boxplot(x=df['身高'])#竖着放的箱线图,也就是将 x 换成 ysns.boxplot(y=df['身高']) #分组绘制箱线图sns.boxplot(x='性别', y='身高',data=df) #将身高按性别分组后绘制

1.2 小提琴图

sns.violinplot(x='性别', y='支出', data=df) #箱线图的变种,可以加第三个类别参数hue

在这里插入图片描述

1.3 点图

sns.stripplot(x='性别', y='身高', data=df, jitter=True) #分组的数据(定性+定量)画的点图,jitter参数为True表示将点分散开来,默认为false

在这里插入图片描述

1.4 条图与计数图

#条图,即柱形图sns.barplot(x='性别', y='身高', data=df, ci=0, palette="Blues_d") #palette用于设置颜色#计数图sns.countplot(x='性别', hue="开设", data=df) #都是分类变量

在这里插入图片描述

1.5 分组图

#按性别、开设依次分组后计数,aspect指比例大小sns.factorplot(x='性别', col="开设", col_wrap=3, data=df, kind="count", size=2.5, aspect=.8) 

在这里插入图片描述

1.6 概率分布图

#displot:直方图+密度函数,bins表示分的组数,kde=False表示不画出密度曲线,rug表示有数据的地方就标注出来sns.distplot(df['身高'], kde=True, bins=20, rug=True)#自定义渐进正态函数图像def norm_sim2(N=1000,n=10): xbar=np.zeros(N) for i in range(N):  xbar[i]=np.random.uniform(0,1,n).mean()#[0,1]上均匀随机数均值 sns.distplot(xbar,bins=50) print(pd.DataFrame(xbar).describe().T)norm_sim2(N=100000,n=50) 

在这里插入图片描述

2、联合图

sns.jointplot(x='身高', y='体重', data=df)#画的散点图+单个变量的直方图

在这里插入图片描述

3、配对图

#针对多个变量,两两配对,画在一起sns.pairplot(df[['身高','体重','支出']]) #将各变量间关系共放一张图上,在多元统计分析中很有用

在这里插入图片描述

三、ggplot库

ggplot库是采用的绘画中图层的思想,即一层一层往上叠加,先画好坐标,再添线,再增加其他操作,最后用 + 号连接起来,操作起来更有逻辑章法,语句简洁。ggplot新包是plotnine,与R语言的ggplot2对应,使用起来更方便,故直接import plotnine即可,里面的函数使用与ggplot是基本一样的

1、图层画法+常用图形

绘制直角坐标系和字体

GP=ggplot(aes(x='身高',y='体重'),data=df)

在这里插入图片描述

在此基础上增加线图

GP + geom_line()+ theme_grey(base_family = 'SimHei')#还可以再往上叠加,+geom_point()就是在折线图基础上加上散点图

在这里插入图片描述

改为有三个变量的点图,不同类型画不同记号(shape)/颜色(color)

ggplot(df,aes(x='身高',y='体重',color='性别'))+geom_point()+ theme_grey(base_family = 'SimHei')

在这里插入图片描述

改为分面图:
用pandas绘制分组统计图还需要先groupby,ggplot一步到位更加简便

ggplot(df,aes(x='身高',y='体重'))+geom_point()+facet_wrap('性别') + theme_grey(base_family = 'SimHei') #facet_wrap('性别')表示按性别分成两组画分面图

在这里插入图片描述

此外,+theme_bw()等可以设置图片背景、主题

2、快速绘图

ggplot也可以像pandas一样,在qplot函数中设置参数geom的取值而直接改变图像类型

#快速绘制直方图qplot(x='身高',data=df, geom='histogram')+ theme_grey(base_family = 'SimHei')#快速绘制柱形图qplot('开设',data=df, geom='bar')+ theme_grey(base_family = 'SimHei')#默认散点图qplot('身高', '体重', data=df, color='性别') + theme_grey(base_family = 'SimHei')

以上是基于《python数据分析基础教程 王斌会》整理的学习笔记,还有许多参数设置没有写明,以及pyecharts 动态图神器,日后学习了再一点点补充吧~

到此这篇关于python可视化分析的实现(matplotlib、seaborn、ggplot2)的文章就介绍到这了,更多相关python 可视化内容请搜索 以前的文章或继续浏览下面的相关文章希望大家以后多多支持 !

相关文章

发表新评论