我的Python分析成长之路10
matplot数据可视化基础
制作提供信息的可视化（有时称作绘图）是数据分析中最重要任务之一。
1.图片（画布）与子图
plt.figure ：创建一张空白的图片，可以指定图片的大小、像素。
figure.add_subplot:添加子图，可以指定子图的行数、列数和选中图片的编号。
如果使用plt.subplots(),它创建了一张图片，然后返回包含了已生成子图对象的Numpy数组
plt.subplots选型：
nrow:子图的行数
ncols:子图的列数
sharex:所有子图使用相同的x轴刻度
sharey:所有子图使用相同的y轴刻度
1 import numpy as np 2 import matplotlib.pyplot as plt 3 plt.rcParams["font.sans-serif"] = "SimHei" #设置中文显示 4 plt.rcParams["axes.unicode_minus"] = False #设置正常符号 5 #没有子图的绘图 6 x = np.arange(0,1,0.01) 7 y = x**2 8 y2 = x**4 9 plt.plot(x,y) 10 plt.plot(x,y2) 11 plt.show() 12 #有子图的绘制方法 13 fig = plt.figure(figsize=(8,5)) 14 ax1 = fig.add_subplot(2,1,1) 15 ax1.plot(x,y) 16 ax2 = fig.add_subplot(2,1,2) 17 ax2.plot(x,y2) 18 plt.show() 19 #用plt.subplots方法 20 fig,axes = plt.subplots(2,1,sharex=True) 21 axes[0].plot(x,y) 22 axes[1].plot(x,y2) 23 plt.show()
2.添加各类标签和图例的常用函数
plt.title 为当前图形添加标题，可以指定标题的名称、位置、颜色、大小等参数
plt.xlabel 为当前图形添加x轴名称，可以指定位置、颜色、大小等参数
plt.ylabel:为当前图形添加y轴名称，可以指定位置、颜色、字体大小等参数
plt.xlim：指定当前图形x轴的范围,只能确定一个数值区间,而无法使用字符串标识
plt.ylim:指定当前图形y轴的范围，只能确定一个数值区间,而无法使用字符串标识
plt. xticks:指定x轴数目与取值
plt.yticks:指定y轴刻度的数目与取值
plt.legend:根据当前图形的图例，可以指定图例的大小、位置、标签。
plt.savefig("filename")：保存图片
text/arrow/annote方法添加注释和文本
1 import numpy as np 2 import matplotlib.pyplot as plt 3 plt.rcParams["font.sans-serif"] = "SimHei" 4 plt.rcParams["axes.unicode_minus"] = False 5 x = np.arange(0,1,0.01) 6 y1 = x**2 7 y2 = x**4 8 plt.plot(x,y1,"g--") 9 plt.plot(x,y2,"b-") 10 plt.xlabel("x") #设置x轴类标 11 plt.ylabel("y") #设置y轴类标 12 plt.xlim([0,1]) #设置x范围 13 plt.ylim([0,1]) #设置y范围 14 plt.title("x**2和x**4函数") #添加标题 15 plt.legend(["Y1","Y2"],loc="best") # 16 plt.show()
3.设置pyplot的rc参数
lines.linestyle:线条样式
lines.linewidth:线条宽度
lines.marker:线条上的点的形状
lines.markersize:点的大小
4.分析特征间的相互关系
1.柱状图:
plot.bar():绘制垂直方向上的柱状图
plot.barh()：绘制水平方向上的柱状图
1 import matplotlib.pyplot as plt 2 import pandas as pd 3 fig,axes = plt.subplots(2,1) 4 data = pd.Series(np.random.rand(16),index=list("abcdefghijklmnop")) 5 data.plot.bar(ax=axes[0],color='k') 6 data.plot.barh(ax=axes[1],color="r") 7 plt.show() 8 df = pd.DataFrame(np.random.rand(6,4),index=["one","two","three","four","five","six"], 9 columns=pd.Index(["a","b","c","d"],name="Genus")) 10 df.plot.bar() 11 df.plot.barh(stacked=True) 12 plt.show()
2.直方图和密度图:
直方图是一种条形图，用于给出值频率的离散显示。数据被分隔成离散的，均匀间隔的箱，并且绘制每个箱中数据点的数量.一般用横轴表示 数据类型，用纵轴表示数量或者占比。
plot.hist()
密度图是一种与直方图相关的图表类型，它通过计算可能产生观测数据的连续概率分布估计而产生的。 密度图也称为内核密度估计图 （KED）
plot.density()
seabon.distplot()可以绘制直方图和连续密度估计
1 t seaborn as sns 2 import pandas as pd 3 import matplotlib.pyplot as plt 4 data1 = pd.Series(np.random.normal(0,1,size=200)) 5 data2 = pd.Series(np.random.normal(10,2,size=200)) 6 data3 = pd.Series(np.concatenate([data1,data2])) 7 # print(data3) 8 sns.distplot(data3,bins=100,color="k") 9 plt.show()
3.散点图
散点图，又称散点分布图，是一个以一个特征为横坐标，以另一个特征为纵坐标，利用坐标点的分布状态反映特征间的统计关系的一阵图 形。主要用于分析特征间的相互关系，散点图可以提供两类关键信息。1.特征之间是否存在数值或数量之间的关联趋势，关联趋势是线性 还是非线性的。2.如果从某一个点或者某几个点偏离大多数 点，则这些点就是离群值，从而分析这些离群值是否在建模分析中产生 很大的关系。散点图通过散点的疏密程度和变化趋势表示两个特征的数量关系。
plt.scatter(x,y,s=None,c=None,marker=None) c:代表颜色，marker：绘制点的类型
seaborn.pairplot(data,diag_kind="kde",{“plot_kws”:0.2}) 可以支持在对角线上放置每个变量的直方图或密度估计图
4.折线图
折线图是一种将数据点按照顺序连接起来的图形。查看因变量y随自变量x改变的趋势，最适合于显示随时间而变化的连续数据.
plt.plot()
5.饼图
饼图是将各项大小与各项总和的比例显示在一张“饼”上，以“饼”的大小确定所占的比例。
plt.pie（x,explode,labels,autopct,octdistance,labeldistance,radius）
explode:设定各项距离圆心n个半径
label：饼图的标签
autupct:指定数值的显示方式
6.箱型图
箱型图也称箱须图，其绘制需要常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其在比较不同特征时，更可表现其分散程度 差异。箱型图利用数据中的5个统计量（最小值、下四分位数、中位数、上四分位数、和最大值）来描述数据。
plt.boxplot（x,menline） meanline:是否显示中值
