我的位置：首页 › 综合讨论 › 薏米杂谈 › 9种常用的Python数据可视化方法

9种常用的Python数据可视化方法

复制链接 | 收藏本帖

2962

: 大哥很IT 数据老手Lv5

发表于2018-9-20 11:32

楼主

本帖最后由大哥很IT 于 2018-9-20 11:50 编辑

用Python进行可视化需要做些什么？

基于Python的绘图库提供matplotlib 一个完整的2D支持和有限的三维图形支持。在跨平台交互环境中生成出版物质量图是非常有用的。它也可以用于动画。

Seborn是一个库，用于在python中创建信息丰富和有吸引力的统计图形。这个库基于matplotlib。Seborn提供了多种特性，如内置主题、调色板、函数和工具来可视化单变量、双变量、线性回归、数据矩阵、统计时间序列等，使我们能够构建复杂的可视化。

我能做什么不同的视觉化？

下面是python代码及其输出。我使用了以下数据集来创建这些可视化：

进口数据集：

import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_excel("E:/First.xlsx", "Sheet1")

复制代码

直方图：

fig=plt.figure() #Plots in matplotlib reside within a figure object, use plt.figure to create new figure
#Create one or more subplots using add_subplot, because you can't create blank figure
ax = fig.add_subplot(1,1,1)
#Variable
ax.hist(df['Age'],bins = 7) # Here you can play with number of bins
Labels and Tit
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('#Employee')
plt.show()

复制代码

盒图

import matplotlib.pyplot as plt
import pandas as pd
fig=plt.figure()
ax = fig.add_subplot(1,1,1)
#Variable
ax.boxplot(df['Age'])
plt.show()

复制代码

小提琴情节

import seaborn as sns
sns.violinplot(df['Age'], df['Gender']) #Variable Plot
sns.despine()

复制代码

条形图

var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("Gender wise Sum of Sales")
var.plot(kind='bar')

复制代码

线图

var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('BMI')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("BMI wise Sum of Sales")
var.plot(kind='line')

复制代码

叠柱图

var = df.groupby(['BMI','Gender']).Sales.sum()
var.unstack().plot(kind='bar',stacked=True, color=['red','blue'], grid=False)

复制代码

un堆栈()返回一个具有新级别列标签的数据帧，其内部最高级由旋转索引标签组成。

散点图

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.
plt.show()

复制代码

[tr]气泡图

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubble
plt.show()

复制代码

饼图

var=df.groupby(['Gender']).sum().stack()
temp=var.unstack()
type(temp)
x_list = temp['Sales']
label_list = temp.index
pyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")
#To show the percentage of each pie slice, pass an output format to the autopctparameter plt.pie(x_list,labels=label_list,autopct="%1.1f%%") plt.title("Pastafarianism expenses") plt.show()

复制代码

热图

import numpy as np
#Generate a random number, you can refer your data values also
data = np.random.rand(4,2)
rows = list('1234') #rows categories
columns = list('MF') #column categories
fig,ax=plt.subplots()
#Advance color controls
ax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')
ax.set_xticks(np.arange(0,2)+0.5)
ax.set_yticks(np.arange(0,4)+0.5)
# Here we position the tick labels for x and y axis
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
#Values against each labels
ax.set_xticklabels(columns,minor=False,fontsize=20)
ax.set_yticklabels(rows,minor=False,fontsize=20)
plt.show()

复制代码

您可以尝试根据两个变量绘制热量，如x轴上的性别、Y轴上的BMI和作为数据点的销售值。请在注释部分分享您的代码和输出。

尾注

到现在为止，你肯定已经意识到，使用可视化技术可以显示多么漂亮的数据。我发现与本文中的R相比，用Python执行可视化要容易得多，我们讨论了如何在Python中派生各种可视化。在此过程中，我们在python中使用了matplotlib和seABOIN。在随后的文章中，我们将探讨python中的地图可视化和Word云。

你对可视化方法/技术/选择有什么疑问吗？请回帖和我们讨论哟！

本文来源：https://www.analyticsvidhya.com/blog/2015/05/data-visualization-python/