搜索引擎在哪里获取网站,深圳ui设计公司,百度建站云南服务中心,做网站为什么需要花钱Pandas数据可视化
学习目标 本章内容不需要理解和记忆#xff0c;重在【查表】#xff01; 知道数据可视化的重要性和必要性知道如何使用Matplotlib的常用图表API能够找到Seaborn的绘图API
1 Pandas数据可视化 一图胜千言#xff0c;人是一个视觉敏感的动物#xff0c;大…Pandas数据可视化
学习目标 本章内容不需要理解和记忆重在【查表】 知道数据可视化的重要性和必要性知道如何使用Matplotlib的常用图表API能够找到Seaborn的绘图API
1 Pandas数据可视化 一图胜千言人是一个视觉敏感的动物大多数人对数字无法在较短的时间内找到规律和业务意义可视化就势在必行。视觉化效应 (Visual effects) 是指人类认知过程中只要将非视觉性信息转化成视觉信息可以大大增强海马体的记忆与前额叶皮质的思维反应速度。 Pandas的数据可视化依赖于matplotlib模块的pyplot类在安装Pandas时会自动安装MatplotlibMatplotlib是一个专门的绘图可视化包可以对图形做细节控制绘制出出版质量级别的图形通过Matplotlib可以简单地绘制出常用的统计图形。除了Matplotlib以外还有很多用于可视化的包比如Seaborn 1.1 Pandas内置Matplotlib Pandas内置图表功能依赖其自带的Matplotlib包dataframe对象或seriers对象直接调用plot()函数即可绘图Pandas绘图的API使用方法和Matplotlib包相同 import pandas as pd
# 加载 anscombe数据
anscombe pd.read_csv(data/anscombe.csv)
df1 anscombe[anscombe[dataset]I]
df2 anscombe[anscombe[dataset]II]
df3 anscombe[anscombe[dataset]III]
df4 anscombe[anscombe[dataset]IV]df1.plot() # 默认折线图
df1[x].plot.bar()# df.plot.line() # 折线图的全写方式
# df.plot.bar() # 柱状图
# df.plot.barh() # 横向柱状图 条形图
# df.plot.hist() # 直方图
# df.plot.box() # 箱形图
# df.plot.kde() # 核密度估计图
# df.plot.density() # 同 df.plot.kde()
# df.plot.area() # 面积图
# s.plot.pie() # 饼图
# df.plot.scatter() # 散点图
# df.plot.hexbin() # 六边形箱体图或简称六边形图
plt.show()1.2 解决中文显示以及关闭警告
运行下边的代码中午字符无法正常显示而且出现警告信息
import matplotlib.pyplot as plt
import numpy as npx np.array([Runoob-1, Runoob-2, Runoob-3, C-RUNOOB])
y np.array([12, 22, 6, 18])plt.bar(x,y)
plt.title(柱状图)
plt.show()设置中文字体
matplotlib.rcParams[font.family] SimHei改变字体即可正常显示中文 将 simhei.ttf 字体文件放到 /root/anaconda3/lib/python3.8/site-packages/matplotlib/mpl-data/fonts/ttf 目录下 修改 /root/anaconda3/lib/python3.8/site-packages/matplotlib/mpl-data 目录下的 matplotlibrc 文件 vim matplotlibrc
# 增加以下内容
font.family : sans-serif
font.sans-serif : SimHei
axes.unicode_minus : False删除 /root/.cache 目录下的 matplotlib 文件 cd /root/.cache
rm -rf matplotlib2 Pandas图表绘制
准备工作
import pandas as pdanscombe pd.read_csv(../data/e_anscombe.csv) # 资料中提供了这份数据
print(anscombe)df1 anscombe[anscombe[dataset]I]
df2 anscombe[anscombe[dataset]II]
df3 anscombe[anscombe[dataset]III]
df4 anscombe[anscombe[dataset]IV]2.1 折线图line
df1.plot() # 默认折线图
#df1.plot(kindline) # 结果与df1.plot()
#df1.plot.line() # 结果与df1.plot()
# x轴是索引值y轴是各列的具体值
# 也可以通过参数指定xy轴对应的列名
df1.plot.line(xx, yy)
plt.show()2.2 柱状图bar
df1.plot.bar() # 柱状图
df1.plot.bar(stackedTrue) # 柱状堆积
# 也可以通过参数指定xy轴对应的列名
df1.plot.bar(xx, yy)
plt.show()2.3 水平条形图barh
df1.plot.barh() # 水平条形图
df1.plot.barh(stackedTrue) # 水平条形堆积图
# 也可以通过参数指定xy轴对应的列名
df1.plot.barh(xx, yy)
plt.show()2.4 饼图pie
# 饼图只能展示一维数据
# 参数y指定列名
# 参数autopct%.2f%%指定显示百分比 %.2f%%表示保留2位小数
# 参数radius0.9 指定饼图直径的比例最大为1
# 参数figsize(16, 8) 设定图片大小
df1.plot.pie(yx, autopct%.2f%%, radius0.9, figsize(16, 8))
plt.show()2.5 散点图scatter
# 指定xy轴gridTrue开启背景辅助线
df1.plot.scatter(xx, yy, gridTrue)
plt.show()2.6 气泡图-特殊的scatter
# 参数s表示每个点的大小与普通散点图相比能够描述三维数据
df1.plot.scatter(xx, yy, gridTrue, sdf1[x]*100)
plt.show()2.7 箱线图boxplot
箱线图用于显示多种统计信息最小值1/4分位中位数3/4分位最大值以及离群值如果有
df1.boxplot()
# df1.plot.boxplot() # 报错
plt.show()2.8 直方图hist
直方图描述的是数据在不同区间内的分布情况描述的数据量一般比较大图示如下
# 描述数据出现的次数
df1[x].plot.hist()
plt.show()2.9 蜂巢图hexbin
蜂巢图又叫做六边形分箱图Hexagonal Binning也称六边形箱体图或简称六边形图是一种由六边形为主要元素的统计图表。它是一种比较特殊的图表既是散点图的延伸又兼具直方图和热力图的特征。 颜色深浅表示该值出现的频率
# gridsize12设定蜂箱格子的大小数字越小格子越大
df1.plot.hexbin(xx, yy, gridsize12)
plt.show()3 Seaborn图表绘制 Seaborn是基于matplotlib的图形可视化python包。Seaborn是在matplotlib的基础上进行了更高级的API封装从而使得作图更加容易在大多数情况下使用seaborn能做出很具有吸引力的图而使用matplotlib就能制作具有更多特色的图。 Matplotlib的API是按照图形的种类进行设计的比如直方图、散点图等等 而Seaborn不同它的绘图API的设计初衷是为了更好的展示数据之间的关系我们查看Seaborn的官方文档就能很直观的发现这一点。 Seaborn的官方文档和版本号 API文档 https://seaborn.pydata.org/api.html历史版本API文档 https://seaborn.pydata.org/archive.html本课程使用的Seaborn版本为 0.10.1 seaborn图的分类 关系图relplot关系类图表的接口其实是下面两种图的集成通过指定kind参数可以画出下面的两种图 散点图 scatterplot() (kind“scatter”)线形图 lineplot() (kind“line”) 分布图 单变量分布图 直方图质量估计图 distplot()核密度估计图 kdeplot() 双变量关系图 双变量关系图 jointplot()变量关系组图 pairplot()将数组中的数据点绘制为轴上的数据 rugplot() 类别图catplot 分类图表的接口其实是下面八种图表的集成通过指定kind参数可以画出下面的八种图 分类散点图 stripplot() (kind“strip”)swarmplot() (kind“swarm”) 分类分布图 boxplot() (kind“box”)violinplot() (kind“violin”)boxenplot() (kind“boxen”) 分类估计图 pointplot() (kind“point”)barplot() (kind“bar”)countplot() (kind“count”) 回归图 回归模型图 Implot()线性回归图 regplot()线性回归残差图 residplot() 矩阵图组合图 热力图 heatmap()聚集图 clustermap() 如果说Matplotlib的API规定了各种图形那么Seaborn的API设计理念是为了更好的展示数据之间的关系接下来我们就讲解较为常用的Seaborn绘图API # 导包
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns # Anaconda内置无需额外安装
# 加载数据
tips_df pd.read_csv(data/05_tips.csv)
print(tips_df)3.1 scatterplot关系散点图
# 指定数据集指定x轴为消费订单金额y轴为消费金额,
# 散点图通用的可选参数 huesex通过颜色指定分组
# 散点图通用的可选参数 stylesmoker 通过形状指定分组
# 散点图通用的可选参数 sizetime 通过大小指定分组
sns.scatterplot(datatips_df, xtotal_bill, ytip, huesex, stylesmoker, sizetime
)
plt.show()3.2 relplot关系散点线形图
sns.relplot(datatips_df, xtotal_bill, ytip) # 默认 kindscatter
sns.relplot(datatips_df, xtotal_bill, ytip, kindline)
plt.show()3.3 stripplot分类散点图
f plt.figure()
f.add_subplot(2,1,1)
# 按照x属性所对应的类别分别展示y属性的值适用于分类数据
# 不同饭点的账单总金额的散点图
sns.stripplot(datatips_df, xtime, ytotal_bill)
f.add_subplot(2,1,2)
# hue通用参数按颜色划分
# jitterTrue 当数据点重合较多时尽量分散的展示数据点
# dodgeTrue 拆分分类
sns.stripplot(datatips_df, xtime, ytotal_bill, jitterTrue, dodgeTrue, hueday)
plt.show()[TIPS解决多图同时展示问题]
# 下边的代码只能输出一张图表
sns.stripplot(datatips_df, xtime, ytotal_bill)
sns.stripplot(datatips_df, xtime, ytotal_bill, jitterTrue, dodgeTrue, hueday)
plt.show()
# 所以我们使用下面的方法进行多图的输出
# f plt.figure() # 创建画布
# f.add_subplot(2,1,1) # 在画布上申请图表空间参数2,1,1表示2行1列中的第1个
# 图1 # sns.stripplot(datatips_df, xtime, ytotal_bill)
# f.add_subplot(2,1,2) # 在画布上申请图表空间参数2,1,2表示2行1列中的第2个
# 图2 # sns.stripplot(datatips_df, xtime, ytotal_bill, jitterTrue, dodgeTrue, hueday)
# plt.show()3.4 violinplot分类小提琴图
在箱线图基础上额外描述了数值出现的频率
# 下图分别描述午餐账单、晚餐账单的最大值、最小值、三个四分位数以及所有账单金额出现的次数频率
sns.violinplot(datatips_df, xtime, ytotal_bill)
plt.show()3.5 barplot分类平均值分布图
# 下图中黑色的粗线条展示了数据的分布(误差线), 线条越短, 数据分布越均匀
# 下图中每个柱的顶点就是该分类y指定列的平均值
sns.barplot(datatips_df, xday, ytotal_bill)
plt.show()3.6 countplot分类计数图
# 按x指定的列值分组统计出现次数
sns.countplot(datatips_df, xday)
plt.show()3.7 heatmap矩阵热力图
将二维的矩阵数据输出为热力图颜色深浅就表示数值的大小
# 男女在午餐晚餐的平均消费
new_df tips_df.pivot_table(indexsex, columnstime, valuestotal_bill, aggfuncmean)
print(new_df)
# 输出为热力图男性在晚餐花费最多
sns.heatmap(datanew_df)
plt.show()3.8 pairplot成对关系图
能够将df中所有或指定的数值类型的列成对的进行组合展示两者之间的关系
sns.pairplot(tips_df)
#sns.pairplot(df) # 全部数值列进行两两组合
#sns.pairplot(df, vars[列名1, 列名2]) # 指定要组合展示的列名
plt.show()按右上、左下、中间轴线左上至右下的方式分别设置图表类型
pair_grid sns.PairGrid(tips_df)
# 中间轴线上的图设为kdeplot
pair_grid.map_diag(sns.kdeplot)
# 右上设为lineplot
pair_grid.map_upper(sns.lineplot)
# 左下设为scatterplot
pair_grid.map_lower(sns.scatterplot)
plt.show()3.9 通用配置
将 Seaborn 提供的样式声明代码 sns.set() 放置在绘图前就可以设置图像的样式
sns.set(contextpaper, styledarkgrid, palettedeep, fontsans-serif, font_scale1
)
# context 参数控制着默认的画幅大小分别有 {paper, notebook, talk, poster} 四个值。其中poster talk notebook paper。
# style参数控制默认样式分别有 {darkgrid, whitegrid, dark, white, ticks}你可以自行更改查看它们之间的不同。
# palette参数为预设的调色板。分别有 {deep, muted, bright, pastel, dark, colorblind} 等你可以自行更改查看它们之间的不同。
# font用于设置字体
# font_scale设置字体大小sns.scatterplot(datatips_df, xtotal_bill, ytip, huesex, stylesmoker, sizetime)
plt.show()总结 请对下面的内容 有印象、能找到、能理解、能看懂 Matplotlib各种图形的API 折线图 df.plot.line()柱状图 df.plot.bar()水平条形图 df.plot.barh()饼图 df.plot.pie()散点图 df.plot.scatter()气泡图 df.plot.scatter() 在散点图的基础上除了xy参数以外再增加一个s参数可以展示三维数据 面积图 df.plot.area()箱线图 df.boxplot() 可以展示最大值、最小值、1/4分位数、中位数、3/4分位数 直方图 df.plot.hist() 描述一维数据展示数据出现的次数 蜂巢图 df.plot.hexbin() 描述二维数据的同时展示数据出现的次数 Seaborn实现各种统计功能的图表API API文档 https://seaborn.pydata.org/api.html历史版本API文档 https://seaborn.pydata.org/archive.html 关系图relplot关系类图表的接口其实是下面两种图的集成通过指定kind参数可以画出下面的两种图 散点图 scatterplot() (kind“scatter”)线形图 lineplot() (kind“line”) 分布图 单变量分布图 直方图质量估计图 distplot()核密度估计图 kdeplot() 双变量关系图 双变量关系图 jointplot()变量关系组图 pairplot()将数组中的数据点绘制为轴上的数据 rugplot() 类别图catplot 分类图表的接口其实是下面八种图表的集成通过指定kind参数可以画出下面的八种图 分类散点图 stripplot() (kind“strip”)swarmplot() (kind“swarm”) 分类分布图 boxplot() (kind“box”)violinplot() (kind“violin”)boxenplot() (kind“boxen”) 分类估计图 pointplot() (kind“point”)barplot() (kind“bar”)countplot() (kind“count”) 回归图 回归模型图 Implot()线性回归图 regplot()线性回归残差图 residplot() 矩阵图组合图 热力图 heatmap()聚集图 clustermap() Pyecharts 官方文档 https://pyecharts.org/#/zh-cn/intro官方案例 https://gallery.pyecharts.org/#/README
ot() (kind“strip”) - swarmplot() (kind“swarm”) - 分类分布图 - boxplot() (kind“box”) - violinplot() (kind“violin”) - boxenplot() (kind“boxen”) - 分类估计图 - pointplot() (kind“point”) - barplot() (kind“bar”) - countplot() (kind“count”) 回归图 回归模型图 Implot()线性回归图 regplot()线性回归残差图 residplot() 矩阵图组合图 热力图 heatmap()聚集图 clustermap() Pyecharts 官方文档 https://pyecharts.org/#/zh-cn/intro官方案例 https://gallery.pyecharts.org/#/README
