本篇札記主要是整理于《利用
Python進行數(shù)據(jù)分析-第二版》的第九章，本章中講解了可視化的工具：matplotlib和seaborn。
導入庫
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline # 一定要導入進來，否則無法出圖
簡單圖形
data = np.arange(10)
plt.plot(data)
image.png
- 繪制子圖
fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
image.png
- 隨機散點圖
plt.plot(np.random.randn(50).cumsum(), 'k--')
image.png
復雜點圖形
fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)
for i in range(2):
for j in range(2):
axes[i, j].hist(np.random.randn(500), bins=50, color='r', alpha=0.5)
plt.subplots_adjust(wspace=0, hspace=0)
image.png
- 隨機漫步
from numpy.random import randn
# 生成0到30的隨機數(shù)
plt.plot(randn(30).cumsum(), 'ko--')
image.png
data = np.random.randn(30).cumsum()
plt.plot(data, 'k--', label='Default')
plt.plot(data, 'k-', drawstyle='steps-post', label='steps-post')
# best表示在最合適的位置自動添加圖例
plt.legend(loc='best')
image.png
標題和軸標簽
# 代碼放在同一個cell中
# 創(chuàng)建fig實例，調用figure類
fig = plt.figure()
# 創(chuàng)建子圖
ax = fig.add_subplot(1, 1, 1)
# 作圖
ax.plot(np.random.randn(1000).cumsum())
# 數(shù)據(jù)的刻度設置；
ticks = ax.set_xticks([0, 250, 500, 750, 1000])
# 刻度標簽和標簽旋轉角度
labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],
rotation=45, fontsize='medium')
#
ax.set_title('My first matplotlib plot')
ax.set_xlabel('Stages')
# 批量設定
# props = {
# 'title': 'My first matplotlib plot',
# 'xlabel': 'Stages'
# }
# ax.set(**props)
image.png
# 代碼需要放在同一個單元格中，否則不出圖
from numpy.random import randn
fig = plt.figure(); ax = fig.add_subplot(1, 1, 1)
ax.plot(randn(1000).cumsum(), 'r', label='one')
ax.plot(randn(1000).cumsum(), 'b--', label='two')
ax.plot(randn(1000).cumsum(), 'g.', label='three')
# 圖例位置，best自動選擇最好的位置
ax.legend(loc='best')
plt.show()
image.png
塊圖
# 關于塊：創(chuàng)建塊對象shp，傳給add_patch(shp)
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
# (0.4, 0.75), 0.4, 0.15：起始位置，長，寬； alpha=0.8：顏色深度
rect = plt.Rectangle((0.4, 0.75), 0.4, 0.15, color='g', alpha=0.8)
circ = plt.Circle((0.7, 0.4), 0.15, color='b', alpha=0.3)
pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]],color='r', alpha=0.5)
ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)
# 圖片保存
plt.savefig('test.png', dpi=400, bbox_inches='tight')
image.png
matplotlib配置
- 配置文件：matplotlibrc（位于matplotlib/mpl-data?錄中）
- 通過全局參數(shù)進行配置；管理圖像大小、邊距、字體大小等
- plt.rc("figure", figsize=(10, 10))，第一個參數(shù)是希望自定義的對象
-
如'figure'、'axes'、'xtick'、'ytick'、'grid'、'legend'，可以寫成字典形式
image.png
使?pandas和seaborn繪圖
- pandas內置方法簡化DF和S繪圖
- seaborn：靜態(tài)圖形庫
- Bokeh/Plotly：動態(tài)交互圖，?于??瀏覽器。
S的plot繪制
# 線性圖：S的plot方法
s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
s.plot()
# xticks和xlim調整x軸信息，y軸同理
image.png
DF的plot圖形繪制
# DF的plot方法：會在?個subplot中為各列繪制?條線，并?動創(chuàng)建圖例
df = pd.DataFrame(np.random.randn(10, 4).cumsum(0),
columns = ['A', 'B', 'C', 'D'],
index = np.linspace(0, 100, 10))
df.plot()
image.png
柱狀圖
image.png
image.png
image.png
堆積柱狀圖
- 設置stack=True
- plot.barh生效
image.png
學習Seaborn
image.png
image.png
image.png
image.png
直方圖和密度圖
- hist：直?圖（histogram）是?種可以對值頻率進?離散化顯示的柱狀圖
- density：將該分布近似為?組核（如正態(tài)分布）;也被稱作KDE（Kernel Density Estimate，核密度圖)
image.png
image.png
散點圖Scatter
- 觀察兩個一維數(shù)據(jù)序列之間的關系
- regplot函數(shù)繪制散布圖 + 線性回歸的線
-
pairplot函數(shù)繪制散布圖矩陣：對角線上放置每個變量的直方圖或者密度圖
image.png
image.png
image.png
分??格（facet grid）和類型數(shù)據(jù)
- 多個變量的圖形繪制在同個網(wǎng)格中：分面圖
- 使用函數(shù)factorplot函數(shù)
image.png
image.png
# 盒圖：中位數(shù)、四分位數(shù)、異常值
sns.factorplot(x='tip_pct', y='day', kind='box',
data=df[df.tip_pct < 0.5])
image.png
