Python数据可视化-matplotlib and seaborn

作者：vinyyu
声明：版权所有，转载请注明出处，谢谢。

鸢尾花iris.csv文件

numpy, matplotlib, seaborn, pandas

#准备好需要的库
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pdplt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题-设置字体为黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题

1 画线，set_style( ) set( )

sns.set_style("whitegrid")
plt.plot(np.arange(10))
plt.show()

#set( )通过设置参数可以用来设置背景，调色板等，更加常用。
sns.set(style="white", palette="muted", color_codes=True)     #set( )设置主题，调色板更常用
plt.plot(np.arange(10))
plt.show()

2 distplot( )直方图加强版，kdeplot( )密度曲线图

plt.rcParams['font.sans-serif'] = ['SimHei']  # 解决中文显示问题-设置字体为黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
df_iris = pd.read_csv('d:/iris.csv')
fig, axes = plt.subplots(1,2)
sns.distplot(df_iris['petal length'], ax = axes[0], kde = True, rug = True)        # kde 密度曲线  rug 边际毛毯
sns.kdeplot(df_iris['petal length'], ax = axes[1], shade=True)                     # shade  阴影
axes[0].set_title("加强直方图")
axes[1].set_title("密度曲线图")
plt.show()

sns.set( palette="muted", color_codes=True)
f, axes = plt.subplots(2, 2, figsize=(7, 7), sharex=True)
sns.distplot(df_iris['petal length'], kde=False, color="b", ax=axes[0, 0])
sns.distplot(df_iris['petal length'], hist=False, rug=True, color="r", ax=axes[0, 1])
sns.distplot(df_iris['petal length'], hist=False, color="g", kde_kws={"shade": True}, ax=axes[1, 0])
sns.distplot(df_iris['petal length'], color="m", ax=axes[1, 1])
plt.show()

3 箱线图 boxplot( )

df_iris = pd.read_csv('d:\iris.csv')
sns.boxplot(x = df_iris['class label'],y = df_iris['sepal width'])
plt.title("箱线图")
plt.show()

df_iris = pd.read_csv('d:\iris.csv')
#将iris数据根据sepal width分成1和2两类
df_iris['sepal class']=round(df_iris['sepal width']/2,0)
#fliersize=1将异常点虚化，showmeans=True显示平均值，order表示按x轴显示进行排序
sns.boxplot(data=df_iris,x='sepal class',y='sepal width',\hue='class label',hue_order=['Setosa','Versicolor','Virginica'],showmeans=True,fliersize=1)
plt.legend(loc='upper right')#图示靠右显示
plt.rc('font',family='SimHei',size=13)
plt.title("箱线图")
plt.show

4 热图 heatmap( )

df_iris = pd.read_csv('d:\iris.csv')
#求iris4个参数的相关性，越接近1表示正相关，越接近-1表示负相关，越接近0表示不相关
df_cor=df_iris.corr()
f, ax = plt.subplots(figsize=(10, 7))
#plt.xticks(rotation='90')
sns.heatmap(df_cor, square=True, linewidths=.5, annot=True)
plt.title("热图")
plt.show()

5 散点图 scatter( )

df_iris = pd.read_csv('d:\iris.csv')
plt.subplots(figsize=(10, 7))
plt.scatter(data=df_iris, x='sepal length', y='sepal width', c='r')
plt.xlim(2,10)
plt.ylim(1,5)
plt.title("散点图")
plt.show()

6 矩阵散点图 pairplot( )

df_iris = pd.read_csv('d:\iris.csv')
sns.pairplot(df_iris, vars=["sepal width", "sepal length"],hue='class label',palette="husl")
plt.title("pairplot")
plt.show()

7 柱状图 bar()

df_iris = pd.read_csv('d:\iris.csv')
#将iris数据根据sepal length分成4,5,6,7共4类
df_iris['sepal class']=round(df_iris['sepal length'])
#对分类数据统计个数
df_bar=pd.DataFrame({'x':pd.Series([4,5,6,7]),'y':pd.Series([0,0,0,0])})
for  i in df_bar['x']:df_bar.y[df_bar.x==i]=len(df_iris[df_iris['sepal class']==i])
plt.bar(x='x', height='y', data=df_bar)
plt.title("柱状图")
plt.show()
#这里用统计个数和柱状图做了类似直方图的功能图像

8 饼图 pie()

df_iris = pd.read_csv('d:\iris.csv')
#将iris数据根据sepal length分成4,5,6,7共4类
df_iris['sepal class']=round(df_iris['sepal length'])
#对分类数据统计个数
df_bar=pd.DataFrame({'x':pd.Series([4,5,6,7]),'y':pd.Series([0,0,0,0])})
for  i in df_bar['x']:df_bar.y[df_bar.x==i]=len(df_iris[df_iris['sepal class']==i])
plt.pie(data=df_bar,x='y',labels='x',autopct='%1.2f%%') #画饼图（数据，数据对应的标签，百分数保留两位小数点）
plt.title('饼图')
plt.show()

9 联合分布图 jointplot( )

df_iris = pd.read_csv('d:\iris.csv')
sns.jointplot("sepal length", "sepal width", df_iris, kind='reg')
plt.title("联合分布图")
plt.show()

10 联合密度图

g = sns.JointGrid("sepal length", "sepal width", df_iris)
g = g.plot_joint(sns.kdeplot, cmap = 'Reds_r')
#绘制密度图
plt.grid(linestyle = '--')
g.plot_marginals(sns.kdeplot, shade = True, color = 'r')

11 多种联合图

g = sns.PairGrid(df_iris)
g.map_diag(sns.kdeplot, lw=3) #设置对角线图表
g.map_upper(plt.scatter, color = 'r')  #设置对角线上端图表
g.map_lower(sns.kdeplot, cmap='Blues_d') #设置对角线下端图表

Python数据可视化-matplotlib and seaborn相关推荐

Python数据可视化matplotlib（一）—— 图表的基本元素
Python数据可视化matplotlib(一)-- 图表的基本元素图表创建 plt.show() # 图表窗口1 → plt.show()plt.plot(np.random.rand(10)) ...
Python数据可视化三部曲之 Seaborn 从上手到上头
Python数据可视化三部曲之 Seaborn 从上手到上头文章目录 1. 安装 seaborn 2.准备数据 3.背景与边框 3.1 设置背景风格 3.3 其他 3.2 边框控制 4. 绘制 ...
每日一课 | Python数据可视化—Matplotlib初体验
04. Matplotlib初体验大家好,我是小C,上期给大家分享--Python数据可视化-如何做好启动准备(小白必读) 本期分享内容:Python数据可视化-Matplotlib初体验本期小C ...
Python数据可视化matplotlib：第四回：文字图例尽眉目
Python数据可视化matplotlib:第四回:文字图例尽眉目 1. Figure和Axes上的文本大家可以看到有些论文或者博客上都有绘制的很漂亮的图,其中大部分都在图形绘制上进行一定的注释说明 ...
第十九章 python 数据可视化 Matplotlib Pygal
python 数据可视化一.使用Matplotlib生成数据图 1. matplotlib画图中文乱码小方框的解决方法 2. 知识点 3. 安装Matplotlib包 4. Matplotlib数据 ...
Python数据可视化--Matplotlib
一.基本概念 Matplotlib 是一个 Python 的 2D 绘图库,是一个非常强大的 Python 画图工具.在机器学习和深度学习中,面对海量的数据集,我们时常需要通过绘图直观的呈现出这些数据 ...
Python数据可视化 Matplotlib详解（一) —— 折线图与时序数据绘制
目录本小节内容基础代码实例讲解如何多图绘制多行多列的情况多行单列的情况 Matplotlib 绘制时序数据多时序变量绘图如何给数据添加注释 Reference 本小节内容今天这一小节 ...
python数据可视化-matplotlib之散点图sactter函数详解
本文转载自-[数字的可视化:python画图之散点图sactter函数详解] 感谢博主-hefei_cyp的博客最近开始学习Python编程,遇到scatter函数,感觉里面的参数不知道什么意思于是 ...
python数据可视化 - matplotlib专题：带数据标签的双batch的Bar图绘制示例
基于matplotlib的双Batch带标签bar图生成函数李俊才邮箱:291148484@163.com [代码实现] import matplotlib import matplotlib.p ...

Python数据可视化-matplotlib and seaborn

鸢尾花iris.csv文件

numpy, matplotlib, seaborn, pandas

1 画线，set_style( ) set( )

2 distplot( )直方图加强版，kdeplot( )密度曲线图

3 箱线图 boxplot( )

4 热图 heatmap( )

5 散点图 scatter( )

6 矩阵散点图 pairplot( )

7 柱状图 bar()

8 饼图 pie()

9 联合分布图 jointplot( )

10 联合密度图

11 多种联合图

Python数据可视化-matplotlib and seaborn相关推荐

最新文章

热门文章