Python数据可视化之气泡图(图文并茂详细版！！！)

Python数据可视化之气泡图

数据获取
数据分析
- 与散点图对比
- 绘制气泡图
- - 确定需要对比的属性

数据获取

•绘制气泡所需的数据与之前散点图的数据是一样的，都是美国中西部地区人口分布详情数据集，需要数据的可通过下面博客获取：Python数据可视化之散点图(进阶篇—图文并茂详细版！！！)
•上述数据集中包含很多常用的数据集，可供我们平时数据分析使用，非常实用！！！

数据分析

与散点图对比

•用上述数据绘制的散点图如下：

•散点图仅仅反映了横，纵坐标之间的关系，没有真实的反映出点与点不同性质之间的差异，不方便我们对比点与点之间的对应关系
•此时我们就需要气泡图：气泡图允许在图表中额外加入一个表示大小的变量进行点与点对比

绘制气泡图

确定需要对比的属性

•绘制流程和散点图相似，导入数据，确定横纵坐标，不同点：需要确定一个特征性质，进行点与点之间的属性对比

•我们选择所有特征中的’‘亚洲人口’'作为我们需要对比的属性进行绘图
代码测试：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns# 导入数据
midwest = pd.read_csv(r'D:\9\midwest_filter.csv')# 预设图像各种信息
large = 22
med = 16
small = 12
params = {'axes.titlesize': large,  # 子图上的标题字体大小'legend.fontsize': med,  # 图例的字体大小'figure.figsize': (med, small),  # 画布大小'axes.labelsize': med,  # 标签的字体大小'xtick.labelsize': med,  # x轴标尺的字体大小'ytick.labelsize': med,  # y轴标尺的字体大小'figure.titlesize': large}  # 整个画布的标题字体大小
plt.rcParams.update(params)  # 设定各种默认属性
plt.style.use('seaborn-whitegrid')  # 设置整体风格
sns.set_style('white')  # 设置整体背景风格# 准备标签列表与颜色列表
categories = np.unique(midwest['category'])
colors = [plt.cm.tab10(i / float(len(categories) - 1)) for i in range(len(categories))]# 布置画布
fig = plt.figure(figsize=(14, 8), dpi=120, facecolor='w', edgecolor='k')for i, category in enumerate(categories):plt.scatter('area', 'poptotal', data=midwest.loc[midwest.category == category, :], s=midwest.loc[midwest.category == category, 'percasian'] * 500  # 需要对比的属性, c=np.array(colors[i]).reshape(1, -1)  # 点的颜色, edgecolors=np.array(colors[i]).reshape(1, -1)  # 点的边缘颜色, label=str(category)  # 标签, alpha=0.7  # 透明度, linewidths=.5)  # 点的边缘线的宽度# 装饰图像
plt.gca().set(xlim=(0.0, 0.12), ylim=(0, 90000),xlabel='Area', ylabel='Population')
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.title('Bubble Plot Encircling', fontsize=22)lgnd = plt.legend(fontsize=12)
plt.show() # 显示图像

•上述代码与散点图不同的只有一行： s=midwest.loc[midwest.category == category, ‘percasian’] * 500 # 需要对比的属性
选取亚洲人口作为对比属性，使用循环，切片取出属性的值

•上述图片中的点的大小代表该城市亚洲人口的多少，并与我们的散点图进行联系