数据可视化，将数据以一种直观的方式展现出来。不同图表的功能作用也不同。

图表分类图.png -来自大鹏老师数据分析课程

图表分类图.png -来自大鹏老师数据分析课程

图表分类图.png -来自大鹏老师数据分析课程

这篇主要是介绍matplotlib和seaborn的简单使用。matplotlib一般是用来帮助做数据分析的，可以用python做数据处理，然后导出，用teablue做数据的可视化。

1、导入相关工具包

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

sns.set_style('darkgrid')

sns.set_context('paper')

import warnings

warnings.filterwarnings('ignore')

print('导入成功！')

2、创建数据

df = pd.DataFrame(np.random.randn(1000, 4), index=pd.date_range('1/1/2000', periods=1000), columns=list('ABCD'))

df = df.cumsum()

df.head(5)

数据.png

3、折线图

df.plot(kind='line', style='--', alpha=0.4,

use_indes=True, rot=45, grid=True,

figsize=(12,8), title='test', legend = True,

subplots = False, cmap = 'Greens'))

折线图.png

4、散点图、气泡图

plt.figure(figsize = (12,8))

plt.scatter(df['A'],df['B'],marker='.',

s = df['C']*10,

cmap = 'Reds',

c = df['D'],

alpha = 0.8,)

# s：散点的大小

# c：散点的颜色

# vmin,vmax：亮度设置，标量

# cmap：colormap

气泡图.png

5、箱型图

df.boxplot(figsize = (12,8))

# by：按照列分组做箱型图

df2 = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )

df2['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])

df2['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])

print(df2.head())

df2.boxplot(by = 'X', figsize=(12,8))

箱型图.png

分组箱型图.png

6、小提琴图

tips = sns.load_dataset("tips")

print(tips.head())

plt.figure(figsize=(12,8))

sns.violinplot(x="day", y="total_bill", data=tips,

hue = 'smoker',split = True, # 是否吸烟切分

linewidth = 2, # 线宽

width = 0.8, # 箱之间的间隔比例

palette = 'Blues_r', # 设置调色板

order = ['Thur','Fri','Sat','Sun'], # 筛选类别

scale = 'count', # 测度小提琴图的宽度：area-面积相同，count-按照样本数量决定宽度，width-宽度一样

gridsize = 50, # 设置小提琴图边线的平滑度，越高越平滑

inner = 'box', # 设置内部显示类型 → “box”, “quartile”, “point”, “stick”, None

)

小提琴图.png

7、两个样本数据分布图

#两个样本数据密度分布图

plt.figure(figsize=(12,8))

sns.kdeplot(df['A'],df['B'],

cbar = True, # 是否显示颜色图例

shade = True, # 是否填充

cmap = 'Reds', # 设置调色盘

shade_lowest=False, # 最外围颜色是否显示

n_levels = 20 # 曲线个数(如果非常多，则会越平滑)

)

# 两个维度数据生成曲线密度图，以颜色作为密度衰减显示

sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)

sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)

# 注意设置x，y轴

#两个样本数据散点分布图

plt.figure(figsize=(12,8))

sns.jointplot(df['A'],df['B'], # 设置xy轴，显示columns名称

data=df, # 设置数据

color = 'k', # 设置颜色

s = 50, edgecolor="w",linewidth=1, # 设置散点大小、边缘线颜色及宽度(只针对scatter)

kind = 'scatter', # 设置类型：“scatter”、“reg”、“resid”、“kde”、“hex”

space = 0.2, # 设置散点图和布局图的间距

size = 8, # 图表大小(自动调整为正方形)

ratio = 5, # 散点图与布局图高度比，整型

marginal_kws=dict(bins=15, rug=True) # 设置柱状图箱数，是否设置rug

)

数据分布图.png