文章目录

9.1 matplotlib API 入门
- 图形和子图
- 调整子图周围的间距
- 颜色，标记和线性
- 刻度、标签和图例
- 设置标题、轴标签、刻度以及刻度标签
- 添加图例
- 注解
- 将图表保存到文件
9.2 使用 pandas 和 seaborn 绘图
- 线形图
- 柱状图
- 直方图和密度图
- 散点图
- - 简单的散点图
  - 散点图分组
  - 散点图点形状

信息可视化（也叫绘图）是数据分析中最重要的工作之一。它可能是探索过程的一部分，例如，帮助我们找出异常值、必要的数据转换、得出有关模型的想法等。另外，做一个可交互的数据可视化也许是工作的最终目标。Python 有许多库进行静态或动态的数据可视化，但我这里重要关注于 matplotlib 和基于它的库。

matplotlib 是一个用于创建出版质量图表的桌面绘图包（主要是 2D 方面）。该项目是由 John Hunter 于 2002 年启动的，其目的是为 Python 构建一个 MATLAB 式的绘图接口。matplotlib 和 IPython 社区进行合作，简化了从 IPython shell（包括现在的 Jupyter 笔记本）进行交互式绘图。matplotlib 支持各种操作系统上许多不同的 GUI 后端，而且还能将图片导出为各种常见的向量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF 等。除了几张，本书中的大部分图都是用它生成的。

随着时间的发展，matplotlib 衍生出了多个数据可视化的工具集，它们使用 matplotlib 作为底层。其中之一是 seaborn，本章后面会学习它。

学习本章代码案例的最简单方法是在 Jupyter 笔记本进行交互式绘图。在 Jupyter 笔记本中执行下面的语句：

%matplotlib notebook

9.1 matplotlib API 入门

matplotlib通常的引入方式如下

In [11]: import matplotlib.pyplot as plt

创建一个简单的图形

In [12]: import numpy as npIn [13]: data = np.arange(10)In [14]: data
Out[14]: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])In [15]: plt.plot(data)

图形和子图

matplotlib图像都位于图形中，可以使用plt.figure创建一个新的图形

In [16]: fig = plt.figure()

plt.figure有一些选项，特别是figsize，它用于确保当图片保存到磁盘时具有一定的大小和纵横比。figsizie用来指定图形的长和宽，传入的是一个二元数组

plt.figure(figsize=(2,4))

使用add_subplot 可以在图形中创建多个子图

In [17]: ax1 = fig.add_subplot(2, 2, 1)

这条代码的意思是图像是2*2的分布的，且当前选中的是4张图的第一个。。如果再把后面两个子图也创建出来，最终得到的图像如图 9-2 所示：

In [18]: ax2 = fig.add_subplot(2, 2, 2)In [19]: ax3 = fig.add_subplot(2, 2, 3)

如果这时执行一条绘图命令（如plt.plot([1.5, 3.5, -2, 1.6])），matplotlib 就会在最后一个用过的子图（如果没有则创建一个）上进行绘制，隐藏创建图形和子图的过程。因此，如果我们执行下列命令，你就会得到如图 9-3 所示的结果：

In [20]: plt.plot(np.random.randn(50).cumsum(), 'k--')

k–是线性选项，告诉matplotlib绘制的是黑色线性虚线图。
上面那些有fig.add_subplot所返回的对象是AxesSubplot对象，直接调用他们的实例方法就可以在其所代表的空格中画图了

fig = plt.figure()
ax1 = fig.add_subplot(2,2,1)
ax2 = fig.add_subplot(2,2,2)
ax3 = fig.add_subplot(2,2,3)
plt.plot(np.random.randn(40).cumsum(),'k--')
ax1.hist(np.random.randn(100),bins=20,color='k',alpha = 0.3)
ax2.scatter(np.arange(30),np.arange(30)+3+np.random.randn(30))

创建包含子图网格的图形是一个常见的任务，matplotlib有一个更便捷的方法plt.subplots,它可以创建一个新的图形，并返回一个已含有子图对象的numpy数组
plt.subplots生产两个对象一个是图形对象，一个是子图对象的数组

In [24]: fig, axes = plt.subplots(2, 3)In [25]: axes
Out[25]:
array([[<matplotlib.axes._subplots.AxesSubplot object at 0x7fb626374048>,<matplotlib.axes._subplots.AxesSubplot object at 0x7fb62625db00>,<matplotlib.axes._subplots.AxesSubplot object at 0x7fb6262f6c88>],[<matplotlib.axes._subplots.AxesSubplot object at 0x7fb6261a36a0>,<matplotlib.axes._subplots.AxesSubplot object at 0x7fb626181860>,<matplotlib.axes._subplots.AxesSubplot object at 0x7fb6260fd4e0>]], dtype
=object)

这是非常实用的，因为可以轻松地对axes数组进行索引，就好像是一个二维数组一样，例如axes[0,1]。你还可以通过sharex和sharey指定子图应该具有相同的 X 轴或 Y 轴。在比较相同范围的数据时，这也是非常实用的，否则，matplotlib 会自动缩放各图表的界限。有关该方法的更多信息，请参见表 9-1。

调整子图周围的间距

默认情况下，matplotlib会在子图周围留下一定的间距，间距和图像的高度与宽度有关，因此你调整了图像的大小，间距的大小也会改变，利用图形的subplots_adjust方法可以调增子图的间距，同时它也是一个顶级函数

subplots_adjust(left=None, bottom=None, right=None, top=None,wspace=None, hspace=None)

wspace和hspace是用来控制高度和宽度的间距的百分比（这个百分比是相对于图像的百分比，1就是一个图像的间距），

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='k', alpha=0.5)
plt.subplots_adjust(wspace=0, hspace=0)

颜色，标记和线性

matplotlib中的plot函数接受一组X和Y坐标，还可以接受表示颜色和线性的字符串缩写。例如要画出一个绿色，虚线的图形，可以这样话

ax.plot(x, y, 'g--')

这种在一个字符串中指定颜色和线型的方式非常方便。在实际中，如果你是用代码绘图，你可能不想通过处理字符串来获得想要的格式。通过下面这种更为明确的方式也能得到同样的效果：
常见的表示颜色的快捷字符串都是常见颜色的首字母（比如蓝色是b）
常见的表示线性的快捷字符串有"-“,”–“,”- “,”:"

ax.plot(x, y, linestyle='--', color='g')

常用的颜色可以用颜色名缩写，也可以指定颜色码（例如，‘#CECECE’），可以查看plot文档字符串查看所有线性的合集（在 IPython 和 Jupyter 中使用plot?）。

对折线图上的点设置形状以便区分，使用关键字marker可以进行设置，一些常用的形状也可以使用字符串快捷标记(常用的快捷标记有".“,“o”,”^“,”>“,”<","v"等

In [30]: from numpy.random import randnIn [31]: plt.plot(randn(30).cumsum(), 'ko--')

还可以将其写成更为明确的形式:

plot(randn(30).cumsum(), color='k', linestyle='dashed', marker='o')

关键字linestyle可以用ls代替

在线形图中，点与点的连接方式是线型，但是可以通过关键字drawstyle来进行设置
注意drawstyle是指定点与点的连接方式，连接方式有：drawstyle or ds: {‘default’, ‘steps’, ‘steps-pre’, ‘steps-mid’, ‘steps-post’}, default: ‘default’
plt.legend(loc=‘best’)用来展现图例，参数loc='best’是用来设置图例的位置的

In [33]: data = np.random.randn(30).cumsum()In [34]: plt.plot(data, 'k--', label='Default')
Out[34]: [<matplotlib.lines.Line2D at 0x7fb624d86160>]In [35]: plt.plot(data, 'k-', drawstyle='steps-post', label='steps-post')
Out[35]: [<matplotlib.lines.Line2D at 0x7fb624d869e8>]In [36]: plt.legend(loc='best')

刻度、标签和图例

对于大多数的图表装饰项，其主要实现方式有二：使用过程型的pyplot接口（例如，matplotlib.pyplot）以及更为面向对象的原生 matplotlib API。

pyplot接口的设计目的就是交互式使用，含有诸如xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种：

调用时不带参数，则返回当前的参数值（例如，plt.xlim()返回当前的 X 轴绘图范围）。
调用时带参数，则设置参数值（例如，plt.xlim([0,10])会将 X 轴的范围设置为 0 到 10）。
所有这些方法都是对当前或最近创建的AxesSubplot起作用的。它们各自对应子图对象上的两个方法，以xlim为例，就是ax.get_xlim和ax.set_xlim。我更喜欢使用子图的实例方法（因为我喜欢明确的事情，而且在处理多个子图时这样也更清楚一些）。当然你完全可以选择自己觉得方便的那个。

设置标题、轴标签、刻度以及刻度标签

由于画图中出现中文的话，只能显示成方框，所以可以添加以下代码解决问题

from pylab import *
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 指定默认字体（解决中文无法显示的问题）
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像时负号“-”显示方块的问题

然后画图
具体设置方法见下面的代码解释

fig = plt.figure()
#画一个随机漫步的折线图，设置图例
plt.plot(np.random.randn(100).cumsum(),'g--',label = '折线')
#使用xticks设置x轴刻度，第一个关键字是设置轴刻度
#labels为设置轴刻度标签，与轴刻度要等对应上
#rotation设置刻度标签的旋转角度，rotation = 90为轴标签旋转90度也就是变成了竖直方向
#fonsize 设置轴标签的字体大小
plt.xticks([0,25,50,75,100],labels=['one','two','three','four','five'],rotation = 90,fontsize = 10)
#title设置标题
plt.title('随机漫步折线图')
#xlabel设置x轴标题
plt.xlabel('X轴')
#设置y轴标题
plt.ylabel('y轴')
#显示图例
plt.legend(loc = 'best')

参考资料matplotlib画图之修改坐标轴刻度

添加图例

图例（legend）是一种用于标识图表的重要工具，添加图例的方式有很多种，但是最简单的莫过于在添加子图的时候传入label参数
plt.legend是用来显示图例的，loc = 'best’表示把图例放在最合适的位置

fig = plt.figure(figsize=(8,3))
plt.plot(np.random.randn(100).cumsum(),'g',label = 'one')
plt.plot(np.random.randn(100).cumsum(),'g--',label = 'two')
plt.plot(np.random.randn(100).cumsum(),'g.',label = 'three')
plt.legend(loc = 'best')

注解

注解主要使用text函数，前两个参数用来定位注解的位置，第三个参数用来指定注解。还有些可选的参数主要用来设置注解字体，位置，大小等
例子

fig = plt.figure(figsize=(8,3))
plt.plot(np.random.randn(100).cumsum(),'g--',label = '折线')
plt.xticks([0,25,50,75,100],labels=['one','two','three','four','five'],rotation = 90,fontsize = 10)
plt.title('随机漫步折线图')
plt.xlabel('X轴')
plt.ylabel('y轴')
plt.legend(loc = 'best')
#使用text设置注解，fontsize表示注解的字体大小
plt.text(20,7,'你好',fontsize = 20)

将图表保存到文件

利用plt.savefig可以将当前图表保存到文件中，该方法相当于图形对象的实例方法savefig。例如要讲图表保存为svg格式，你只需要输入

plt.savefig('figpath.svg')

文件类型可以通过扩展名进行指定，当前支持的扩展名有eps, jpeg, jpg, pdf, pgf, png, ps, raw, rgba, svg, svgz, tif, tiff等。
参数dpi可以设置文件分辨率
参数bbox_inches可以剪去图片中空白的部分

plt.savefig('figpath.png', dpi=400, bbox_inches='tight')

表 9-2 列出了savefig的其它选项。

9.2 使用 pandas 和 seaborn 绘图

matplotlib 实际上是一种比较低级的工具。要绘制一张图表，你组装一些基本组件就行：数据展示（即图表类型：线型图、柱状图、盒形图、散点图、等值线图等）、图例、标题、刻度标签以及其他注解型信息。

在 pandas 中，我们有多列数据，还有行和列标签。pandas 自身就有内置的方法，用于简化从DataFrame和Series绘制图形。另一个库 seaborn，由 Michael Waskom 创建的静态图形库。Seaborn 简化了许多常见可视类型的创建。

提示：引入 seaborn 会修改 matplotlib 默认的颜色方案和绘图类型，以提高可读性和美观度。即使你不使用 seaborn API，你可能也会引入 seaborn，作为提高美观度和绘制常见 matplotlib 图形的简化方法。

线形图

Series和DataFrame,都有一个用于生成各类图表的plot方法（相当于pandas里面内置了matplotlib），默认情况下他们生成的是线形图

In [60]: s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))In [61]: s.plot()

该Series的索引会被传给matplotlib并用于绘制X轴，可以使用参数use_index = False禁用该功能。X 轴的刻度和界限可以通过xticks和xlim选项进行调节，Y 轴就用yticks和ylim。plot参数的完整列表请参见表 9-3。我只会讲解其中几个，剩下的就留给读者自己去研究了。

pandas大部分绘图的方法都有一个ax参数，此参数是用来指定该图形要画在哪个子图对象上，如果不进行指定则画在最近一个使用的图像上

In [62]: df = pd.DataFrame(np.random.randn(10, 4).cumsum(0),....:                   columns=['A', 'B', 'C', 'D'],....:                   index=np.arange(0, 100, 10))In [63]: df.plot()

针对DataFrame格式的对象进行画图，其每列都会生成一个折线，列名会变成图例，行标签会变成X轴标签
DataFrame还有一些对列进行灵活处理的选项，例如是把所有的列绘制在一个子图中还是创建各自的子图。详细信息请参照列表

柱状图

plot.bar()和plot.barh()分别用来绘制水平和垂直的柱状图，Series和DataFrame的行标签为X轴（bar）或Y轴（barh）的刻度

In [64]: fig, axes = plt.subplots(2, 1)In [65]: data = pd.Series(np.random.rand(16), index=list('abcdefghijklmnop'))In [66]: data.plot.bar(ax=axes[0], color='k', alpha=0.7)
Out[66]: <matplotlib.axes._subplots.AxesSubplot at 0x7fb62493d470>In [67]: data.plot.barh(ax=axes[1], color='k', alpha=0.7)

color和alpha是用来设置颜色以及透明度的

对于DataFrame，其每行的值为一组，并排显示

In [69]: df = pd.DataFrame(np.random.rand(6, 4),....:                   index=['one', 'two', 'three', 'four', 'five', 'six'],....:                   columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))In [70]: df
Out[70]:
Genus         A         B         C         D
one    0.370670  0.602792  0.229159  0.486744
two    0.420082  0.571653  0.049024  0.880592
three  0.814568  0.277160  0.880316  0.431326
four   0.374020  0.899420  0.460304  0.100843
five   0.433270  0.125107  0.494675  0.961825
six    0.601648  0.478576  0.205690  0.560547In [71]: df.plot.bar()

注意DataFrame的列名称被用作的图例的名称
设置stacked = True即可为DataFrame生成堆积图，这样每行的值就会堆积在一起

In [73]: df.plot.barh(stacked=True, alpha=0.5)

注意：柱状图有一个不错的功能，可以画出Series对象值出现的频率。s.count_value.plot.bar()

直方图和密度图

直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。再以前面那个小费数据为例，通过在Series使用plot.hist方法，我们可以生成一张“小费占消费总额百分比”的直方图（如图 9-21 所示）：

df3.plot.hist(bins = 50)

与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核（即诸如正态分布之类的较为简单的分布）。因此，密度图也被称作 KDE（Kernel Density Estimate，核密度估计）图。使用plot.kde和标准混合正态分布估计即可生成一张密度图（见图 9-22）：

df3.plot.density()

散点图

点图或散点图是观察两个一维数据之间关系的有效手段，。

简单的散点图

#绘制简单的散点图
df = pd.DataFrame(np.random.rand(50,4),columns=['A','B','C','D'])
#使用df的A列和B列作为散点图数据
df.plot.scatter(x='A',y='B')

散点图分组

#散点图分组
#label为图例
ax = df.plot.scatter(x='A',y='B',color = 'b',label='A')
ax指定把图画到哪个图形中，ax = ax是为了把两个图都放在ax的图形中
df.plot.scatter(x='C',y='D',color = 'g',label='B',ax = ax)

散点图点形状

使用关键字marker可以设置散点图的点形状，如下所示

#marker = '^'设置点形状为三角形
df.plot.scatter(x='A',y='B',color = 'b',marker = '^')

常用的Marker有：

Marker类型散点形状
“.”(点) 点
“,”（逗号）、“s” 像素（小正方形）
“o” 圈
“V” 倒三角
“^” 正三角
“<” 左三角
“>” 右三角
“*” 星星
“x” 叉号
“+” 加号

绘图和可视化（Python）相关推荐

python绘图和可视化_Python 绘图和可视化详细介绍
Python之绘图和可视化 1. 启用matplotlib 最常用的Pylab模式的IPython(IPython --pylab) 2. matplotlib的图像都位于Figure对象中. 可以使 ...
Python数据分析学习系列九绘图和可视化
Python数据分析学习系列九绘图和可视化资料转自(GitHub地址):https://github.com/wesm/pydata-book 有需要的朋友可以自行去github下载信息可视化 ...
《利用Python 进行数据分析》第八章：绘图和可视化
对<利用Python 进行数据分析>(Wes Mckinney著)一书中的第八章中绘图和可视化进行代码实验.原书中采用的是Python2.7,而我采用的Python3.7在Pycharm调 ...
python交互式绘图库_一个交互式可视化Python库——Bokeh
本篇为<Python数据可视化实战>第十篇文章,我们一起学习一个交互式可视化Python库--Bokeh. Bokeh基础 Bokeh是一个专门针对Web浏览器的呈现功能的交互式可视化Py ...
Excel 数据的统计分析及绘图自动处理的python示例（精益办公实战2）
Excel 数据统计分析及绘图的自动处理python示例(精益办公实战2) 1.背景描述: "看数不如看表,看表不如看图" 2.数据准备和任务要求: 数据准备一份已经经过数据清洗 ...
[数据分析与可视化] Python绘制数据地图2-GeoPandas地图可视化
本文主要介绍GeoPandas结合matplotlib实现地图的基础可视化.GeoPandas是一个Python开源项目,旨在提供丰富而简单的地理空间数据处理接口.GeoPandas扩展了Pandas ...
Python数据可视化 | Python实现Matplotlib系列colorbar的设置
Python数据可视化 | Python实现Matplotlib系列colorbar的设置目录 Python数据可视化 | Python实现Matplotlib系列colorbar的设置 color ...
python编程语言排行曲线绘制_最新编程语言排名（TIOBE）-数据抓取及绘图（使用Python）...
本章数据分析的主要步骤: 1.从网上获取公开数据:html 网页 2.读取html中表格数据 3.数据清洗和整理 4.数据绘图与可视化 5.保存绘图接下来进行详细的说明 1.从网上获取公开数据:ht ...
绘图与可视化（数据分析）
目录第9章绘图与可视化 9.1 简明matplotlib API入门 9.1.1 图片与子图 9.1.2 颜色color.标记marker和线类型linestyle 9.1.3 刻度.标签和图例 ...
caffe预测、特征可视化python接口调用
转载自: 深度学习(九)caffe预测.特征可视化python接口调用 - hjimce的专栏 - 博客频道 - CSDN.NET http://blog.csdn.net/hjimce/articl ...

绘图和可视化（Python）