数据科学与python语言——Matplotlib数据可视化基础
Matplotlib数据可视化基础
- 一.读取数据与数据处理阶段
- 1.提取指定行中的数据
- 2.得到>指定数值的数据
- 3.得到=指定值得数据
- 4.整体的数据处理:
- 二.画图函数
- 1.plt.subplots()
- 2.plt.subplots_adjust()
- 3.设置x轴y轴的刻度和标签
- 4.使用中文标题在作图时
- 三.画折线图(plot)
- 四.画散点图(scatter)
- 五.画拟合曲线
- 1.拟合指数R方
- 六.画箱线图
- 七.画直方图(hist)与柱状图(bar)
- 整体代码实现
一.读取数据与数据处理阶段
1.提取指定行中的数据
data=data[['year','quarter','pop','realgdp']]#提取所需要的四列数据
2.得到>指定数值的数据
data=data.loc[(data['year']>=1990),:]#使用1990年之后的数据
3.得到=指定值得数据
data=data.loc[data['quarter']==4,:]#使用第四季度的数据来画图
4.整体的数据处理:
data=pd.read_csv('./macrodata.csv')
data0=data
data=data[['year','quarter','pop','realgdp']]#提取所需要的四列数据
data_scatter=data
data=data.loc[(data['year']>=1990),:]#使用1990年之后的数据
data=data.loc[data['quarter']==4,:]#使用第四季度的数据来画图
二.画图函数
1.plt.subplots()
参数列表:
fig,ax=plt.subplots(1,2, figsize=(8, 4.8))#生成一个一行两列的子图 画布大小,高4.8,宽8
返回值
fig: matplotlib.figure.Figure 对象
ax:子图对象( matplotlib.axes.Axes)或者是他的数组
在matplotlib中,整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域
2.plt.subplots_adjust()
plt.subplots_adjust(left=0.15,bottom=0.14,right=0.95,top=0.65,hspace=0.12,wspace =0.25)#调整子图的参数
参数含义:
left, right, bottom, top:子图所在区域的边界。
3.设置x轴y轴的刻度和标签
ax[0].set_xlim(1989, 2009)#x的刻度范围
ax[0].set_ylim(7000,14000)#y的刻度范围
ax[0].set_xticks(yearxticks)#添加x轴刻度标签plt.xlim(240,320)
plt.ylim(7000,14000)
plt.xticks(np.arange(240,321,20),fontsize=14)#生成x轴刻度
plt.yticks(fontsize=14)
4.使用中文标题在作图时
plt.rcParams[‘font.sans-serif’] = [‘SimHei’] # 用来正常显示中文标签
三.画折线图(plot)
print('画折线图')
from matplotlib import pyplot as plt
fig,ax=plt.subplots(1,2, figsize=(8, 4.8))#生成一个一行两列的子图 画布大小,高4.8,宽8yearxticks=[i for i in range(1990,2010,2)]#x轴的刻度标签
plt.subplots_adjust(left=0.15,bottom=0.14,right=0.95,top=0.65,hspace=0.12,wspace =0.25)#调整子图的参数ax[0].set_xlim(1989, 2009)#x的刻度范围
ax[0].set_ylim(7000,14000)#y的刻度范围
ax[0].set_xticks(yearxticks)#添加x轴刻度标签
ax[0].plot(data['year'],data['realgdp'],'o-')#在第一幅子图中画出年份与GDP的图像
ax[0].set_xticklabels(yearxticks,rotation=30)#x轴刻度标签旋转(避免重合)
ax[0].set_ylabel('GDP (${10^{4}}$ USD)')#y轴标签
ax[0].set_title('(a) GDP (1990-2009)')#设置标题ax[1].set_ylim(240,320)
ax[1].set_xticks(yearxticks)
ax[1].plot(data['year'],data['pop'],'o-')#在第二幅子图中画出年份与POP的图像
ax[1].set_xticklabels(yearxticks,rotation=30)
ax[1].set_ylabel('Population (${10^4}$)')
ax[1].set_title('(b) Population (1990-2009)')
plt.show()
四.画散点图(scatter)
print('画散点图')
plt.figure(figsize=(8, 7.2))#要求图幅大小,宽8,高7.2
plt.scatter(data_scatter['pop'],data_scatter['realgdp'],marker='o',color='blue',edgecolors='k', s=100)#画散点图,颜色为空,标记为O,边缘颜色为黑色
plt.xlim(240,320)
plt.ylim(7000,14000)
plt.xticks(np.arange(240,321,20),fontsize=14)#生成x轴刻度
plt.yticks(fontsize=14)
plt.title('Population versus GDP',fontsize=18)
plt.xlabel('Population (${10^4}$)',fontsize=14)
plt.ylabel('GDP (${10^{4}}$ USD)',fontsize=14)
plt.show()
五.画拟合曲线
拟合线方程中的参数可以使用numpy.polyfit(x, y, degree)函数来确定
图例使用 plt.legend(loc = 4,fontsize = fontsize2) 其中4表示放置位置,fontsize表示字体大小。
文本使用plt.text(xPosition, yPostion, text, fontdict ={…})来添加,其中xPosition, yPostion表示文本左上角在坐标系中的实际坐标,并非比例因子;text表示需要添加的文本或字符串;fontdict表示一个参数字典,用于确定文本字体的大小、是否加粗、字体等
1.拟合指数R方
t=np.polyfit(x,y,1)#多项式拟合 阶数为1阶即线性拟合
f=np.poly1d(t)#获得拟合多项式的系数
xvals=np.arange(np.min(x),np.max(x))#生成x的范围
yvals=f(xvals)#生成y的范围
r2=np.around(r2_score(y,f(x)),decimals=2)#计算r2
t=np.around(t, decimals=2)#保留两位小数
print('画拟合曲线')
from sklearn.metrics import r2_score
#np.set_printoptions(suppress=True)
x=data['pop']
y=data['realgdp']t=np.polyfit(x,y,1)#多项式拟合 阶数为1阶即线性拟合
f=np.poly1d(t)#获得拟合多项式的系数
xvals=np.arange(np.min(x),np.max(x))#生成x的范围
yvals=f(xvals)#生成y的范围
r2=np.around(r2_score(y,f(x)),decimals=2)#计算r2t=np.around(t, decimals=2)#保留两位小数
plt.figure(figsize=(8, 7.2))
p1=plt.scatter(x,y,marker='o',color='blue',edgecolors='k', s=200)
p2=plt.plot(xvals,yvals,'k')
plt.xlim(240,320)
plt.ylim(7000,14000)
plt.xticks(np.arange(240,321,20),fontsize=14)
plt.yticks(fontsize=14)
plt.title('Population versus GDP',fontsize=18)
plt.xlabel('Population (${10^4}$)',fontsize=14)
plt.ylabel('GDP (${10^{4}}$ USD)',fontsize=14)
plt.legend(['Fitted line','Sample'],loc=4,fontsize='xx-large')#添加图例信息,在图片右下角
text='y='+str(t[0])+'x'+str(t[1])
plt.text(250,13500, text,fontsize=12)#添加文本 拟合的多项式
text='${R^2}$='+str(r2)
plt.text(250,13000,text,fontsize=12)#添加计算的R2
plt.show()
六.画箱线图
print('画箱线图')
fig,ax=plt.subplots(1,2, figsize=(10, 4.8))#生成一个一行两列的子图
infl_by_quarter=[data0.loc[data0['quarter']==i,:]['infl'] for i in range(1,5)]#嵌套列表 列表中有四个子列表,分别对应1234季度的infl值
realint_by_quarter=[data0.loc[data0['quarter']==i,:]['realint'] for i in range(1,5)]#嵌套列表 列表中有四个子列表,分别对应1234季度的realint值titles=['Rectangular box plot','Notched box plot']#子图标题
bplot0=ax[0].boxplot(infl_by_quarter,patch_artist=True)#获得子图1的句柄,一定要设置patch_artisit=True 不然后面无法上色
bplot1=ax[1].boxplot(realint_by_quarter,patch_artist=True,notch=True)#获得子图2的句柄
for i in range(0,2):ax[i].grid(axis='y')#显示网格线ax[i].set_title(titles[i])#添加标题ax[i].set_ylabel('Observed values')ax[i].set_xlabel('Season')colors = ['pink', 'lightblue', 'lightgreen', 'lightcyan']#每个箱子对应的颜色
for bplot in (bplot0,bplot1): # bplot1和bplot2时绘图的句柄#print(bplot)for patch, color in zip(bplot['boxes'], colors):patch.set_facecolor(color)
plt.show()
七.画直方图(hist)与柱状图(bar)
print('画直方图与柱状图')
infl_quarter_mean=data0.groupby(by='quarter').agg({'infl':np.mean})#根据季度分组,对于每一组求其平均值
fig,ax=plt.subplots(1,2,figsize=(12,4.8))ax[0].hist(data0['infl'],bins=20,density=True,color='g')#直方图
ax[0].set_title('Histogram of infl')
ax[0].set_xlabel('infl')
ax[0].set_ylabel('Probability')
ax[0].set_xticks([-5,0,5,10])ax[1].bar(np.arange(1,5),infl_quarter_mean['infl'],width=0.5,color='g')#柱状图
ax[1].legend(['infl'],loc=1)#添加图例
ax[1].set_title('Bar of Seasonal infl')
ax[1].set_xlabel('infl')
ax[1].set_ylabel('Probability')
ax[1].set_xticks([1,2,3,4])
ax[1].set_xticklabels(['1','2','3','4'],rotation=90)#设置x轴标签 旋转90度
plt.show()
input('按回车键结束')
整体代码实现
#!/usr/bin/env python
# coding: utf-8# In[33]:import numpy as np
import pandas as pddata=pd.read_csv('./macrodata.csv')
data0=data
data=data[['year','quarter','pop','realgdp']]#提取所需要的四列数据
data_scatter=datadata=data.loc[(data['year']>=1990),:]#使用1990年之后的数据
data=data.loc[data['quarter']==4,:]#使用第四季度的数据来画图print('读入数据')# In[34]:print('画折线图')
from matplotlib import pyplot as plt
fig,ax=plt.subplots(1,2, figsize=(8, 4.8))#生成一个一行两列的子图yearxticks=[i for i in range(1990,2010,2)]#x轴的刻度标签
plt.subplots_adjust(left=0.15,bottom=0.14,right=0.95,top=0.65,hspace=0.12,wspace =0.25)#调整子图的参数ax[0].set_xlim(1989, 2009)#x的刻度范围
ax[0].set_ylim(7000,14000)#y的刻度范围
ax[0].set_xticks(yearxticks)#添加x轴刻度标签
ax[0].plot(data['year'],data['realgdp'],'o-')#在第一幅子图中画出年份与GDP的图像
ax[0].set_xticklabels(yearxticks,rotation=30)#x轴刻度标签旋转(避免重合)
ax[0].set_ylabel('GDP (${10^{4}}$ USD)')#y轴标签
ax[0].set_title('(a) GDP (1990-2009)')#设置标题
ax[1].set_ylim(240,320)
ax[1].set_xticks(yearxticks)
ax[1].plot(data['year'],data['pop'],'o-')#在第二幅子图中画出年份与POP的图像
ax[1].set_xticklabels(yearxticks,rotation=30)
ax[1].set_ylabel('Population (${10^4}$)')
ax[1].set_title('(b) Population (1990-2009)')
plt.show()# In[35]:print('画散点图')
plt.figure(figsize=(8, 7.2))
plt.scatter(data_scatter['pop'],data_scatter['realgdp'],marker='o',color='blue',edgecolors='k', s=100)#画散点图,颜色为空,标记为O,边缘颜色为黑色
plt.xlim(240,320)
plt.ylim(7000,14000)
plt.xticks(np.arange(240,321,20),fontsize=14)#生成x轴刻度
plt.yticks(fontsize=14)
plt.title('Population versus GDP',fontsize=18)
plt.xlabel('Population (${10^4}$)',fontsize=14)
plt.ylabel('GDP (${10^{4}}$ USD)',fontsize=14)
plt.show()# In[36]:print('画拟合曲线')
from sklearn.metrics import r2_score
#np.set_printoptions(suppress=True)
x=data['pop']
y=data['realgdp']t=np.polyfit(x,y,1)#多项式拟合 阶数为1阶即线性拟合
f=np.poly1d(t)#获得拟合多项式的系数
xvals=np.arange(np.min(x),np.max(x))#生成x的范围
yvals=f(xvals)#生成y的范围
r2=np.around(r2_score(y,f(x)),decimals=2)#计算r2t=np.around(t, decimals=2)#保留两位小数
plt.figure(figsize=(8, 7.2))
p1=plt.scatter(x,y,marker='o',color='blue',edgecolors='k', s=200)
p2=plt.plot(xvals,yvals,'k')
plt.xlim(240,320)
plt.ylim(7000,14000)
plt.xticks(np.arange(240,321,20),fontsize=14)
plt.yticks(fontsize=14)
plt.title('Population versus GDP',fontsize=18)
plt.xlabel('Population (${10^4}$)',fontsize=14)
plt.ylabel('GDP (${10^{4}}$ USD)',fontsize=14)
plt.legend(['Fitted line','Sample'],loc=4,fontsize='xx-large')#添加图例信息,在图片右下角
text='y='+str(t[0])+'x'+str(t[1])
plt.text(250,13500, text,fontsize=12)#添加文本 拟合的多项式
text='${R^2}$='+str(r2)
plt.text(250,13000,text,fontsize=12)#添加计算的R2
plt.show()# In[37]:print('画箱线图')
fig,ax=plt.subplots(1,2, figsize=(10, 4.8))#生成一个一行两列的子图
infl_by_quarter=[data0.loc[data0['quarter']==i,:]['infl'] for i in range(1,5)]#嵌套列表 列表中有四个子列表,分别对应1234季度的infl值
realint_by_quarter=[data0.loc[data0['quarter']==i,:]['realint'] for i in range(1,5)]#嵌套列表 列表中有四个子列表,分别对应1234季度的realint值titles=['Rectangular box plot','Notched box plot']#子图标题
bplot0=ax[0].boxplot(infl_by_quarter,patch_artist=True)#获得子图1的句柄,一定要设置patch_artisit=True 不然后面无法上色
bplot1=ax[1].boxplot(realint_by_quarter,patch_artist=True,notch=True)#获得子图2的句柄
for i in range(0,2):ax[i].grid(axis='y')#显示网格线ax[i].set_title(titles[i])#添加标题ax[i].set_ylabel('Observed values')ax[i].set_xlabel('Season')colors = ['pink', 'lightblue', 'lightgreen', 'lightcyan']#每个箱子对应的颜色
for bplot in (bplot0,bplot1): # bplot1和bplot2时绘图的句柄#print(bplot)for patch, color in zip(bplot['boxes'], colors):patch.set_facecolor(color)
plt.show()# In[38]:
print('画直方图与柱状图')
infl_quarter_mean=data0.groupby(by='quarter').agg({'infl':np.mean})#根据季度分组,对于每一组求其平均值
fig,ax=plt.subplots(1,2,figsize=(12,4.8))
ax[0].hist(data0['infl'],bins=20,density=True,color='g')#直方图
ax[0].set_title('Histogram of infl')
ax[0].set_xlabel('infl')
ax[0].set_ylabel('Probability')
ax[0].set_xticks([-5,0,5,10])
ax[1].bar(np.arange(1,5),infl_quarter_mean['infl'],width=0.5,color='g')#柱状图
ax[1].legend(['infl'],loc=1)#添加图例
ax[1].set_title('Bar of Seasonal infl')
ax[1].set_xlabel('infl')
ax[1].set_ylabel('Probability')
ax[1].set_xticks([1,2,3,4])
ax[1].set_xticklabels(['1','2','3','4'],rotation=90)#设置x轴标签 旋转90度
plt.show()
input('按回车键结束')
数据科学与python语言——Matplotlib数据可视化基础相关推荐
- 数据科学与python语言实验——NumPy数值计算基础
NumPy数值计算基础 实验数据: 链接:https://pan.baidu.com/s/1-E2ShVTdI0X5lwDtMLFFsQ 提取码:0929 代码实现: 之前不会的地方: 1.读取文件 ...
- 数据科学导论python语言实现_数据科学导论:Python语言实现(原书第2版)
数据科学导论:Python语言实现(原书第2版) 作者:(意)阿尔贝托·博斯凯蒂(Alberto Boschetti);(意)卢卡·马萨罗(Luca Massaron) 著 出版日期:2018年01月 ...
- 【R 数据科学】R语言进行数据科学整理最有用的包大全
一.数据科学工作流程 1.1 数据导入 1.2 数据整理 1.3 反复理解数据 1.4 数据可视化 1.5 数据转换 1.6 统计建模 1.7 作出推断(比如预测) 1.8 沟通交流 1.9 自动化分 ...
- Python数据科学学习笔记之——Matplotlib数据可视化
Matplotlib 数据可视化 1.Matplotlib 常用技巧 1.1.导入 Matplotlib import matplotlib as mpl import matplotlib.pypl ...
- 数据科学与python语言——Pandas统计分析基础(时间转换+聚合)
Pandas统计分析基础(时间转换+聚合) 实验要求一 实验二要求 全部代码 实验要求一 #M表的时间戳类型转为datetime data_Mete['TIMESTAMP']=pd.to_dateti ...
- Python的数据科学函数包(三)——matplotlib(plt)
Matplotlib是Python最著名的2D绘图库 c opencv要比PIL, plt的速度更快一些 matplotlib中一张图的具体构造 如果将Matplotlib绘图和我们平常画画相类比,可 ...
- Python数据分析——Matplotlib数据可视化基础(二)
Python数据分析--Matplotlib数据可视化基础(二) 思维导图: 图形的绘制 认识要绘制的图形 基本绘图流程 pyplot基础图表函数 pyplot饼图的绘制 pie函数 matplotl ...
- 用python 入门数据科学_如何高效入门数据科学?
链接散落的教程文章,做个详细的导读,助你更高效入门数据科学. 问题 2017年6月以来,我陆续在自己的简书专栏<玉树芝兰>里,写了一系列数据科学教程. 这源于一次研究生课编程工作坊尝试.受 ...
- 《数据科学:R语言实现》——2.7 爬取网络数据
本节书摘来自华章计算机<数据科学:R语言实现>一书中的第2章,第2.7节,作者 丘祐玮(David Chiu),更多章节内容可以访问云栖社区"华章计算机"公众号查看. ...
最新文章
- expected:instruction or directive
- LeetCode 754. 到达终点数字(数学推理)
- Unreal Engine 4添加自定义Settings到项目设置
- 一文看懂Java锁机制
- note4 android8,Note4配三枚麦克风 可同时录制8个声音
- 设计模式之GOF23享元模式
- Kepware欧姆龙驱动连接选型大全
- Landsat8—ANG.txt文件
- 十进制和二十进制的转换
- 修改VMware虚拟机IP地址为指定IP
- 抢红包小程序(Java、头歌实验)
- GPUImage.h简单说明
- 开放鸿蒙,未来可循:一文读懂华为开发者大会2021主题演讲
- 如何做好项目的需求与业务调研
- NOI题库 scratch题解(部分)
- 速观!GitHub 总星 5.4w+,这里藏着 Git 从入门到轻松玩转的秘密!
- 用Tableau自定义数字格式创建高端表格
- 康泰克采样器完整版-Native Instruments Kontakt v6.3.1 WIN/MAC
- 计算机二级excel考点大全,【计算机二级之Excel】考点汇总
- 使用iPerf进行网络吞吐量测试
热门文章
- PS2019摄影后期处理(二)
- SQL 数据库远程备份 语句
- pdf.js 利用HTML5技术显示pdf内容
- Android之获取指定目录下的所有特殊文件名字
- linux c之用fputc和fgetc复制文件并且打印在终端
- 用递归实现字符数组的反转
- 《看聊天记录都学不会C#?太菜了吧》(3)变量:我大哥呢?$:小弟我罩着你!
- java idea 模块_idea 多模块项目依赖父工程class找不到问题的方法
- 5.7.21mysql数据库_【数据库】mysql5.7.21 winx64安装配置图文分享
- 如此生猛的纪录片,背后是难以置信的故事!