Python数据可视化的例子—

离散型变量的可视化之【饼图】****

1、matplotlib模块

pie函数的语法和参数含义如下：

pie(x, explode=None, labels=None, colors=None,autopct=None, pctdistance=0.6, shadow=False,labeldistance=1.1, startangle=None,radius=None, counterclock=True, wedgeprops=None,       textprops=None, center=(0, 0), frame=False)

x：指定绘图的数据。
explode：指定饼图某些部分的突出显示，即呈现爆炸式。
labels：为饼图添加标签说明，类似于图例说明。
colors：指定饼图的填充色。
autopct：自动添加百分比显示，可以采用格式化的方法显示。
pctdistance：设置百分比标签与圆心的距离。
shadow：是否添加饼图的阴影效果。
labeldistance：设置各扇形标签（图例）与圆心的距离。
startangle：设置饼图的初始摆放角度。 radius：设置饼图的半径大小。
counterclock：是否让饼图按逆时针顺序呈现。
wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等。
textprops：设置饼图中文本的属性，如字体大小、颜色等。
center：指定饼图的中心点位置，默认为原点。
frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置。

案例代码如下：

import matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['Microsoft YaHei']  #显示中文标签,处理中文乱码问题
plt.rcParams['axes.unicode_minus']=False  #坐标轴负号的处理
plt.axes(aspect='equal')  #将横、纵坐标轴标准化处理，确保饼图是一个正圆，否则为椭圆#构造数据
edu = [0.2515, 0.3724, 0.3336, 0.0368, 0.0057]
labels = ['中专','大专','本科','硕士','其他']
explode = [0, 0.1, 0, 0, 0]  #生成数据，用于凸显大专学历人群
colors = ['#9999ff', '#ff9999', '#7777aa', '#2442aa', '#dd5555']  #自定义颜色plt.pie(x=edu,  #绘图数据explode=explode, #指定饼图某些部分的突出显示，即呈现爆炸式labels=labels,  #添加教育水平标签colors=colors,autopct='%.2f%%',  #设置百分比的格式，这里保留两位小数pctdistance=0.8,  #设置百分比标签与圆心的距离labeldistance=1.1,  #设置教育水平标签与圆心的距离startangle=180,  #设置饼图的初始角度radius=1.2,  #设置饼图的半径counterclock=False,  #是否逆时针，这里设置为顺时针方向wedgeprops={'linewidth':1.5, 'edgecolor':'green'},  #设置饼图内外边界的属性值textprops={'fontsize':10, 'color':'black'},  #设置文本标签的属性值)#添加图标题
plt.title('失信用户的受教育水平分布')
#显示图形
plt.show()

出来的效果：

饼图中突出显示大专学历的人群，是因为在这300万失信人群中，大专学历的人数比例最高，该功能就是通过explode参数完成的。另外，还需要对如上饼图的绘制说明几点：

如果绘制的图形中涉及中文及数字中的负号，都需要通过rcParams进行控制。
由于不加修饰的饼图更像是一个椭圆，所以需要pyplot模块中的axes函数将椭圆强制为正圆。
自定义颜色的设置，既可以使用十六进制的颜色，也可以使用具体的颜色名称，如red、black等。
如果需要添加图形的标题，需要调用pyplot模块中的title函数。
代码plt.show()用来呈现最终的图形，无论是使用Jupyter或Pycharm编辑器，都需要使用这行代码呈现图形。

2、pandas模块

应用pandas模块的绘图“方法”plot。
该方法可以针对序列和数据框绘制常见的统计图形，例如折线图、条形图、直方图、箱线图、核密度图等。同样，plot也可以绘制饼图，接下来简单介绍一下该方法针对序列的应用和参数含义：

Series.plot(kind='line', ax=None, figsize=None, use_index=True, title=None,grid=None, legend=False, style=None, logx=False, logy=False,loglog=False, xticks=None, yticks=None, xlim=None, ylim=None,rot=None, fontsize=None, colormap=None, table=False, yerr=None,xerr=None, label=None, secondary_y=False, **kwds)

kind：指定一个字符串值，用于绘制图形的类型，默认为折线图
line。还可以绘制垂直条形图bar、水平条形图hbar、直方图hist、箱线图box、核密度图kde、面积图area和饼图pie。
ax：控制当前子图在组图中的位置。例如，在一个2×2的图形矩阵中，通过该参数控制当前图形在矩阵中的位置。
figsize：控制图形的宽度和高度，以元组形式传递，即(width,hright)。
use_index：bool类型的参数，是否将序列的行索引用作x轴的刻度，默认为True。 title：用以添加图形的标题。
grid：bool类型的参数，是否给图形添加网格线，默认为False。
legend：bool类型的参数，是否添加子图的图例，默认为False。
style：如果kind为line，该参数可以控制折线图的线条类型。
logx：bool类型的参数，是否对x轴做对数变换，默认为False。
logy：bool类型的参数，是否对y轴做对数变换，默认为False。
loglog：bool类型的参数，是否同时对x轴和y轴做对数变换，默认为False。
xticks：用于设置x轴的刻度值。
yticks：用于设置y轴的刻度值。
xlim：以元组或列表的形式，设置x轴的取值范围，如(0,3)表示x轴落在0～3的范围之内。
ylim：以元组或列表的形式，设置y轴的取值范围。 rot：接受一个整数值，用于旋转刻度值的角度。
fontsize：接受一个整数，用于控制x轴与y轴刻度值的字体大小。
colormap：接受一个表示颜色含义的字符串，或者Python的色彩映射对象，该参数用于设置图形的区域颜色。
table：该参数如果为True，表示在绘制图形的基础上再添加数据表；如果传递的是序列或数据框，则根据数据添加数据表。
yerr：如果kind为bar或hbar，该参数表示在条形图的基础上添加误差棒。
xerr：含义同yerr参数。
label：用于添加图形的标签。 secondary_y：bool类型的参数，是否添加第二个y轴，默认为False。
**kwds：关键字参数，该参数可以根据不同的kind值，为图形添加更多的修饰性参数（依赖于pyplot中的绘图函数）。

pandas模块中的plot“方法”可以根据kind参数绘制不同的统计图形，而且也包含了其他各种灵活的参数。除此，根据不同的kind参数值，可以调用更多对应的关键字参数**kwds，这些关键字参数都源于pyplot中的绘图函数。

案例代码如下：

import pandas as pd
import matplotlib.pyplot as plt#构建序列
data1 = pd.Series({'中专':0.2515, '大专':0.3724, '本科':0.3336, '硕士':0.0368, '其他':0.0057})
#将序列的名称设置为空字符，否则绘制的饼图左边会出现None这样的字眼
data1.name = ''
#控制饼图为正圆
plt.axes(aspect = 'equal')
#防止中文乱码
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
#plot方法对序列进行绘图
data1.plot(kind = 'pie',  #选择图形类型autopct = '%.2f%%',  #饼图中添加数值标签radius = 1,  #设置饼图半径startangle = 180,  #设置饼图的初始角度counterclock = False,  #将饼图的顺序设置为顺时针方向title = '失信用户的受教育水平分布',  #为饼图添加标题wedgeprops = {'linewidth':1.5, 'edgecolor':'green'},  #设置饼图内外边界的属性值textprops = {'fontsize':10, 'color':'black'},  #设置文本标签的属性值)
#显示图形
plt.show()

出来的效果：

应用pandas模块中的plot方法，也可以得到一个比较好看的饼图。该方法中除了kind参数和title参数属于plot方法，其他参数都是pyplot模块中pie函数的参数，并且以关键字参数的形式调用。

Python数据可视化的例子——饼图（pie）相关推荐

Python数据可视化的例子——画图总结
前面写了大量的文章是关于数据的可视化,通过每一个具体的案例介绍了有关matplotlib模块.pandas模块和seaborn模块的绘图函数和参数含义,分别针对离散型数据.数值型数据和关系型数据讲解了 ...
Python数据可视化01：饼图（扇形统计图）
底下有投票!!! 01_认识饼图饼图英文学名为Sector Graph,又名Pie Graph.常用于统计学模块.2D饼图为圆形,手画时,常用圆规作图. 仅排列在工作表的一列或一行中的数据可以绘制到 ...
Python数据可视化的例子——多个图形的合并
工作中往往会根据业务需求,将绘制的多个图形组合到一个大图框内,形成类似仪表板的效果.针对这种情况,如何应用Python将前面所学的各种图形汇总到一个图表中,这将是本节所要学习的重点. 关于多种图形的组 ...
Python数据可视化的例子——气泡图（bubble）
(关系型数据的可视化) 气泡图是散点图中的一种类型,可以展现三个数值变量之间的关系之前的文章有介绍过一般的散点图都是反映两个数值型变量的关系,所以如果还想通过散点图添加第三个数值型变量的信息,一般可 ...
Python数据可视化的例子——箱线图（box）
箱线图是另一种体现数据分布的图形,通过该图可以得知数据的下须值(Q1-1.5IQR).下四分位数(Q1).中位数(Q2).均值.上四分位数(Q3)和上须值(Q3+1.5IQR),更重要的是,箱线图还可 ...
Python数据可视化的例子——热力图（heatmap）
(关系型数据的可视化) 热力图体现了两个离散变量之间的组合关系热力图,有时也称之为交叉填充表.该图形最典型的用法就是实现列联表的可视化,即通过图形的方式展现两个离散变量之间的组合关系.读者可以借助于 ...
Python数据可视化的例子——散点图（scatter）
(关系型数据的可视化) 散点图用于发现两个数值变量之间的关系如果需要研究两个数值型变量之间是否存在某种关系,例如正向的线性关系,或者是趋势性的非线性关系,那么散点图将是最佳的选择. 1．matplo ...
Python数据可视化的例子——直方图（hist）和核密度曲线（kde）
直方图一般用来观察数据的分布形态,横坐标代表数值的均匀分段,纵坐标代表每个段内的观测数量(频数).一般直方图都会与核密度图搭配使用,目的是更加清晰地掌握数据的分布特征,下面将详细介绍该类型图形的绘制. ...
Python数据可视化的例子——条形图（bar）
1．matplotlib模块应用matplotlib模块绘制条形图,需要调用bar函数,关于该函数的语法和参数含义如下: bar(x, height, width=0.8, bottom=None, ...
Python数据可视化的例子——小提琴图（violin）
小提琴图是比较有意思的统计图形,它将数值型数据的核密度图与箱线图融合在一起,进而得到一个形似小提琴的图形.尽管matplotlib模块也提供了绘制小提琴图的函数violinplot,但是绘制出来的图形 ...

Python数据可视化的例子——饼图（pie）

1、matplotlib模块

2、pandas模块

Python数据可视化的例子——饼图（pie）相关推荐

最新文章

热门文章