最近一直没有更新文章，在学习Machine learning。然后业余在kaggle那里瞎转，对Python常用的作图摸了个遍，本文将对这些作图方法做个简单介绍

一般我们作图主要是为了看数据分布、数据趋势、以及比较大小。常用的图包括：

line(折线图)：展示趋势

scatter (散点图)：展示分布(机械学习中经常使用)

bar (柱状图)：感觉柱状图主要是多项目的趋势比较

pie (饼图)：展示分布

box (箱型图)：展示单个项目数据的分布细节

heatmap (热力图)：主要是列联表表示数据相对大小

作图的工具有很多，例如Pandas、Seaborn、ggplot、Bokeh、Plotly、Pypal。而对于我来说，作图的工具主要就是两种matplotlib和seaborn两种。matplotlib可以在numpy数组里面使用，也可以处理pandas中的dataframe。

此外matplotlib还是python作图的基础包，大部分作图模块都是基于matplotlib来的，因此matplotlib的自定义属性最高。为了减少美化以及配色的麻烦，我一般时候喜欢作图的使用通过引用ggplot的style来解决美化问题：

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

plt.style.use('ggplot') ##使得作图自带色彩，这样不用费脑筋去考虑配色什么的；

%matplotlib inline

numpy array的作图

numpy数组主要是出现在python的数据分析里面，例如，在监督型学习的时候，需要做对分布的散点进行模式识别，并拟合。在拟合的过程中，需要用到梯度下降法，为了快速了解收敛的过程，需要对cost function进行监督。

在这里先不描述梯度下降法的作图方法，先简单介绍numpy数组的散点图以及拟合方法(注意poly1d不是拟合方法，而是一个多项式生成器，真正的拟合在polyfit那里)。通过linspace生成一组数据，并引入random：

x = np.linspace(1,10,80)

y = x + np.random.standard_normal(size=80)

y_s = np.ploy1d(np.plotfit(x,y,1))(x)

plt.scatter(x,y)

plt.plot(x, y_s)

plt.show()

这样就可以生成下面的这个图了：

一维拟合

当然，可以看到。这个图里面散点的点比较大，可以通过改变s参数更改散点的大小(如果将s变为一个函数，那么散点图就可以成为泡沫图了)，线可以通过linewidth 加粗。在这里，我们将s调大，并将其调成半透明，将线加粗，加入轴说明和图表抬头(title的字号大小通过fontsize来改变)：

x = np.linspace(1,10,80)

y = x + np.random.standard_normal(size=80)

plt.scatter(x,y, s = 20, alpha=0.2)

plt.plot(x, y_s, linewidth = 2)

plt.xlabel('area')

plt.ylabel('price')

plt.legend(('fit', 'origin'), loc = 'best', fontsize = 8)

plt.title('the price of the house with various area', {'fontsize':10})

plt.show()

更改后的一维拟合

Pandas的作图方法

dataframe里面一般涉及几组参数，一般无外乎是通过作图来发现参数组之间的规律或者关系。并且Pandas里面所有的作图可以都可以通过df.plot来实现，不同的图仅仅需要plot函数中的kind参数，将其改为ine、scatter、bar和pie等可以生成对应的图，详细需要看Visualization章节。在这里，我将以散点图为例做一个讲解：

x = np.linspace(0,10,101) + np.random.normal(1,0.5,101)

y = np.linspace(20,30,101) + np.random.normal(1,0.5,101)

z = np.linspace(40,50,101) + np.random.normal(1,0.5,101)

df = pd.DataFrame({'x':x, 'y':y, 'z':z, 'H' : 2*x ** 3 + 3*np.log10(y)+4*z})

df.head(5)

先生成一个数据表格：

df

例如，我想看x-H的散点图关系。可以将其中的kind参数设置为scatter，x和y的值取为对应列的名称，加入title就可以了：

df.plot(kind='scatter', x='x', y='H')

plt.title('x vs H')

plt.show()

x vs H

当然，如果我想同时看x，y，z对H的影响，似乎就要将上面的这个图重复三遍，比较麻烦。Pandas里面的scatter_matrix就可以解决这个问题，引用pandas.tools.plotting中的scatter_matrix函数：

from pandas.tools.plotting import scatter_matrix

scatter_matrix(df, figsize=(10,1 0), diagonal='kde')

plt.suptitle('the inflence of x,y,z to H')

plt.show()

xyz vs H

Heatmap

这是一种比较特殊的图，一般是对pivot_table的可视化展出，由于这种展示效果比较好，也比较直观，所以想在这里稍微提一下。先给出heatmap中的例子，稍微作了下改动，展示的是6*6随机数矩阵：

import numpy as np

import seaborn as sns

random_set = np.random.randint(0,10,(6,6))

sns.heatmap(random_set)

在一开始我提到了，这个东西比较多的可以用在pivot_table里面，举个例子，我要展示几个旗舰店(A店、B店、C店)的商品(a、b、c、d、e)的销量。手头上没有数据，生成个随机数组凑合着用吧：

mall_all = ['mall_A', 'mall_B', 'mall_C']

com_all = ['commodity_a', 'commodity_b','commodity_c', 'commodity_d', 'commodity_e']

mall = np.random.choice(mall_all,(1,100))[0]

com = np.random.choice(com_all, (1,100))[0]

ammout = np.random.randint(1,10,(100))

index = np.linspace(1,100, 100)

df = pd.DataFrame({'mall':mall, 'com':com, 'amount':ammout}, index=index, columns=['mall', 'com', 'amount'])

df.head()

生成出来的数据大概是这个样子的：

随机原始数据

对其进行数据透视，以Mall为列，以Commodity为行，总计售出商品数量：

pivot_df = pd.pivot_table(df, index='com', columns='mall', values=['amount'], aggfunc=np.sum)

pivot_df

数据透视后

通过heatmap将其进行可视化转化：

sns.heatmap(pivot_df)

plt.xlabel('Mall')

plt.ylabel('Commodity')

plt.title('Mall_Commodity')

plt.show()

数据透视的可视化

使用heatmap的几个重要的参数，vmin和vmax可以控制整图的最小和最大值，cmap为整体配色方案，annot参数用来控制是否显示原始数据，fmt用来控制展示数据格式，linewidths和linecolor用来控制分割线的粗细以及颜色，cbar用来确认是否显示图例。下面将调整一下最大和最小值，并且打开annot，更改整体配色方案，将分割线加粗并设置为白色看看：

sns.heatmap(pivot_df, vmax=80, annot=True, linecolor='white', linewidths=0.5, cmap='RdBu_r')

plt.xlabel('Mall')

plt.ylabel('Commodity')

plt.title('Mall_Commodity')

plt.show()

数据透视的可视化_改

小结

想想，作图也是我在python学习里面的一个巨坑，因为命令和参数比较多，但是用的比较少，偏偏作图包还比较多，一直搞不太懂各种的逻辑，所以一直忘记。这一次经过给自己一个详细的总结之后，应该会好很多。

在Python作图里面，还有一类图比较常见，就是地图。之前虽然我也有利用plotly玩过，但感觉还是没有进到里面的细节。我会再用一篇文章详细讲述一下，敬请期待。