数据科学包14-matplotlib-6种图形的基本画法

文章目录

matplotlib-6种图形的基本画法
- 1.numpy补充
- 2.散点图
- 3.折线图
- 4.条形图
- 5.直方图
- - 1D直方图
  - 2-D直方图（双变量直方分布图）
- 6.饼状图
- 7.箱形图

matplotlib-6种图形的基本画法

1.numpy补充

# 使用numpy生成100以内的随机数组；
#将数组存储到文件，在从该文件中读取数组；
#对数组进行排序求最大值、最小值、均值、方差
import numpy as np
x = np.random.randint(0,100,10)
# 将数组存储到文件
np.savetxt('testfile.txt',x)
# 从该文件中读取数组
c = np.loadtxt('testfile.txt')# np.func(x) 生成一个新的数组
c_sort = np.sort(c)
high = np.max(c)
low = np.min(c)
average = np.mean(c)
variance = np.var(c)

# unpack 的作用是可以变出多个表
open,close,volume=np.loadtxt('000001.csv',delimiter=',',unpack=True)

2.散点图

散点图显示两组数据的值，每个点的坐标位置由变量的值决定
由一组不连接的点完成，用于观察两种变量的相关性

# 简单例子：身高与体重
import numpy as np
import matplotlib.pyplot as pltheight = [161,170,183,175,173,165]
weight = [50,58,80,70,69,55]
plt.scatter(height,weight)
plt.show()

# 不相关性
import numpy as np
import matplotlib.pyplot as pltN = 1000
x1 = np.random.randn(N)
y1 = np.random.randn(N)plt.scatter(x1,y1)
plt.show()

# 正相关性
import numpy as np
import matplotlib.pyplot as pltN = 1000
x1 = np.random.randn(N)
y1 = x1 + np.random.randn(N)*0.5plt.scatter(x1,y1)
plt.show()

# 负相关性
import numpy as np
import matplotlib.pyplot as pltN = 1000
x1 = np.random.randn(N)
y1 = -x1 + np.random.randn(N)*0.5plt.scatter(x1,y1)
plt.show()

# 实例：股票价格涨幅
import numpy as np
import matplotlib.pyplot as pltopen,close = np.loadtxt('000001.csv',delimiter=',',skiprows=1,usecols = (1,4),unpack=True)change = close - open
today = change[:-1]
yesterday = change[1:]
plt.scatter(today,yesterday)
plt.show()

# 散点图的外观调整
# 颜色c，点大小s，透明度alpha,点形状marker
# 透明度可以看出点的密集程度
# 实例：股票价格涨幅
import numpy as np
import matplotlib.pyplot as pltopen,close = np.loadtxt('000001.csv',delimiter=',',skiprows=1,usecols = (1,4),unpack=True)change = close - open
today = change[:-1]
yesterday = change[1:]
plt.scatter(today,yesterday,c='r',s=50,marker='>',alpha=0.5)
plt.show()

3.折线图

折线图是用直线段将各数据连接起来组成的图形
常用来观察数据随时间变化的规律

import numpy as np
import matplotlib.pyplot as plt# linspacce在（-10,10）内等距取10个数
x = np.linspace(-10,10,10)
y = x**2
plt.plot(x,y)
plt.show()

# 股票时间序列图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 日期格式的转化
date,open,close = np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
plt.plot(date,open)
plt.show()

x轴为浮点数

x轴为时间

# 股票时间序列图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 日期格式的转化
date,open,close = np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
# plot_date专门绘制有一个坐标轴为时间的图形
plt.plot_date(date,open，'-')
plt.show()

# 散点图的外观调整-参数
# 线型linestyle  颜色color  点形状 marker
# 股票时间序列图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 日期格式的转化
date,open,close = np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
# plot_date专门绘制有一个坐标轴为时间的图形
plt.plot_date(date,open,linestyle = '-',color = 'red',marker = 'o')
plt.show()

# 散点图的外观调整-参数
# 线型linestyle  颜色color  点形状 marker
# 股票时间序列图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 日期格式的转化
date,open,close = np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
# plot_date专门绘制有一个坐标轴为时间的图形
plt.plot_date(date,open,linestyle = '--',color = 'green',marker = '>')
plt.show()

# 在一个图形上画两条折线图
# 股票时间序列图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
# 日期格式的转化
date,open,close = np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,4),unpack=True)
# plot_date专门绘制有一个坐标轴为时间的图形
plt.plot_date(date,open,linestyle = '--',color = 'green',marker = '>')
plt.plot_date(date,close,linestyle = '-',color = 'red' ,marker = 'o')
plt.show()

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.dates as mdatesdate,open,high,low,close=np.loadtxt('000001.csv',delimiter=',',converters={0:mdates.bytespdate2num('%m/%d/%Y')},skiprows=1,usecols=(0,1,2,3,4),unpack=True)# 画四个折线图
plt.plot_date(date,open,'y-')
plt.plot_date(date,high,'g-')
plt.plot_date(date,low,'b-')
plt.plot_date(date,close,'r-')plt.show()

4.条形图

以长方形的长度为变量的统计表
用来比较多个项目分类的数据大小
通常用于较小的数据集分析

# 条形图
import numpy as np
import matplotlib.pyplot as pltN = 5
y = [20,10,30,25,15]
index = np.arange(N)
# 参数:color-颜色  width-宽度
p1 = plt.bar(index,height=y,color='red',width=0.5)
plt.show()

# 水平条形图
# 参数orientation-条形图的方向：orientation='horizontal';参数bottom-纵坐标
import numpy as np
import matplotlib.pyplot as pltN = 5
y = [20,10,30,25,15]
index = np.arange(N)
# 参数:color-颜色  width-宽度
p1 = plt.bar(0,bottom=index,width=y,color='red',height=0.5,orientation='horizontal')
plt.show()

# 水平条形图
import numpy as np
import matplotlib.pyplot as pltN = 5
y = [20,10,30,25,15]
index = np.arange(N)
# 使用barh()内置函数
p1 = plt.barh(index,width=y,height=0.8)
plt.show()

import numpy as np
import matplotlib.pyplot as pltsales_BJ=[52,55,63,53]
sales_SH=[44,66,55,41]index=np.arange(4)
bar_width=0.3
# 并列条形图
plt.bar(index,sales_BJ,bar_width,color='b')
plt.bar(index+bar_width,sales_SH,bar_width,color='r')
plt.show()
# 层叠图：bottom=sales_BJ
plt.bar(index,sales_BJ,bar_width,color='b')
plt.bar(index,sales_SH,bar_width,color='r',bottom=sales_BJ)
plt.show()

与竖直的区别：水平层叠条形图,参数bottom要改为left、

# 生成2组大小为5的数据
# 画出两组数据水平的条形图
# 采用并列和层叠两种方式
import numpy as np
import matplotlib.pyplot as pltindex=np.arange(5)
sales_BJ=[52,55,63,53,40]
sales_SH=[44,66,55,41,30]
bar_width=0.3
# 水平并列条形图
plt.barh(index,width=sales_BJ,height=bar_width,color='b')
plt.barh(index+bar_width,width=sales_SH,height=bar_width,color='r')
plt.show()
# 水平层叠条形图,参数bottom要改为left
plt.barh(index,width=sales_BJ,height=bar_width,color='b')
plt.barh(index,width=sales_SH,height=bar_width,color='r',left=sales_BJ)
plt.show()

5.直方图

1D直方图

有一系列高度不等的纵向条形组成，表示数据分布的情况；一般用来显示连续型的数值性数据

import numpy as np
import matplotlib.pyplot as pltmu = 100  # mean of distribution
sigma = 20  # standard deviation of distribution
x = mu + sigma * np.random.randn(2000)
# bins表示直方的个数，normed=True表示对其数据进行标准化
plt.hist(x, bins=10,color='red',normed=True)
plt.show()

import numpy as np
import matplotlib.pyplot as pltmu = 100  # mean of distribution
sigma = 20  # standard deviation of distribution
x = mu + sigma * np.random.randn(2000)
# bins表示直方的个数，normed表示是否对其数据进行标准化
# 如果标准化，纵坐标是频率；如果不标准化，纵坐标是数量
plt.hist(x, bins=50,color='green',normed=False)
plt.show()

数据数量很大时，接近总体密度曲线

2-D直方图（双变量直方分布图）

# 双变量直方分布图
import numpy as np
import matplotlib.pyplot as pltx = np.random.randn(1000)+2
y = np.random.randn(1000)+3plt.hist2d(x, y, bins=100)
plt.show()

`# 随机生成2000个数据，均值为10 ，方差为3
# 绘制两个直方图，bins分别为10,50；normed分别为True和False
import numpy as np
import matplotlib.pyplot as pltmu = 10  # mean of distribution
sigma = 3  # standard deviation of distribution
x = mu + sigma * np.random.randn(2000)plt.hist(x, bins=10,normed=True)plt.hist(x, bins=50,normed=False)
plt.show()`**

# 随机生成x和y，分别为2000个，x均值为1，y均值为5
# 绘制2D直方图，bins为40个
import numpy as np
import matplotlib.pyplot as pltx=np.random.randn(2000)+1
y=np.random.randn(2000)+5plt.hist2d(x,y,bins=40)plt.show()

6.饼状图

饼状图显示一个数据系列中各项的大小与各项总和的比例
饼状图的数据显示为整个饼状图的百分比

# 饼状图
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpeclabels = 'A', 'B', 'C', 'D'
fracs = [15, 30, 45, 10]
explode = (0, 0.05, 0, 0)# 设置x轴、y轴比例为1:1，从椭圆变成圆形
plt.axes(aspect=1)# 参数autopct表示将其所占比例用python格式化字符串表示出来
# 参数explode表示离圆中心的距离，用来突出的显示某一块或某几块
# 参数shadow=True表示是否有阴影
plt.pie(fracs, explode=explode, labels=labels, autopct='%.0f%%', shadow=True)
plt.show()

# 绘制饼状图，突出显示SZ,百分比精确到小数点后一位,有阴影
import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpeclabels = 'SH', 'BJ', 'SZ', 'GD'
fracs = [20, 10, 30, 25]
explode = (0, 0, 0.05, 0)plt.axes(aspect=1)plt.pie(fracs, explode=explode, labels=labels, autopct='%.1f%%', shadow=True)plt.show()

7.箱形图

箱形图是一种用作显示一组数据分散情况资料的统计图
上边缘、上四分位数、中位数、下四分位数、下边缘、异常值

# 箱形图
import numpy as np
import matplotlib.pyplot as plt# 生成随机数
np.random.seed(100)
# 生成大小为1000的数组
data = np.random.normal(size=1000, loc=0.0, scale=1.0)# 参数sym用来调整异常值的点的形状
# whis用来表示图的虚线长度的比例值
plt.boxplot(data,sym='o',whis=1.5)plt.show()

# 箱形图
import numpy as np
import matplotlib.pyplot as pltnp.random.seed(100)
# 多个箱形图
data = np.random.normal(size=(100, 4), loc=0.0, scale=1.0)
labels = ['A','B','C','D']plt.boxplot(data, labels=labels,sym='>',whis=1.5)plt.show()

数据科学包14-matplotlib-6种图形的基本画法相关推荐

机器学习---数据科学包-第2天
1 pandas快速入门(一) .Series()方法.Series类型由一组数据及与之相关的数据索引组成. import pandas as pd import numpy as np s = pd ...
3.机器学习—数据科学包3.2pandas基础
pandas基础一.pandas介绍 1.什么是pandas 2.pandas用途 3.课程内容二.Ipython开发环境搭建 1.安装 2.新建运行环境 3.Ipython技巧 4.Ipytho ...
机器学习-数据科学库：matplotlib绘图
机器学习-数据科学库:matplotlib绘图 matplotlib绘图 matplotlib折线图 matplotlib散点图 matplotlib条形图 matplotlib直方图对比常用统计图 ...
HuaPu在学：机器学习——数据科学库【matplotlib】
数据科学库[matplotlib] 文章目录数据科学库[matplotlib] 前言一.数据分析介绍及环境安装 1.为什么要数据分析??? 2.环境安装二.matplotlib 1.为什么学习m ...
python第二阶段（2）入门-数据科学包 pandas
数据科学包 pandas 导入pandas 创建对象 1 系列 2 日期序列(1) 3 日期序列(2) 4 Series的操作(1) 5 Series的操作(2) 合并,新增,连接和比较 1 连接 2 ...
python 数据科学包_什么时候应该使用哪个Python数据科学软件包？
python 数据科学包 Python is the most popular language for data science. Unfortunately, it can be tricky ...
数据科学包——Day2
数据科学包--Day2 利用Pandas, Numpy进行电影数据分析准备工作任务: 数据读取数据合并按性别查看各个电影的平均评分男女评分差异最大的电影活跃电影排行前十大活跃电影--被评 ...
数据科学中常见的9种距离度量方法（包括曼哈顿距离、欧氏距离、半正矢距离等）
数据科学中常见的9种距离度量方法(包括曼哈顿距离.欧氏距离.半正矢距离等) 1.欧氏距离(Euclidean Distance) 2.余弦相似度(Cosine Similarity) 3.汉明距离(H ...
看看这些鲜为人知的宝藏Python数据科学包吧!
动态数据科学的这三剑客几乎无人不知无人不晓:Numpy,Pandas和Matplotlib.你可能已经熟悉这些包以及它们的运作方式. 还有其他很炫酷的包,你肯定也想试一试,例如Plotly,Seabo ...
Python数据科学库02(matplotlib)
Python数据科学库02 学习02 matplotlib 对比常用统计图折线图的更多应用场景: 1.呈现公司产品(不同区域)每天活跃用户数 2.呈现app每天下载数量 3.呈现产品新功能上线后,用 ...