本文可以学习到以下内容：
- matplotlib 中文乱码解决办法
- seaborn 中文乱码解决办法
- seaborn 库csv数据下载地址
- 用matplotlib、seaborn、pyecharts绘制散点图
数据及源码地址：https://gitee.com/myrensheng/data_analysis
散点图
小凡在做数据分析的时候，经常需要对数据进行可视化操作，这样可以更加直观的了解数据，从而更好的分析数据。python常用来做数据可视化的第三方库有：matplotlib、seaborn、pyecharts。这几个第三方库都有各自的适用场景。
小凡在学习python的时候，最先接触的是matplotlib，工作中又接触到了pyecharts、seaborn。本篇以散点图为例，重点在于如何方便的使用这些库。
matplotlib绘制散点图
matplotlib是python数据可视化最著名的绘图库，他可以很轻松的绘制出各种各样的图表。
导入seaborn、pandas、numpy、matplotlib等库
import seaborn as sns
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl
在绘制图表的时候 matplotlib 对中文会显示成方框，可以用下面办法解决：
# 黑体
plt.rcParams["font.family"] = "SimHei"
# plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决无法显示符号的问题
plt.rcParams['axes.unicode_minus'] = False
# seaborn默认主题
# sns.set()
# 解决Seaborn中文显示问题
sns.set(font='SimHei',font_scale=0.8)
官网散点图案例，绘制出雅虎股票相邻两天的调整后的收盘价（adj_close）涨跌幅度散点图
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cbook as cbook
# Load a numpy record array from yahoo csv data with fields date, open, close,
# volume, adj_close from the mpl-data/example directory. The record array
# stores the date as an np.datetime64 with a day unit ('D') in the date column.
# 加载数据
price_data = (cbook.get_sample_data('goog.npz', np_load=True)['price_data']
.view(np.recarray))
# 获取最近250天的交易数据
price_data = price_data[-250:] # get the most recent 250 trading days
# 计算涨跌幅度
delta1 = np.diff(price_data.adj_close) / price_data.adj_close[:-1]
# Marker size in units of points^2
# 设置散点图每个点的颜色和大小
volume = (15 * price_data.volume[:-2] / price_data.volume[0])**2
close = 0.003 * price_data.close[:-2] / 0.003 * price_data.open[:-2]
# 设置图表和坐标轴
fig, ax = plt.subplots()
# 设置x轴、y轴数据，散点的大小、颜色、透明度属性
ax.scatter(delta1[:-1], delta1[1:], c=close, s=volume, alpha=0.5)
# 设置x轴标题
ax.set_xlabel(r'$\Delta_i$', fontsize=15)
# 设置y轴标题
ax.set_ylabel(r'$\Delta_{i+1}$', fontsize=15)
# 设置标题
ax.set_title('Volume and percent change')
# 显示网格线
ax.grid(True)
fig.tight_layout()
# 显示图表
plt.show()
散点图绘制结果如下：
1.png
seaborn绘制散点图
seaborn是基于matplotlib封装的高级API库，为绘制各种复杂的图表提供了便利。
seaborn的官网数据下载缓慢，我已下载完成，放在【数据加工厂】文件夹下，命名为 seaborn_data
# 加载案例数据
data_path = "../数据加工厂/seaborn_data/tips.csv"
tips = pd.read_csv(data_path)
# 修改为中文名
tips.columns = ["总账单","小费","性别","是否吸烟","星期几","时间","大小"]
用 head 方法进行数据预览
tips.head()
2.png
绘制出：不同时间段（午餐、晚餐）吸烟的人和不吸烟的人花费的账单和给的小费的关系散点图
# 绘制散点图
sns.relplot(
data=tips,
x="总账单",
y="小费",
col="时间",
hue="是否吸烟",
style="是否吸烟",
# size="size"
)
散点图绘制结果如下：
3.png
pyecharts绘制散点图
pyecharts将python和echarts结合起来，具有良好的交互性和观赏性，很适合用于制作数据报表。
from pyecharts import options as opts
from pyecharts.charts import Scatter
from pyecharts.faker import Faker
df = pd.DataFrame(data={"名称":Faker.choose(),"商家A":Faker.values(),"商家B":Faker.values()})
用 head 方法进行数据预览
df.head()
4.png
c = (
Scatter()
.add_xaxis(df["名称"].values.tolist())
.add_yaxis("商家A", df["商家A"].values.tolist())
.add_yaxis("商家B", df["商家B"].values.tolist())
.set_global_opts(
title_opts=opts.TitleOpts(title="Scatter-VisualMap(Size)"),
visualmap_opts=opts.VisualMapOpts(type_="size", max_=150, min_=20),
)
)
c.render_notebook()
散点图绘制结果如下：
5.png
总结
- matplotlib和seaborn更偏向于数据可视化探索
- pyecharts偏向于数据结果可视化展示
