目录

• 设置作图方式
• 工具简介
  • Matplotlib
  • Seaborn
• 基本用法
  • 设置坐标轴
    • 调整名字和间隔
  • Legend 图例
    • 添加图例
    • 调整位置和名称
• 使用python作图进行基本的数据探索
  • 散点图 scatter
  • 分组绘图 FacetGrid
  • 箱线图 boxplot
  • 计数条形图 countplot
  • 直方图和分布密度图 histogram
    density
  • 饼图
  • 热力图

设置作图方式

如果你使用的IDE是spyder，可以通过如图的位置进行设置，设置完成后重启spyder以使设置生效

image

image

或者你可以通过运行下面的命令进行快速设置

#在console中输出图片
%matplotlib inline 

#在单独窗口中输出图片
%matplotlib qt5 

工具简介

下面我会基于两个工具来介绍python的基本作图。

Matplotlib

Matplotlib 是一个非常强大的 Python 画图工具;

它能帮你画出美丽的:

• 线图;
• 散点图;
• 等高线图;
• 条形图;
• 柱状图;
• 3D 图形,
• 甚至是图形动画等等.

Seaborn

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，
在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib能制作具有更多特色的图。
应该把Seaborn视为matplotlib的补充，而不是替代物。

基本用法

import matplotlib.pyplot as plt  # 使用import导入模块matplotlib.pyplot，并简写成plt  
import numpy as np  # 使用import导入模块numpy，并简写成np

x = np.linspace(-1, 1, 50)  # 使用np.linspace定义x：范围是(-1,1);个数是50.   
y = 2*x + 1  # 仿真一维数据组(x ,y)表示曲线1.

plt.figure()  # 使用plt.figure定义一个图像窗口. 
plt.plot(x, y)  # 使用plt.plot画(x ,y)曲线.
plt.title('fig1')  # 设置标题
plt.show()  #  使用plt.show显示图像.

image

设置坐标轴

调整名字和间隔

x = np.linspace(-3, 3, 50)  # 使用np.linspace定义x：范围是(-3,3); 个数是50.   
y1 = 2*x + 1  # 仿真一维数据组(x ,y1)表示曲线1.   
y2 = x**2  # 仿真一维数据组(x ,y2)表示曲线2.

plt.figure()  # 使用plt.figure定义一个图像窗口. 
plt.plot(x, y2)  # 使用plt.plot画(x ,y2)曲线.
# 使用plt.plot画(x ,y1)曲线，曲线的颜色属性(color)为红色;
# 曲线的宽度(linewidth)为1.0；  
# 曲线的类型(linestyle)为虚线.
plt.plot(x, y1, color='red', linewidth=1.0, linestyle='--')  

plt.xlim((-1, 2))  # 使用plt.xlim设置x坐标轴范围：(-1, 2)；
plt.ylim((-2, 3))  # 使用plt.ylim设置y坐标轴范围：(-2, 3)； 
plt.xlabel('I am x')  # 使用plt.xlabel设置x坐标轴名称：’I am x’；
plt.ylabel('I am y')  # 使用plt.ylabel设置y坐标轴名称：’I am y’；
plt.show()  # 

image

Legend 图例

添加图例

matplotlib 中的 legend 图例就是为了帮我们展示出每个数据对应的图像名称.
更好的让读者认识到你的数据结构.

首先我们设置两条线的类型等信息（蓝色实线与红色虚线).

# set line syles
l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')

# legend将要显示的信息来自于上面代码中的 label. 所以我们只需要简单写下一下代码, plt 就能自动的为我们添加图例.
plt.legend(loc='upper right')
plt.show()

image

参数 loc='upper right' 表示图例将添加在图中的右上角.

调整位置和名称

如果我们想单独修改之前的 label 信息, 给不同类型的线条设置图例信息.
我们可以在 plt.legend 输入更多参数. 如果以下面这种形式添加 legend,
我们需要确保, 在上面的代码 plt.plot(x, y2, label='linear line') 和
plt.plot(x, y1, label='square line') 中有用变量 l1 和 l2 分别存储起来.
而且需要注意的是 l1, l2,要以逗号结尾, 因为plt.plot() 返回的是一个列表.

l1, = plt.plot(x, y1, label='linear line')
l2, = plt.plot(x, y2, color='red', linewidth=1.0, linestyle='--', label='square line')
plt.legend(handles=[l1, l2], labels=['up', 'down'],  loc='best')
plt.show()

image

这样我们就能分别重新设置线条对应的 label 了.

最后我们得到带有图例信息的图片.

其中'loc'参数有多种，'best'表示自动分配最佳位置，其余的如下：

• 'best' : 0,
• 'upper right' : 1,
• 'upper left' : 2,
• 'lower left' : 3,
• 'lower right' : 4,
• 'right' : 5,
• 'center left' : 6,
• 'center right' : 7,
• 'lower center' : 8,
• 'upper center' : 9,
• 'center' : 10

使用python作图进行基本的数据探索

from matplotlib import pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pd

我们使用diamonds 数据集进行数据探索

diamonds=pd.read_csv('https://raw.githubusercontent.com/huangchaosp/hc-blog-attachment/master/data/diamonds.csv')    

通过head() 和 shape 查看数据的结构

diamonds.head()

diamonds.shape

(53940, 10)

使用sample() 随机抽取样本数据

ds=diamonds.sample(frac=0.1) #随机抽取10%的数据
ds.shape

(5394, 10)

散点图 scatter

plt.scatter(ds.carat,ds.price)
plt.show()

image

根据散点图，我们猜测钻石价格与克拉数是指数型关系
下面我们来验证一下我们的猜测

plt.scatter(np.log(ds.carat),np.log(ds.price)) 
plt.show()

image

取了log之后，发现log(price)与log(carat)是线性关系

分组绘图 FacetGrid

如何在一幅图上体现多个维度：比如通过颜色

g = sns.FacetGrid(ds, hue='color', size=7.5)
g.map(plt.scatter, 'carat', 'price').add_legend()
plt.show()

image

箱线图 boxplot

使用箱线图查看不同色泽的钻石价格的分布情况

sns.boxplot(x="color", y="price", data=ds) 
plt.show()

image

计数条形图 countplot

通过countplot 我可以看出那个色泽的钻石个数最多

sns.countplot(x='color',data=ds)
plt.show()

image

直方图和分布密度图 histogram density

通过distplot 可以看出不同重量的钻石的分布情况

# 直方图
sns.distplot(ds.carat, kde=False)
plt.show()

image

# 密度图
sns.distplot(ds.carat, kde=True)
plt.show()

image

# 分组查看
g=sns.FacetGrid(data=ds,col='color',col_wrap=3)   # 这里相当于groupby
g=g.map(sns.distplot,'carat')
plt.show()

image

饼图

# The slices will be ordered and plotted counter-clockwise.
labels = 'Frogs', 'Hogs', 'Dogs', 'Logs' # 定义标签
sizes = [15, 30, 45, 10] # 每一块的比例
colors = ['yellowgreen', 'gold', 'lightskyblue', 'lightcoral'] # 每一块的颜色
explode = (0, 0.1, 0, 0) # 突出显示，这里仅仅突出显示第二块（即 'Hogs' ）
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%',
shadow=True, startangle=90)
plt.axis('equal') # 显示为圆（避免比例压缩为椭圆）
plt.show()

image

热力图

flights = sns.load_dataset('flights')
flights.head()

# pivot() 可以将dataframe转换为行列式矩阵 并指定每个元素的存储值
flights = flights.pivot(index='month', columns='year',  values='passengers')
flights.head()

plt.figure(figsize=(10,6))
sns.heatmap(flights, fmt='d', linewidths=.5)
# fmt设置字体模式  linewidth设置每个小方格的间距 线宽
plt.show()

image