数据可视化第二版-03部分-11章-相关
总结
本系列博客为基于《数据可视化第二版》一书的教学资源博客。本文主要是第11章，相关可视化的案例相关。
可视化视角-相关
代码实现
安装依赖
pip install scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple pip install tushare==1.2.89 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install mplfinance==0.12.9b7 -i https://pypi.tuna.tsinghua.edu.cn/simple pip install pyheatmap==0.1.12 -i https://pypi.tuna.tsinghua.edu.cn/simple
散点图
散点图1-基本散点图
import matplotlib.pyplot as plt import numpy as np from sklearn import datasets import seaborn as sns # 基本散点图 a = np.random.randint(30, size=100) b = np.random.randint(20, size=100) asorted = sorted(a) bsorted = sorted(b) bsorted2 = sorted(b, reverse=True) plt.scatter(asorted, bsorted) plt.scatter(asorted, bsorted2) plt.show()
输出为：
散点图2-散点折线图
# 散点折线图 x = [2, 4, 6, 9, 12, 15, 18, 21, 24] y = [12, 17, 10, 32, 15, 24, 5, 20, 16] plt.scatter(x, y) plt.plot(x, y) plt.show()
输出为：
散点图3-回归散点图
# 回归数据散点图 data = datasets.make_regression(n_samples=80, n_features=1, n_targets=1, noise=10, random_state=144) # 生成回归数据，添加轻微扰动 x = data[0] # x为50行1列 y = data[1] # y为1行50列 plt.scatter(x[:, 0], y, s=8) plt.show()
输出为
散点图4-回归数据散点图
# 回归 data = datasets.make_regression(n_samples=30, n_features=1, n_targets=1, noise=20, random_state=144) # 生成回归数据，添加轻微扰动 x = data[0] # x为50行1列 y = data[1] # y为1行50列 sns.regplot(x=x[:, 0], y=y) # 添加回归线 plt.show()
输出为：
散点图5-分类数据散点图
# 分类数据散点图 X1, y1 = datasets.make_classification( n_samples=300, random_state=1, n_features=2, n_redundant=0, n_informative=2) plt.scatter(X1[:, 0], X1[:, 1]) plt.show() moons = datasets.make_moons(n_samples=150, noise=.09, random_state=10) x = moons[0] y = moons[1] plt.scatter(x[:, 0], x[:, 1], c=y) # 可视化月牙图形 plt.show()
输出为：
气泡图
气泡图1-
import matplotlib.pyplot as plt import numpy as np import seaborn as sns # 图例1 a = [5, 6, 8, 20, 27, 14, 19, 24, 13, 28, 30, 23, 7, 8, 33, 6, 9, 26, 27, 4] b = [5, 7, 8, 16, 23, 28, 23, 20, 29, 34, 35, 30, 32, 27, 14, 19, 24, 23, 28, 30] colors = np.random.rand(len(a)) # 颜色数组 size = [212, 225, 375, 420, 225, 356, 287, 300, 382, 375, 425, 543, 654, 609, 543, 435, 320, 525, 656, 287] plt.scatter(a, b, s=size, c=colors, alpha=0.6) plt.show()
输出为：
气泡图2-
sns.set(style="white") a = [0.1, 0.2, 0.35, 0.5, 0.8, 0.9] b = [0.4, 0.1, 0.5, 0.9, 0.4, 1] size = [2500, 2560, 250, 2400, 2500, 750] plt.scatter(a, b, s=size, c='g', alpha=0.6) plt.axis([-0.1, 1.1, -0.2, 1.2]) plt.show()
输出为：
相关图
相关图1-
import seaborn as sns import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets # 相关图图例一 x = datasets.load_iris().data m = 0 l = x.shape[1] plt.figure(figsize=(8, 8)) sns.set(style="darkgrid") # matplotlib画图中文显示会有问题，需要这两行设置默认字体 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] for i in range(l): for j in range(l): m += 1 plt.subplot(4, 4, m) if i != j: plt.scatter(x[:, i], x[:, j], s=3) # 画出散点图，设置点的大小为3 plt.grid(True) # 显示网格 if j == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[j]) # 只在最后一行设置横标签 else: plt.hist(x[:, i], edgecolor='black') # 画直方图，使边框为黑色 plt.grid(True) # 显示网格 if i == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[i]) # 只在最后一行设置横标签 plt.show()
相关图2-
# 相关图图例2 x = datasets.load_iris().data m = 0 l = x.shape[1] plt.figure(figsize=(8, 8)) sns.set(style="darkgrid") plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # matplotlib画图中文显示会有问题，需要这两行设置默认字体 name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] for i in range(l): for j in range(l): m += 1 plt.subplot(4, 4, m) if i != j: sns.regplot(x=x[:, i], y=x[:, j], marker='.') # 添加回归线 if j == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[j]) # 只在最后一行设置横标签 else: plt.hist(x[:, i], edgecolor='black') # 画直方图，使边框为黑色 if i == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[i]) # 只在最后一行设置横标签 plt.show()
相关图3-
# 相关图图例3 sns.set(style="ticks", color_codes=True) sns.set_style('whitegrid', {'font.sans-serif': ['simhei', 'FangSong']}) # 解决中文乱码问题 name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] data = datasets.load_iris() x = pd.DataFrame(datasets.load_iris().data, columns=name) sns.pairplot(x) plt.show()
相关图4-
# 相关图图例4 x = datasets.load_iris().data y = datasets.load_iris().target m = 0 l = x.shape[1] plt.figure(figsize=(8, 8)) sns.set(style="darkgrid") plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # matplotlib画图中文显示会有问题，需要这两行设置默认字体 name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] labels = ['山鸢尾', '变色鸢尾', '维吉尼亚鸢尾'] for i in range(l): for j in range(l): m += 1 plt.subplot(4, 4, m) if i != j: plt.scatter(x[:, i][y == 0], x[:, j][y == 0], s=3) # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 1], x[:, j][y == 1], s=3) # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 2], x[:, j][y == 2], s=3) # 画出散点图，设置点的大小为3 plt.grid(True) # 显示网格 if j == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[j]) # 只在最后一行设置横标签 else: sns.kdeplot(data=x[:, i][y == 0], shade=True) sns.kdeplot(data=x[:, i][y == 1], shade=True) sns.kdeplot(data=x[:, i][y == 2], shade=True) if i == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[i]) # 只在最后一行设置横标签 plt.legend(labels, bbox_to_anchor=(1.05, 4.6), loc=2) plt.show()
相关图5-
# 相关图图例5 data = datasets.load_iris() x = datasets.load_iris().data y = datasets.load_iris().target m = 0 l = x.shape[1] plt.figure(figsize=(8, 8)) sns.set(style="darkgrid") plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # matplotlib画图中文显示会有问题，需要这两行设置默认字体 name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] # labels=['山鸢尾','变色鸢尾','维吉尼亚鸢尾'] for i in range(l): for j in range(l): m += 1 plt.subplot(4, 4, m) plt.scatter(x[:, i][y == 0], x[:, j][y == 0], s=3, label='山鸢尾') # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 1], x[:, j][y == 1], s=3, label='变色鸢尾') # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 2], x[:, j][y == 2], s=3, label='维吉尼亚鸢尾') # 画出散点图，设置点的大小为3 plt.grid(True) # 显示网格 if j == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[j]) # 只在最后一行设置横标签 plt.legend(bbox_to_anchor=(1.05, 4.6), loc=2) plt.show()
相关图6-
# 相关图图例6 data = datasets.load_iris() x = datasets.load_iris().data y = datasets.load_iris().target m = 0 l = x.shape[1] plt.figure(figsize=(8, 8)) sns.set(style="darkgrid") plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # matplotlib画图中文显示会有问题，需要这两行设置默认字体 name = ['花萼长度', '花萼宽度', '花瓣长度', '花瓣宽度'] # labels=['山鸢尾','变色鸢尾','维吉尼亚鸢尾'] for i in range(l): for j in range(l): m += 1 plt.subplot(4, 4, m) plt.scatter(x[:, i][y == 0], x[:, 3 - j][y == 0], s=3, label='山鸢尾') # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 1], x[:, 3 - j][y == 1], s=3, label='变色鸢尾') # 画出散点图，设置点的大小为3 plt.scatter(x[:, i][y == 2], x[:, 3 - j][y == 2], s=3, label='维吉尼亚鸢尾') # 画出散点图，设置点的大小为3 plt.grid(True) # 显示网格 if j == 0: plt.ylabel(name[i]) # 只在第一列设置纵标签 if i == 3: plt.xlabel(name[3 - j]) # 只在最后一行设置横标签 plt.legend(bbox_to_anchor=(1.05, 4.6), loc=2) plt.show()
热力图
热力图1-
from pyheatmap.heatmap import HeatMap import numpy as np import seaborn as sns import matplotlib.pyplot as plt plt.figure(figsize=(6, 5)) x = np.random.randn(4, 4) sns.heatmap(x, annot=True, vmin=-1, vmax=1) plt.show()
热力图2-
from pyheatmap.heatmap import HeatMap import numpy as np import seaborn as sns import matplotlib.pyplot as plt # 1 X = [1, 23, 4, 34, 3, 47, 38, 7, 11, 9, 8, 44, 13, 5, 45, 24] * 10 Y = [26, 5, 35, 24, 18, 7, 28, 49, 6, 23, 54, 28, 8, 21, 52, 42] * 10 data = [] for i in range(len(X)): tmp = [int(X[i]), int(Y[i]), 1] data.append(tmp) heat = HeatMap(data) heat.clickmap().show() # 点击图 heat.heatmap().show() # 热图
二维密度图
二维密度图1-
import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn import datasets import warnings warnings.filterwarnings("ignore") # 图例1 x = datasets.load_iris().data y = datasets.load_iris().target sns.kdeplot(x=x[:, 0], y=x[:, 3], cmap='Purples', shade=True, shade_lowest=False) plt.show()
二维密度图2-
# 图例2 cov = [[0.2, 1], [0.5, 0.1]] mean = [0.4, 0.7] np.random.seed(123) y = np.random.multivariate_normal(mean, cov, 100) sns.kdeplot(x=y[:, 0], y=y[:, 1], shade=True, cmap="Blues", cbar=True) plt.show()
二维密度图3-
# 图例3 np.random.seed(123) x = np.random.randn(100) y = np.random.binomial(50, 0.5, size=100) sns.set(style="white", font_scale=1.5) ax = sns.jointplot(x=x, y=y, kind='kde', cmap="Blues") plt.show()
二维密度图4-
# 图例4 mean, cov = [0, 1], [(1, .5), (.5, 1)] data = np.random.multivariate_normal(mean, cov, 200) df = pd.DataFrame(data, columns=["x", "y"]) f, ax = plt.subplots(figsize=(6, 6)) cmap = sns.cubehelix_palette(as_cmap=True, dark=0, light=1, reverse=True) sns.kdeplot(x=df.x, y=df.y, cmap=cmap, n_levels=60, shade=True) plt.show()
二维密度图5-
# 图例5 np.random.seed(123) x = np.random.randn(100) y = np.random.binomial(50, 0.5, size=100) sns.set(style="white", font_scale=1.5) ax = sns.jointplot(x=x, y=y, kind='hex', cmap="Blues") plt.show()
教材截图
