Python 基于 Matplotlib 实现数据可视化(二)

简介: Python 基于 Matplotlib 实现数据可视化(二)

Python 基于 Matplotlib 实现数据可视化(一)+

4、柱状图

4.1 普通柱状图

柱状图,能够让我们更清晰地查看类别的特征。可以通过 bar(x, height) 函数来绘制柱状图,其中 x 代表的是 x 轴的位置序列,height 代表的是 y 轴的数值序列。

比如,我们从本地读取一份学生成绩的 excel 数据,然后将其用柱状图的方式绘制出来。

在 Excel 中,我们有一份简单的数据,如图所示:

具体代码如下:

import pandas as pd 
import matplotlib.pyplot as plt
users = pd.read_excel('../../user.xlsx')
# sort_values 排序,inplace 原地修改,ascending False 从大到小
users.sort_values(by='score', inplace=True, ascending=False)
# 直接使用 plt.bar() 绘制柱状图
plt.bar(users.name, users.score, color='orange')
# 设置标题、x 轴名称与 y 轴名称,fontsize 设置字号
plt.title('Student Score', fontsize=16)
plt.xlabel('Name')
plt.ylabel('Score')
# 如果 x 轴字体太长,利用 rotation 将其旋转 90 度,方便显示
# plt.xticks(users.name, rotation='90')
# 紧凑型布局(因为 x 轴文字较长,为了让其显示全,使用紧凑型布局)
plt.tight_layout()
plt.show()

运行结果,如图所示:

如果你想要把 X 轴和 Y 轴名称改成中文的,通过添加中文支持就可以了。

import pandas as pd 
import matplotlib.pyplot as plt
users = pd.read_excel('../../user.xlsx')
# sort_values 排序,inplace 原地修改,ascending False 从大到小
users.sort_values(by='score', inplace=True, ascending=False)
# 直接使用 plt.bar() 绘制柱状图
plt.bar(users.name, users.score, color='orange')
# 添加中文字体支持
from matplotlib.font_manager import FontProperties
# SimSun.ttc 简体字
font = FontProperties(frame="SimSun.ttc", size=16)
# 设置标题、x 轴名称与 y 轴名称,fontsize 设置字号
plt.title('学生分数', fontproper=font)
plt.xlabel('名字', fontproperties=font, fontsize=14)
plt.ylabel('分数', fontproperties=font, fontsize=14)
# 因为 x 轴字体太长,利用 rotation 将其旋转 90 度,方便显示
plt.xticks(users.name, rotation='90')
# 紧凑型布局(因为 x 轴文字较长,为了让其显示全,使用紧凑型布局)
plt.tight_layout()
plt.show()

4.2 叠加柱状图

假设,咱学生的三科考试成绩都出来了,包括语文、数学、英语,那咱想叠加展示的话,就直接使用 stacked 来实现叠加形式。

一样,我们也是需要先去读取 Excel 中的数据,再去绘制。

具体代码如下:

import pandas as pd 
import matplotlib.pyplot as plt
users = pd.read_excel('../../user2.xlsx')
# 新计算出一个总量,用于排序
users['Total'] = users['chinese'] + users['english'] + users['math']
# sort_values 排序,inplace 原地修改
users.sort_values(by='Total', inplace=True)
# 直接使用 plt.bar() 绘制柱状图
# plt.bar(users.name, users.score, color='orange')
# 水平的叠加柱状图,barh 中而 h 表示 horizontal 水平的
# 利用 stacked 就可以实现叠加形式
# users.plot.bar(x='name', y=['chinese', 'english', 'math'], stacked=True)
users.plot.barh(x='name', y=['chinese', 'english', 'math'], stacked=True)
# 紧凑型布局(因为 x 轴文字较长,为了让其显示全,使用紧凑型布局)
plt.tight_layout()
plt.show()

运行结果,如图所示:

(1)垂直方向的效果:

(2)水平方向的效果:

5、散点图

散点图描述的是 两个变量之间的关系,将两个变量的值展示在一个二维坐标系中,它跟折线图有点儿相似,区别是散点图只描述数据点,不会将他们练成一根线。

我们可以指定一个范围,通过随机数来绘制一张散点图,感受一下。

非常简单的,具体代码如下:

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
# 准备数据(此处使用随机数据)
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
# x:指定 X 轴数据  
# y:指定 Y 轴数据
# market:指定散点的图形样式
plt.scatter(x, y, marker='*')
# 绘制散点图
plt.show()

运行结果,如图所示:

其中,我们绘制散点图时,用到了 scatter() 函数,除了上面我们用过的参数以外,还有好几个也是比较常见的,下面统一再说明一下:

  • x:指定 X 轴数据;
  • y:指定 Y 轴数据;
  • s:指定散点的大小;
  • c:指定散点的颜色;
  • alpha:指定散点的透明度;
  • linewidths:指定散点边框的粗细;
  • edgecolors:指定散点边框的颜色;
  • marker:指定散点的图形样式(有很多)
标记 说明 标记 说明
. s 正方形
, 像素 p 五边形
o 圆形 * 星型
v 向下三角 h 八边形
^ 向上三角 H 八边形2
< 向左三角 + 加号
> 向右三角 x 乘号
1 向下三叉 D 菱形
2 向上三叉 d 小菱形
3 向左三叉 | 竖线
4 向右三叉 _ 横线
  • camp:指定散点颜色的映射。

6、直方图

直方图,也叫质量分布图,它主要由一系列高度不等的纵向条纹或线段来表示数据分布的情况。其中,横轴用来表示数据类型,纵轴用来表示分布情况。

在横坐标上,等分成了一定数量的小区间,每个小区间用高矮不一的矩形条来展示区间中的 y 值,此时我们即可观察到数据集的直方图分布的情况。

具体代码如下:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 准备数据
a = np.random.randn(100)
s = pd.Series(a) 
# 绘制直方图
plt.hist(s)
plt.show()

运行结果,如图所示:

7、箱线图

箱线图,可以用来分析数据的差异性、离散程度、异常值等。它由五个部分组成,分别是最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。

通过使用 boxplot(x, labels=None) 函数即可实现,其中,x 指的是要绘制箱线图的数据,labels 用来设置箱线图的标签。

具体代码如下:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 准备数据
data = np.random.normal(size=(10,5)) 
lables = ['A','B','C','D','E']
# 用Matplotlib画箱线图
plt.boxplot(data,labels=lables)
plt.show()

运行结果,如图所示:

8、雷达图

这是我做了一个项目管理能力的评估效果图,所呈现的图示叫雷达图,也叫蜘蛛图。

它是一种显示一对多关系的方式。在图中,我们可以观察到一个变量相对于另一个变量的显著性是很清晰的。

在设置数据的时候,我们需要指定对应标签的统计数据,也就是 labels 和 stats。

另外,它本质上是一个圆形,需要我们根据标签的个数,来计算出其坐标的角度,再去设置对应的值。

具体代码如下:

![雷达图](../%E9%9B%B7%E8%BE%BE%E5%9B%BE.png)import numpy as np
import matplotlib.pyplot as plt
# import seaborn as sns
# from matplotlib.font_manager import FontProperties 
# 准备数据
# 语文,数学,英语,物理,化学,体育
labels = np.array(["Chinese","Math","English","Pysics","Cemistry","Sport"])
# 统计值
stats = [85, 60, 90, 77, 86, 85]
# 画图数据准备,角度、状态值
# 根据数据长度平均分割圆周长
angles = np.linspace(0, 2*np.pi, len(labels), endpoint=False)
# 闭合
stats = np.concatenate((stats,[stats[0]]))
angles = np.concatenate((angles,[angles[0]]))
labels=np.concatenate((labels,[labels[0]]))
# 绘制雷达图
fig = plt.figure()
# 将图分成 1 行 1 列,画出位置 1 的图
ax = fig.add_subplot(111, polar=True)   
ax.plot(angles, stats, 'o-', color='r', linewidth=2)
ax.fill(angles, stats, facecolor='r', alpha=0.25)
# 设置中文字体
# font = FontProperties(fname=r"C:\Windows\Fonts\simhei.ttf", size=14)  
# ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)
ax.set_thetagrids(angles * 180/np.pi, labels)
plt.show()

运行结果,如图所示:

9、等高线图

先看下面这张图,它是「等高线地图」,是一种利用已有的数据,画出地理位置分布图的方式。

等高线地图,就是将地表高度相同的点,连成一环线,直接投影到平面形成水平曲线。不同高度的环线不会相合,除非地表显示悬崖或峭壁,才能使某处线条太密集,而出现重叠现象。若地表出现平坦开阔的山坡,曲线间之距离就相当宽。

在我们数据分析中,我们除了地理数据以外,还有很多其他数据也要做「等高线图」展示,它需要的是三维数据,其中 X、Y 轴数据用来确定坐标点,Z 轴数据则是不同坐标点所对应的高度。

当拿到所有数据之后,可以使用 contour() 函数来进行绘制,如果你想要填充颜色的话,可以使用 contourf() 函数来实现。

常用的参数有:

  • X:用于指定 X 轴数据;
  • Y:用于指定 Y 轴数据;
  • Z:用于指定 X、Y 轴坐标的所对应的高度数据;
  • colors:用于指定不同高度的等高线的颜色;
  • alpha:用于指定等高线的透明度;
  • cmap:用于指定等高线的颜色映射;
  • linewidths:用于指定等高线的宽度;
  • linesytles:用于指定等高线的样式。

那我们就来画一张吧,很简单的,具体代码如下:

import numpy as np
import matplotlib.pyplot as plt
 
# 指定 X,Y 轴数据
# 从左边取值为从 -6 到 6
# 各取 5 个点,一共取 5*5 = 25 个点
x = np.linspace(-3, 3, 5)
y = np.linspace(-3, 3, 5)
# 将 X,Y 数据进行网格化
X, Y = np.meshgrid(x, y)
 
# 定义等高线高度函数
def f(x, y):
    return x * (y * 0.2)
 
# 填充颜色
plt.contourf(X, Y, f(X,Y), 10, alpha = 0.75, cmap = 'rainbow')
# 绘制等高线
con = plt.contour(X, Y, f(X,Y), 10, colors = 'black', linewidth = 0.5)
# 显示各等高线的数据标签
plt.clabel(con, inline = True, fontsize = 10)
# 去除坐标轴
plt.xticks(())
plt.yticks(())
plt.show()

运行结果,如图所示:

10、3D 图

画 3D 图,是很好玩儿的,它需要的数据跟上面的等高线图基本一样,先通过 X、Y 轴来指定坐标点,然后再通过 Z 轴来指定坐标点的对应高度。

我们可以使用 Matplotlib 的 scatter3D() 方法来实现;也可以使用 Axes3D 对象的 plot_surface() 方法来实现,我们都拿来玩一下。

先来看看 Matplotlib 的 scatter3D() 方法,具体代码如下:

from matplotlib import pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np
ax = plt.axes(projection='3d')
# 指定 X、Y、Z 三个坐标轴
zd = 10 * np.random.random(100)
xd = 3 * np.sin(zd)
yd = 4 * np.cos(zd)
# 绘制散点图
# 基本上是 matplotlib 画图的属性设置
ax.scatter3D(xd, yd, zd, 
             c = 'red')
plt.show()

运行结果,如图所示:

再来看看 Axes3D 对象的 plot_surface() 方法,具体代码如下:

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D    
fig = plt.figure(figsize = (10, 8))
ax = Axes3D(fig)
# 获取 X、Y 数据
x = np.arange(-8,8,0.25)  
y = np.arange(-8,8,0.25)
x,y = np.meshgrid(x,y)
r = np.sqrt(x**2 + y**2)
# 获取 Z 数据
z = np.sin(r)/2                 
# 调用 plot_surface() 函数进行绘制
ax.plot_surface(x, y, z,
                rstride = 1,
                cstride = 1, 
                cmap = plt.get_cmap('rainbow'))
ax.contourf(x, y, z, 
            zdir = 'z',
            offset = -2)
plt.show()

运行结果,如图所示:

目录
相关文章
|
3天前
|
数据采集 数据可视化 数据处理
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
17 5
|
7天前
|
数据可视化 数据挖掘 Python
使用Python进行数据可视化:探索与实践
【10月更文挑战第21天】本文旨在通过Python编程,介绍如何利用数据可视化技术来揭示数据背后的信息和趋势。我们将从基础的图表创建开始,逐步深入到高级可视化技巧,包括交互式图表和动态展示。文章将引导读者理解不同图表类型适用的场景,并教授如何使用流行的库如Matplotlib和Seaborn来制作美观且具有洞察力的可视化作品。
27 7
|
6天前
|
数据可视化 定位技术 Python
使用Python进行数据可视化
【10月更文挑战第22天】在这篇文章中,我们将深入探讨如何使用Python进行数据可视化。我们将从基础的图表开始,然后逐步进入更复杂的可视化技术。我们将通过实例代码来展示如何实现这些可视化,以便读者能够更好地理解和应用这些技术。
13 5
|
8天前
|
数据可视化 Python
使用Python进行数据可视化的初学者指南
【10月更文挑战第20天】本文旨在为编程新手提供一个简洁明了的入门指南,通过Python语言实现数据可视化。我们会介绍如何安装必要的库、理解数据结构,并利用这些知识来创建基本图表。文章将用通俗易懂的语言和示例代码,帮助读者快速掌握数据可视化的基础技能。
14 4
|
21天前
|
数据可视化 开发者 Python
使用Python进行数据可视化:从入门到精通
【10月更文挑战第7天】本文将引导您通过Python的可视化库,如Matplotlib和Seaborn,来探索和展示数据。我们将通过实际代码示例,学习如何创建各种图表,包括条形图、散点图和直方图等,并讨论如何优化这些图表以更好地传达信息。无论您是初学者还是有一定基础的开发者,这篇文章都能帮助您提高数据可视化技能。
|
24天前
|
数据可视化 Python
Python编程之数据可视化入门
【10月更文挑战第4天】在数字时代的洪流中,数据如同星辰般璀璨,而将它们绘制成图表,便是我们探索宇宙的方式。本文将带你启航,用Python这艘航船,驶向数据可视化的奥秘。我们将从安装必要的工具包开始,逐步深入到数据的呈现,最后通过代码示例点亮知识的灯塔,指引你在数据海洋中航行。让我们握紧舵盘,乘风破浪,揭开数据背后的故事吧!
|
28天前
|
存储 数据可视化 Python
Python编程中的数据可视化技术
在数据驱动的世界中,将复杂的数据集转换为易于理解的视觉表示形式至关重要。本文将深入探讨如何使用Python进行数据可视化,包括选择合适的库、处理数据和设计有效的图表。我们将一起学习如何让数据讲故事,并确保你的信息传达清晰且有影响力。
|
8天前
|
数据可视化 数据挖掘 定位技术
Python中利用Bokeh创建动态数据可视化
【10月更文挑战第14天】本文介绍了如何使用 Bokeh 库在 Python 中创建动态数据可视化。Bokeh 是一个强大的开源可视化工具,支持交互式图表和大规模数据集的可视化。文章从安装 Bokeh 开始,逐步讲解了如何创建动态折线图,并添加了交互式控件如按钮、滑块和下拉菜单,以实现数据更新频率的调节和颜色选择。通过这些示例,读者可以掌握 Bokeh 的基本用法,进一步探索其丰富功能,创建更具吸引力和实用性的动态数据可视化。
15 0
|
16天前
|
数据可视化 定位技术 Python
Python数据可视化--Matplotlib--入门
Python数据可视化--Matplotlib--入门
18 0
|
26天前
|
数据可视化 数据挖掘 大数据
使用Python进行简单数据可视化
【10月更文挑战第2天】使用Python进行简单数据可视化
30 0