常用的可视化图表
我们常用的图表其实也有很多，比如说文本表格，条形图，饼图等等。下面我就来简单介绍10种常见的图表
散点图
散点图一般是两个变量的二维图表，很适合展示两个变量之间的关系。当然也有三维散点图，不过使用的并不是很多
折线图
折线图可以很好的呈现数据随着时间迁移的变化趋势
直方图
直方图把横坐标等分成一定数量的区间，然后再每个区间内用矩形条展示该区间内的数值，可以很好的查看数据的分布情况
条形图
条形图可以查看数据中不同类别之间的分布请求
盒式图
是由五个数值组成：最大值（max）、最小值（min）、中位数（median）和上下四分位数（Q3，Q1），可以帮助我们分析数据的差异性、离散程度和异常值等信息
饼图
饼图可以很好的呈现每类数据所占总数据的比例情况
热力图
热力图是把数据用矩阵表示的形式，不同数据颜色不同，可以通过颜色直观的判断某个位置上的数值情况
雷达图
可以很好的显示一对多的关系，比如王者荣耀中的对局信息，就是雷达图
地理图表
对于按照不同地理位置区分的数据，使用地理图表可以很直观的呈现数据信息
词云图
词云图是非常好的可视化图表，在分析评论等场景非常常见
视化图表分类
其实，我们也可以根据数据之间的关系，把可视化图表分成如下几类
- 联系
查看多个变量之间的关系，例如：散点图，雷达图
- 比较
比较数据间各类别的关系，例如：条形图
- 趋势
展示数据随时间的变化趋势，例如：折线图
- 构成
各部分占总体的百分比，例如：饼图
- 分布
关注变量的分布情况，例如：直方图
下面有两张图片，很好的概括了不同情况下，该如何选择合适的图表
在以后的工作中，如果遇到可视化工作，又不太确定如何更好的呈现数据，可以来看看上面的图片，也许能找到灵感。
十大图表实例
下面我们就来逐一完成上面的十个图表，看看 Python 带给你的视觉体验。
我们会分别使用 Matplotlib、Seaborn 和 Pyecharts 来完成作图，需要提前下载好对应的库
pip install matplotlib pip install seaborn pip install pyecharts
我们会使用 seaborn 自带的数据集为例子，所以需要导入数据集
import matplotlib.pyplot as plt import seaborn as sns tips = sns.load_dataset("tips") print(tips.head()) >>> total_bill tip sex smoker day time size 0 16.99 1.01 Female No Sun Dinner 2 1 10.34 1.66 Male No Sun Dinner 3 2 21.01 3.50 Male No Sun Dinner 3 3 23.68 3.31 Male No Sun Dinner 2 4 24.59 3.61 Female No Sun Dinner 4
散点图
matplotlib 实现散点图
matplotlib.pyplot.scatter(x, y, c=None, marker=None)
几个重要的参数
x，y：数值坐标
c：点的颜色
marker：标记的符号，可以选择“x”，“>” 或 “o”
seaborn 实现散点图
sns.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None)
x，y：传入的数据间 data 的列的名字
hue：按照列名分组，不同组展示不同颜色
style：按照列名分组，不同分组使用不同的 marker
size：按照列名分组，不同分组符号大小不同
data：传入的数据集
plt.scatter(tips['total_bill'], tips['tip'], c='#bcbd22', marker='x') plt.show() sns.scatterplot(x='total_bill', y='tip', hue='time', style='time', size='time', data=tips) plt.show()
Matplotlib 绘制：
Seaborn 绘制：
两种作图整体分布式类似的，不过 Seaborn 作为 Matplotlib 的更高级 API 实现，可以更加方便的处理数据的分组展示等功能。
pycharts 实现散点图
pyecharts 是基于 echarts 的 Python 实现，同样拥有强大的功能，而且拥有完善的中文文档，这里就不再过多讲解 pyecharts 的用法了。
scatter = Scatter() scatter.add_xaxis(tips['total_bill']) scatter.add_yaxis("小费金额", tips['tip']) scatter.set_global_opts(xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)), yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)), toolbox_opts=opts.ToolboxOpts(is_show=True) ) scatter.render_notebook() # 在 jupyter notebook 中展示 # scatter.render('scatter.html') # 生成 HTML 文件，可以在浏览器中打开查看
折线图
matplotlib 实现折线图
matplotlib.pyplot.plot(x, y)
x，y：分别是横纵坐标，x 需要是按照大小排序的数组
seaborn 实现折线图
seaborn.lineplot(x=None, y=None, data=None)
关键的参数与散点图十分类似，这里不再赘述
tips_copy = tips.copy() tips_copy.sort_values(by='total_bill', inplace=True) plt.plot(tips_copy['total_bill'], tips_copy['tip']) plt.show() sns.lineplot(x="total_bill", y="tip", data=tips, ) plt.show()
Matplotlib 绘制：
Seaborn 绘制：
可以看到，使用 seaborn 库，x 轴上的元素会自动被排序
pyecharts 实现折线图
from pyecharts.charts import Line line = Line() line.add_xaxis(tips_copy['total_bill']) line.add_yaxis("", tips_copy['tip']) line.render_notebook()
直方图
matplotlib 实现直方图
matplotlib.pyplot.hist(x, bins=None)
x：要输入的一维数组
bins：是直方图中区域的数量
seaborn 实现直方图
seaborn.distplot(a, kde=True)
a：观测数据
kde：是否画估计曲线
import numpy as np x = np.random.randn(100) plt.hist(x, 10) plt.show() sns.distplot(x, 10) plt.show()
Matplotlib 绘制：
Seaborn 绘制：
Pyecharts（echarts） 并没有专门的直方图方法。
条形图
matplotlib 实现条形图
matplotlib.pyplot.bar(x, height, width=0.8)
x：x 轴的坐标值
height：y 轴的坐标值
width：条形的宽度
seaborn 实现条形图
seaborn.barplot(x=None, y=None, hue=None, data=None)
x，y，hue：分别是两个坐标轴的名称和图例名称
data：传入的数据
new_tips = tips.groupby('day').mean() plt.bar(new_tips.index.values.tolist(), new_tips['total_bill'].values.tolist(), width=0.5) plt.show() sns.barplot(x="day", y="total_bill", hue='sex', data=tips) plt.show()
Matplotlib 绘制：
Seaborn 绘制：
可以看到，Seaborn 可以进行方便的分组绘制。
pyecharts 实现条形图
from pyecharts.charts import Barbar = Bar() bar.add_xaxis(new_tips.index.values.tolist()) bar.add_yaxis("", new_tips['total_bill'].values.tolist()) bar.render_notebook()
盒式图
matplotlib 实现盒式图（箱形图）
matplotlib.pyplot.boxplot(x, notch=None, label=None)
x：需要传入的数据
notch：为是否展示带有缺口的箱形
label：可以设置标签
seaborn 实现盒式图
seaborn.boxplot(x=None, y=None, hue=None, data=None)
plt.boxplot(tips['total_bill'], notch=True) plt.show() sns.boxplot(x=tips['day'], y='total_bill', data=tips) plt.show()
Matplotlib 绘制：
Seaborn 绘制：
Pyecharts 对于盒式图支持的并不友好，不推荐使用，这里只给出官网例子
from pyecharts.charts import Boxplot v1 = [ [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880] + [1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960], [960, 940, 960, 940, 880, 800, 850, 880, 900] + [840, 830, 790, 810, 880, 880, 830, 800, 790, 760, 800], ] box = Boxplot() box.add_xaxis(['expr1']) box.add_yaxis("", box.prepare_data(v1)) box.render_notebook()
饼图
matplotlib 实现饼图
matplotlib.pyplot.pie(x, explode=None, labels=None)
x：需要用到的数据
explode：扇形偏移量
labels：扇形的标签
seaborn 并未提供饼图的高级 API
sizes = [17, 32, 44, 10] labels = ['cat', 'dog', 'fox', 'tiger'] explode = (0, 0.1, 0, 0) plt.pie(sizes, labels=labels, explode=explode) plt.show()
pyecharts 实现饼图
from pyecharts.charts import Pie mylist = [list(z) for z in zip(labels, sizes)] pie = Pie() pie.add("", mylist) pie.render_notebook()
热力图
对于热力图，一般使用 Seaborn 提供的更加高级的 API 来实现
seaborn.heatmap(data)
data：DataFrame 类型数据即可
flights = sns.load_dataset("flights") flights_new = flights.pivot(index="month", columns="year", values="passengers") sns.heatmap(flights_new) plt.show()
pyecharts 实现热力图
x = flights_new.columns.values.tolist() y = flights_new.index.values.tolist() value = flights_new.values.tolist()L = [] i = j = 0 for inner_list in value: for v in inner_list: L.append([i, j, v]) j += 1 i += 1 j = 0 from pyecharts.charts import HeatMap from pyecharts import options as opts heatmap = HeatMap() heatmap.add_xaxis(x) heatmap.add_yaxis("", y, L) heatmap.set_global_opts( visualmap_opts=opts.VisualMapOpts(max_=650, min_=90) ) heatmap.render_notebook()
雷达图
Matplotlib 和 Seaborn 都没有直接提供雷达图的 API，我们需要手动实现一个
import numpy as np import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties # 数据准备 labels=np.array([u" 推进 ","KDA",u" 生存 ",u" 团战 ",u" 发育 ",u" 输出 "]) stats=[83, 61, 95, 67, 76, 88] # 画图数据准备，角度、状态值 angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False) stats=np.concatenate((stats,[stats[0]])) angles=np.concatenate((angles,[angles[0]])) # 用 Matplotlib 画蜘蛛图 fig = plt.figure() ax = fig.add_subplot(111, polar=True) ax.plot(angles, stats, 'o-', linewidth=2) ax.fill(angles, stats, 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) plt.show()
plt.figure 相当于是创建一个画板，add_subplot 就是将画板划分，然后再通过 plot 和 fill 作画
pyecharts 实现雷达图
from pyecharts.charts import Radar ability = [[83, 61, 95, 67, 76, 88]] radar = Radar() radar.add_schema( schema=[ opts.RadarIndicatorItem(name="推进", max_=100), opts.RadarIndicatorItem(name="KDA", max_=100), opts.RadarIndicatorItem(name="生存", max_=100), opts.RadarIndicatorItem(name="团战", max_=100), opts.RadarIndicatorItem(name="发育", max_=100), opts.RadarIndicatorItem(name="输出", max_=100), ] ) radar.add("", ability) radar.render_notebook()
地理图表
对于需要展示地理分布的数据，使用地图分布图表是非常方便的，echarts 提供了好好的支持，因此我们也可以使用 pyecharts 的高级 API 来制作地理图表
from pyecharts.charts import Geo provinces = ['广东', '北京', '上海', '江西', '湖南', '浙江', '江苏'] values = [120, 96, 72, 97, 54, 138, 97] geo = Geo() geo.add_schema(maptype="china") geo.add("", [list(z) for z in zip(provinces, values)]) geo.render_notebook()
只需要传入一个列表，列表里包含省份名称和对应省份的数值。这个数值就是具体的业务数据，比如可以是该省份的产值，高校数量，人口总数等等。
词云图
from pyecharts.charts import WordCloud words = [ ("开心", 1000), ("伤心", 4002), ("吃饭", 5008), ("上课", 3000), ("工作", 5980), ("学习", 2357), ("算法", 5300), ("Python", 3478), ("入门", 2300), ("同学", 4000), ("出发", 5378), ("java", 6700), ("Linux", 1000), ("教学", 2198), ("公司", 4570), ("政府", 1000), ("同事", 4350), ("朋友", 3444), ("家人", 1000), ("亲人", 4300), ("城市", 2000), ] wordcloud = WordCloud() wordcloud.add("", words) wordcloud.render_notebook()
同样是传入列表，包含需要展示的词语和该词语对应的频度，该频度也会决定词语的大小。
相信大家通过上面10个图表的学习，已经能够基本掌握 Python 可视化的知识了。你也应该发现，在数据分析的过程中，大多数情况下使用 Seaborn 是比较方便的，它可以很好的结合 DataFrame 数据类型，而在最后的数据展示时，使用 Pyecharts（echarts）则是很好的选择，它涵盖了非常强大的 API，可以对生成的图表再做后续的操作，当然 Matplotlib 是最为基础，也是最为强大的工具，在实际的工作中，需要好好衡量，选择最适合的工具来做可视化的工作。
总结
今天我们一起学习了常用的可视化图表以及如何制作相关图表。对于 Matplotlib、Seaborn 和 Pyecharts 工具包的使用一定要熟练的掌握，在数据分析的过程中会经常使用。同时还要知道，Seaborn 是基于 Matplotlib 的更加高级的可视化库，类似于 NumPy 和 Pandas 的关系。
同时我们还按照数据之间的关系，划分了不同类型的图表，希望能够在未来帮助你更好的选择图表。当然对于单分类和多分类数据，也可以使用组合图表来进行可视化处理。这三个工具包的官方文档都是非常好的学习工具，希望大家能够在后面的学习中好好利用，多加探索。
练习题
其实 Seaborn 自带了很多好玩的数据集，比如我们用到的 tips 和 flights 数据集，还有 car_crashes 数据集，是一个关于车祸的数据集，那么你能够使用该数据集，做一些探索吗，看看可以制作出哪些好玩的可视化图表？
