python可视化基础

本文主要是介绍python可视化基础，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

常用的python可视化工具包是matplotlib，seaborn是在matplotlib基础上做的进一步封装。入坑python可视化，对有些人来说如同望山跑死马，心气上早输了一节。其实学习一门新知识，首先要掌握的是这门知识的最少最核心知识，剩下的就让它在实践中拓展吧。

视图分类

可视化视图的分类常常从两个维度：变量个数和变量之间的关系。按变量个数分可分为单变量分析和多变量分析。变量之间的关系常有下面四种：

比较关系，如：折线图。
联系，如：散点图。
构图，如：饼图。
分布，如：直方图。

知道了这些，还不够！你好要掌握如下几种常见的视图画法。
view_draw
工欲善其事，必先利其器！开始画图之前你需要注意这几个问题：

引入合适的包

import matplotlib.pyplot as plt
import seaborn as sns

处理中文乱码和负号问题

plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False #用来正常显示负号

Plus1：上面的中文设置在MAC平台的Spyder上无效，需要替换成如下的设置：

plt.rcParams['font.family'] = ['Arial Unicode MS'] #用来正常显示中文标签

Plus2：你可以把下面的这几条语句当成作图过程中的固定代码块：

import matplotlib.pyplot as plt # 导入作图库
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.figure(figsize = (7, 5)) # 创建图像区域，指定比例

好了现在开始我们的绘图之旅吧！

散点图（scatter plot）

散点图可以用来显示两个变量的关系，其核心示例代码如下：

plt.scatter(x,y,marker='X')
plt.show()

对应的生成图如下：
scatter_plot

折线图

折线图一般用来描述数据随时间变化的趋势，其核心代码示例如下：

x =[i+1 for i in range(2009,2019)]
y =[5,3,6,20,17,16,19,30,32,35]plt.plot(x,y)
plt.show()

其生成图如下所示：
在这里插入图片描述
折线图豪华升级版本代码如下：

import numpy as np
import matplotlib.pyplot as plt
x =np.linspace(0,10,1000)
y=np.sin(x)+1
z=np.cos(x**2)+1
plt.figure(figsize=(8,4))
plt.plot(x,y,label='$\sin x+1$',color='red',linewidth=2)
plt.plot(x,z,'b--',label='$\cos x^2+1$')
plt.xlabel('Time(s) ')
plt.ylabel('Volt')
plt.title('A Simple Example')
plt.ylim(0,2.2)
plt.legend()
plt.show()

图形示例.png

直方图

直方图又称质量分布图，能比较直观的体现出不同阶段，数量（质量）的分布状态，其核心示例代码如下：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pda =np.random.randn(100)
b = pd.Series(a)plt.hist(b)
plt.show()

其生成图如下所示：
hist_view

条形图

条形图和直方图很像，如果说通过直方图可以了解到变量的数值分布，那么条形图可以帮我们查看变量的类别特征。其核心示例代码如下：

x =['cat1','cat2','cat3','cat4','cat5']
y =[5,4,8,12,7]
plt.bar(x,y)
plt.show()

其生成图如下：
bar_view

箱线图

箱线图又称盒式图，由五个数值点构成：max（最大值）、min（最小值）、median（中位数）、Q3（上四分位数）和Q1（下四分位数）组成，比较直观的图示如下：
box_plot
下面我们来模拟箱线图的生成，其核心示例代码如下：

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import pandas as pddata = np.random.normal(size=(10,4))
lables =["A","B","C","D"]
plt.boxplot(data,labels=lables)
plt.show()

生成图如下所示：
box_plot

饼图

饼图常用来描述部分和整体之间的比例，其核心示例代码如下

nums =[24,37,19,9]
lables =["A","B","C","D"]
plt.pie(x=nums,labels=lables)
plt.show()

其生成图示例如下：
pie

其豪华升级版本如下：

import matplotlib.pyplot as pltlabels = 'Frogs','Hogs','Dogs','Logs'
sizes =[15,30,45,10]
colors=['yellowgreen','gold','lightskyblue','lightcoral']
explode=(0,0.1,0,0)
plt.pie(sizes,explode =explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=90)
plt.axis('equal')
plt.show()

其示例图如下所示：
饼型图示例.png

热力图

热力图是一种直观的多远变量分析方法，是一种矩阵表示方法，其中矩阵的不同元素值用不同的颜色来表示。在模拟时，我们需要导入seaborn中自带的数据集fights。其核心示例代码如下：


import matplotlib.pyplot as plt
import seaborn as sns
# data prepare
flights = sns.load_dataset("flights")
data=flights.pivot('year','month','passengers')sns.heatmap(data)
plt.show()