Matplotlib可视化之使用pandas和Seaborn绘制精美图表详解

目录

• Matplotlib 可视化
• 入门演示
• 设置刻度尺，配置中文
• 添加网格，标题
• 一张图绘制多个 / 增加图例
• 多个坐标系，在一个画布
• 其他图像绘制
• 绘制直方图
• 绘制饼图
• 散点图
• pandas 绘图
• 柱状图
• 面积图
• 案例
• Seaborn 绘图
• 柱状图
• 绘制直方图
• 案例
• 箱线图 / 何须图
• 小提琴图

matplotlib 的绘图基本步骤：

• 创建画布
• 准备数据集，X轴，Y轴
• 可选：颜色，线型，标签，网格，图例，标题，坐标轴标签。
• 绘制图像

import matplotlib.pyplot as plt
# 创建一个10英寸的宽和5英寸的高的画布
# dpi 点数 80，表示清晰度。
# 10 * 80，5 * 80
plt.figure(figsize=(10, 5), dpi=80)

# 准备数据
x = [1, 2, 3, 4, 5, 6, 7]
y = [6, 2, 10, 14, 21, 25, 30]

# 准备绘制
plt.plot(x, y) # 折线图

# 展示图
plt.show()

import matplotlib.pyplot as plt
# 设置中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

通过 plt.xticks 和 plt.yticks 设置对应的刻度尺

# 返回一个迭代对象，0 - 60，这是 X轴
x = range(60)

# y 轴，范围 15 ~ 18
y = [random.uniform(15, 18) for i in x]

# 创建画布
plt.figure(figsize=(10, 5), dpi=80)

# 绘制图像
plt.plot(x, y)

# 自定义X轴和Y轴
x_ticks_label = [f'11点{i}分' for i in x]
y_ticks_label = [i for i in range(0, 25)]

# 具体设置，但是如果不切片，那会显得很密集，所以需要切片，注意必须都切片
plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks_label[::5])

# 显示
plt.show()

主要实现plt.grid

• linestyle：设置线风格。
  • （-）实线
  • （–）虚线
  • （-.）一个杠一个.
  • （:）两个点
  • （' '）留空、空格
• alpha：设置透明度，最大1，最小0

设置标题 / 保存为图片

• xlabel
• ylabel
• title
• savefig

import matplotlib.pyplot as plt
import random
x = range(60)
y = [random.uniform(15, 18) for i in x]
plt.figure(figsize=(10, 5), dpi=80)
plt.plot(x, y)

# 自定义X轴和Y轴
x_ticks_label = [f'11点{i}分' for i in x]
y_ticks_label = [i for i in range(0, 25)]

plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks_label[::5])

# 添加网格
plt.grid(linestyle=':', alpha=1)

# 添加标签
plt.xlabel('时间', fontsize=15)
plt.ylabel('温度', fontsize=15)
# 添加标题
plt.title('温度变化曲线', fontsize=20)

plt.savefig('temp.png')

plt.show()

绘制多个图的关键点，给每个plot要加一个label，表示名字，后续图例使用。

• color 用于设置颜色，生成的图例有颜色。
• label 文字

# 准备数据
x = range(60)
# 第一个图的数据
y = [random.uniform(15, 18) for i in x]
# 第二个图的数据
m = [random.uniform(1, 10) for i in x]
plt.figure(figsize=(10, 5), dpi=80)

# 绘制第一个线
plt.plot(x, y, label='北京')
# 绘制第二个线
plt.plot(x, m, label='摩诃')

颜色字符	风格字符
r 红色	– 实线
g 绿色	– – 虚线
b 蓝色	-. 点划线
w 白色	: 点虚线
c 青色	' ' 留空、空格
m 洋红
y 黄色
k 黑色

加图例的关键代码，loc 设置 best，表示自动匹配最好的位置。这个 loc 会根据 label 来匹配，如果在绘制时没设置 label，不会生成的。

loc 设置图例位置

# 增加图例
plt.legend(loc='best')

设置位置

位置 string	位置代码
'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

完整代码演示

import matplotlib.pyplot as plt
import random
# 准备数据
x = range(60)
# 第一个图的数据
y = [random.uniform(15, 18) for i in x]
# 第二个图的数据
m = [random.uniform(1, 10) for i in x]
plt.figure(figsize=(10, 5), dpi=80)

# 绘制第一个线
plt.plot(x, y, label='北京', color='r')
# 绘制第二个线
plt.plot(x, m, label='摩诃', color='c')

# 增加图例
plt.legend(loc='best')

x_ticks_label = [f'11点{i}分' for i in x]
y_ticks_label = [i for i in range(0, 25)]
plt.xticks(x[::5], x_ticks_label[::5])
plt.yticks(y_ticks_label[::5])
plt.grid(linestyle=':', alpha=1)
plt.xlabel('时间', fontsize=15)
plt.ylabel('温度', fontsize=15)
plt.title('温度变化曲线', fontsize=20)
plt.show()

主要是通过下面，获取到了分割后的画布，对每个画布进行单独设置。

fig, ax = plt.subplots(figsize=(20, 8), nrows=1, ncols=2)

完整代码

import matplotlib.pyplot as plt
import random
# 准备数据
x = range(60)
y = [random.uniform(15, 18) for i in x]
m = [random.uniform(1, 10) for i in x]

# 面向对象绘图，fig -> 画布（1行2列的画布），ax -> 坐标系
fig, ax = plt.subplots(figsize=(20, 8), nrows=1, ncols=2)

# 绘制图像
ax[0].plot(x, y, color='r', label='北京')
ax[1].plot(x, m, color='c', label='摩诃')

# 添加刻度
# 刻度变量
x_ticks_label = [f'11点{i}分' for i in x]
y_ticks_label = [i for i in range(0, 25)]

# 具体添加刻度的操作
ax[0].set_xticks(x[::5])  # 图 1 的 x轴
ax[0].set_yticks(y_ticks_label[::5])  # 图 1 的 y轴
ax[0].set_xticklabels(x_ticks_label[::5])  # 图 1 的 x轴的值

# 具体添加刻度的操作
ax[1].set_xticks(x[::5])  # 图 1 的 x轴
ax[1].set_yticks(y_ticks_label[::5])  # 图 1 的 y轴
ax[1].set_xticklabels(x_ticks_label[::5])  # 图 1 的 x轴的值
plt.show()

目前是这样，我们继续添加

设置 x y 轴的标题和大小

ax[0].set_ylabel('温度')
ax[0].set_xlabel('时间')
ax[0].set_title('一段时间的温度变化', fontsize=20)

ax[1].set_ylabel('温度')
ax[1].set_xlabel('时间')
ax[1].set_title('一段时间的温度变化', fontsize=20)


# 添加图例
ax[0].legend(loc='best')
ax[1].legend(loc=0)

# 保存图片
plt.savefig('test.png')

plt.show()

matplotlib.org/stable/gallery/index.html 官方案例库

• 折线图用来看趋势
• 柱状图用来看对比
• 直方图用来展示数据的分布情况
• 散点图用来描述两个连续变量之间的关系

绘制柱状图

import matplotlib.pyplot as plt
# 1. 准备数据
x = ['A', 'B', 'C', 'D', 'E']
y = [3, 6, 1, 8, 2]

# 额外可以设置画布大小
plt.figure(figsize=(20,8))

# 2. 绘制柱状图
plt.bar(x, y, color='r')

# 3. 设置 x轴，y轴标签 和标题
plt.xlabel('分类名')
plt.ylabel('商品个数')
plt.title('商品分类统计图', fontsize=15)
plt.show()

由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据范围，纵轴表示分布情况。

特点：绘制连续性的数据展示一组或者多组数据的分布状况(统计)

import matplotlib.pyplot as plt
import numpy as np
# 1. 准备数据
data = np.random.randn(500)

# 2. 创建面板
plt.figure(figsize=(20, 8))

# 3. 绘制图形，rwidth 柱子之间的宽度，bins 柱子大小
plt.hist(data, bins=20, color='r', alpha=0.5, rwidth=0.8)

# 4. 显示
plt.show()

import matplotlib.pyplot as plt
# 准备数据
sizes = [25, 35, 25, 15]
# 分类标签
labels = ['电脑', '手机', '键盘', '鼠标']

# 就提绘图动作， autopct 显示百分比
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
# 设置图表标题
plt.title("Simple Pie Chart")
plt.show()

import matplotlib.pyplot as plt

x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

plt.scatter(x, y, color='red')  # 绘制红色散点图
plt.title("Simple Scatter Plot")  # 设置图表标题
plt.xlabel("X-axis")  # 设置X轴标签
plt.ylabel("Y-axis")  # 设置Y轴标签
plt.show()  # 显示图表

要统计个数的两种方式

# 思路一：稍微复杂一点
# df.groupby('province')['province'].count().sort_values(ascending=False).head(10)
df['province'].value_counts()

df['province'].value_counts().head(10).plot.bar(fontsize=15, figsize=(10,6), color=['r', 'g', 'b', 'y', 'c', 'm', 'k', 'pink', 'gray', 'orange'])

kwords = dict(fontsize=15, figsize=(10, 6), color=['r', 'g', 'b', 'y', 'c', 'm', 'k', 'pink', 'gray', 'orange'])
df['province'].value_counts().head(10).plot.area(**kwords)

获取产葡萄酒最多的10个产地的 占比

kwords = dict(fontsize=15, figsize=(10, 6), color=['r', 'g', 'b', 'y', 'c', 'm', 'k', 'pink', 'gray', 'orange'])
(df['province'].value_counts().head(10) / len(df)).plot.bar(**kwords)

展示每个评分的葡萄酒种类(个数)

kwords = dict(fontsize=15, figsize=(10, 6), color=['r', 'g', 'b', 'y', 'c', 'm', 'k', 'pink', 'gray', 'orange'])
df['points'].value_counts().sort_index().plot.bar(**kwords) # 柱状图
df['points'].value_counts().sort_index().plot.area(**kwords) # 面积图
df['points'].value_counts().sort_index().plot.line(**kwords) # 折线图

底层依赖 Matplotlib

pip install seaborn

已知数据

按照性别，进行统计

• x 是绘制的列名
• hue 是分组的名字

import seaborn as sns
# 联网加载数据集
df = sns.load_dataset('tips')
# 按照性别字段进行统计
sns.countplot(data=df, x='sex')
sns.countplot(data=df, x='day', hue='sex')

import seaborn as sns
# 联网加载数据集
df = sns.load_dataset('tips')
sns.histplot(data=df, x='total_bill', hue='sex')

如何修改画布大小和标题

import seaborn as sns
import matplotlib.pyplot as plt
# 设置乱码
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(10, 6))
sns.histplot(data=df, x='total_bill', hue='sex')
ax.set_title('男女总账单分布情况', fontsize=20)
plt.show()

需求：描述总账单金额和小费的分布情况(散点图，关系图)

import seaborn as sns
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

fig, ax = plt.subplots(figsize=(10, 6))
# x轴。总账单，y轴，消费，按照性别分组
sns.scatterplot(data=df, x='total_bill', y='tip', hue='sex')
ax.set_title('总账单金额和小费的关系图', fontsize=20)
plt.show()

还有其他方式绘制出，散点图，它不能使用分组

# 拟合回归线
sns.regplot(data=df, x='total_bill', y='tip')

还有一种方式，带上直方图的散点图，注意它不需要和上面代码混合在一起，它自带画布等

import seaborn as sns
import matplotlib.pyplot as plt

sns.jointplot(data=df, x='total_bill', y='tip')
plt.show()

它如果加上，分组，会使用折线图，而不是直方图

sns.jointplot(data=df, x='total_bill', y='tip', hue='sex')
plt.show()

加上 kind = red，使用正态分布，它不允许与 hue 分组一起使用

sns.jointplot(data=df, x='total_bill', y='tip', kind='reg')
plt.show()

还可以变成，蜂巢图

sns.jointplot(data=df, x='total_bill', y='tip', kind='hex')
plt.show()

• Q3：四分之三
• 中位数：二分之一
• q1：四分之一

import seaborn as sns
import matplotlib.pyplot as plt
# 联网加载数据集
df = sns.load_dataset('tips')
# 线箱图
sns.boxplot(data=df, x='time', y='total_bill')
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
# 联网加载数据集
df = sns.load_dataset('tips')
sns.violinplot(data=df, x='time', y='total_bill')
plt.show()

希望分组，使用 hue

sns.violinplot(data=df, x='time', y='total_bill', hue='sex')

希望切割，使用 split

sns.violinplot(data=df, x='time', y='total_bill', hue='sex', split=True)

以上就是Matplotlib可视化之使用pandas和Seaborn绘制精美图表详解的详细内容，更多关于Matplotlib可视化绘图的资料请关注风君子博客其它相关文章！

您可能感兴趣的文章:

• Python可视化与交互matplotlib库的详细介绍
• Python可视化工具Matplotlib的20种图表用法
• 使用Python Matplotlib处理地理数据可视化
• 使用Matplotlib创建自定义可视化图表的方法小结
• 使用Matplotlib创建漂亮的数据可视化图表
• matplotlib实现矩阵和图像的可视化表示
• 使用Python的数据可视化库Matplotlib实现折线图
• Python数据可视化实践之使用Matplotlib绘制图表