【R和Python对比】matplotlib和ggplot（二）

首先py的画图都是
xx.plot(kind=’xx’)的形式

这个和R的ggplot后面的geom_xxx比较类似。

但是py弱在图形的整合，例如ggplot里面有个stat,可以直接很方便的进行count，identity等操作，而py的数据集需要喂好了给matplot，不过这样也倒是省时，因为py的groupby本来就不算很麻烦（和R的datatable差不多）。

下面进行柱状图的绘制：

iris.groupby('Species')['Sepal.Length'].sum().plot(kind='bar',
                                                   title='Bar',
                                                   color='k')

这个相当于R的geom_bar(stat=’count’）

需要首先groupby Species，然后加总Sepal.Length，最后画一个柱状图，Color=K 就是黑色，如图：

同样的，可以用均值加总：

iris.groupby('Species')['Sepal.Length'].mean().plot(kind='bar',
                                                   title='Bar-mean',
                                                   color='b')

当然可以放两个柱状图一起：

iris.groupby('Species')['Sepal.Length',
                        'Sepal.Width'].sum().plot(kind='bar',
                                                  title='combinebar',
                                                  color='by')

这个color就是b和y，中间也没有间隔，这个和R倒是不太一样；

当然，也可以都放上，并旋转坐标轴的标签：

iris.groupby('Species').sum().plot(kind='bar',
                                   title='Identitybar',
                                   rot=1)

其中的rot=1 ，就是旋转xtick

也可以堆叠：

iris.groupby('Species').sum().plot(kind='bar',
                                   title='Stackbar',
                                   stacked=True)

当然可以旋转成水平，通过kind=barh

iris.groupby('Species').sum().plot(kind='barh',
                                   title='h-bar',
                                   stacked=True)

然后如果是做百分比柱状图，首先柱状图这部分是帮不了了，只能求助于数据整形；

而数据整形的话，需要把三个种类，整成百分比的样子；这个略微有点技巧；首先既然是百分比，那么需要汇总值，先看下

iris.groupby('Species').sum()

结果为：

Sepal.Length  Sepal.Width  Petal.Length  Petal.Width
Species                                                         
setosa             250.3        171.4          73.1         12.3
versicolor         296.8        138.5         213.0         66.3
virginica          329.4        148.7         277.6        101.3

这三个种类的汇总值在这，同时，需要用每一个种类去除三个种类加总的值，而三个种类加总的值为：

iris.iloc[:,0:4].sum()

结果为：

Sepal.Length    876.5
Sepal.Width     458.6
Petal.Length    563.7
Petal.Width     179.9
dtype: float64

可以看到加总值是个Series，而分类汇总是个Dataframe，而Dataframe的列就是Series的index，所以需要用dataframe去除series，直接用/也可以，或者用以下代码：

iris.groupby('Species').sum().div(iris.iloc[:,0:4].sum()) 

看到结果是：

 Sepal.Length  Sepal.Width  Petal.Length  Petal.Width
Species                                                         
setosa          0.285568     0.373746      0.129679     0.068371
versicolor      0.338620     0.302006      0.377861     0.368538
virginica       0.375813     0.324248      0.492461     0.563091

但是到这里还不行，因为行列需要翻转下，因为需要把类别作为行，也就是x轴，然后画图，整体代码就是：

iris.groupby('Species').sum().\
    div(iris.iloc[:,0:4].sum()).T.\
    plot(kind='bar',
         title='prop',
         stacked=True,
         rot=1).\
    legend(loc=1) #旋转坐标轴&#图例位置

后面的stacked就是堆叠，rot=1是旋转xticks，legend（loc=1）是调整图例位置，得到的图形为：

总结下，柱状图原理很简单，就是data.plot(kind=’bar)，其他的复杂逻辑都在数据整形中，python柱状图和excel的画图比较类似，都是使用宽格式，这个和ggplot有典型的区别，因为ggplot只接受长格式的画图，总的对比，py的图形更符合常理，但是操作起来较为繁琐。

下面看下直方图。

基本直方图很简单：

iris['Sepal.Length'].plot(kind='hist',
                          color='k',
                          title='Hist')

但是正常情况下，都会看几个数据分布的差异，也就用到了复合的直方图：

iris.loc[:,{'Sepal.Width','Petal.Length'}].plot(kind='hist',
                                                alpha=0.5,
                                                title='MultiHist')

其中alpha和ggplot参数类似，都是调整透明度。

除此之外，还有一种特殊的直方图，是累计直方图，累计直方图和累计密度图类似，把数据从小到大加到100%：

iris.loc[:,{'Sepal.Width','Petal.Length'}].plot(kind='hist',
                                                alpha=0.5,
                                                cumulative=True,
                                                title='Cum-Hist')

当然，有的时候需要一张图中展示很多直方图（或者其他图），就类似ggplot的facet，分面。具体的代码为：

iris.iloc[:,:4].plot(subplots=True,
                     layout=(2,2),
                     kind='hist',
                     title={'1','2','3','4'})

其中subplots=True的意思是画一个subplot，然后layout就是这个画布的数量，当然kind就是种类。还有一个特征就是TITLE，从图形上看，title是从左下角作为1，然后一个逆时针转到4的：

最后一个直方图是横向的直方图：

iris['Sepal.Length'].hist(color='k',orientation='horizontal')

有直方图就有密度图，在ggplot中，只要输入stat=density就是一个密度图了，而python这一点也很简单，但是，需要scipy包的支持

这一点让我蛋疼了好久，因为从pycharm里找不到适合py3.6的scipy包，只能从非官网上下载whl：

http://www.lfd.uci.edu/~gohlke/pythonlibs/#numpy

需要下载一个适合python版本的.whl的numpy和scipy：

我的是：

numpy‑1.13.1+mkl‑cp36‑cp36m‑win32.whl
scipy‑0.19.1‑cp36‑cp36m‑win32.whl

下载完成后，需要再命令行（没错，就是ms-dos的命令行）用cd转移环境变量到python下scripts的目录，比如我的就是：

cd C:\\Users\\yangyunru\\AppData\\Local\\Programs\\Python\\Python36-32\\scipts

在这个目录下，把刚才下载的两个whl文件拖到scripts目录下，然后命令行中输入：

pip install  numpy‑1.13.1+mkl‑cp36‑cp36m‑win32.whl
pip install   scipy‑0.19.1‑cp36‑cp36m‑win32.whl

然后才可以使用scipy，也就是才可以画密度图；

密度图原理也很简单，直接输入：

iris['Sepal.Length'].plot(kind='kde',
                          title='Density')

就可以得到：

同时，一张图中多个density图：

iris.loc[:,{'Sepal.Width','Petal.Length'}].plot(kind='kde',
                                                title='Multidensity')

当然，也可以分面做密度图

fig=plt.figure() #画布
fig,axe=plt.subplots(1,2,sharey=True)  #共用Y轴
iris['Sepal.Width'].plot(kind='kde',
                         ax=axe[0],
                         title='Sepal.Width') #第一个画Sepal.Width
iris['Sepal.Length'].plot(kind='kde',
                          ax=axe[1],
                          title='Sepal.Length')  #第二个画Sepal.Length

图形为：

其中sharey=True就是两个共用一个Y轴，更能看出差异；

本章最后一个图形介绍下箱线图：

简单的箱线图就是：

iris.plot(kind='box',
          title='Boxplot')

如果觉得图形有点丑，改变下参数：

boxcolor=dict(boxes='DarkGreen',
              whiskers='DarkOrange',
              medians='DarkBlue',
              caps='Gray')
iris.plot(kind='box',
          color=boxcolor,
          sym='r+',
          title='Colored-Boxplot') #sym就是异常值的处理，异常值可以认为是长尾

得到：

针对sym这个需要说明下，也就是异常值，上面的小点点或十字；引用百科说法：

在Q3＋1.5IQR（四分位距）和Q1-1.5IQR处画两条与中位线一样的线段，这两条线段为异常值截断点，称其为内限；在Q3＋3IQR和Q1－3IQR处画两条线段，称其为外限。处于内限以外位置的点表示的数据都是异常值，其中在内限与外限之间的异常值为温和的异常值（mild outliers），在外限以外的为极端的异常值(li)的异常值extreme outliers。
http://wiki.mbalib.com/wiki/%E7%AE%B1%E7%BA%BF%E5%9B%BE

也就是在三分位数+1.5倍的四分位距，其中
四分位距=Q3-Q1

那么超出Q3+1.5(Q3-Q1)都是异常值，同理，Q1-1.5(Q3-Q1)也是异常值。

在看几个箱线图的特例：水平箱线图：

iris.plot(kind='box',
          color=boxcolor,
          vert=False,
          title='H-box') #sym就是异常值的处理

下面以分组箱线图结束本章：

分组箱线图个人认为是比较常用的图形，可以很明显的看到各个指标的差异，而分组就是按照Species分组了。

首先既然是分组，就需要重塑数据集，然后填充到每一个画布中：

Versicolor=iris.loc[iris['Species']=='versicolor']
Virginica=iris.loc[iris['Species']=='virginica']
Setosa=iris.loc[iris['Species']=='setosa']
fig=plt.figure()
fig,axe=plt.subplots(1,3,sharey=True)
Versicolor.plot(kind='box',ax=axe[0],title='Versicolor')
Virginica.plot(kind='box',ax=axe[1],title='Virginica')
Setosa.plot(kind='box',ax=axe[2],title='Setosa')

前面是设定三个数据集，这三个数据集都是从iris中抽取出来的，分别对应三个种类；然后设定fig画布，并且设定axe，也就是subplot个数，这里是三个；然后分别进行画图，在ax中设定画在aex的哪里，图形如下：