Python数据分析之可视化——用一篇文章总结：matplotlib、Pandas、seaborn

python的数据可视工具主要依靠 matplotlib、pandas和 seaborn 。

1. 使用 matplotlib 进行数据可视化

1.1 基础概念

• 画布/画板
• 坐标系/画图区间
  

1.2 核心步骤：画图三步走

以折线图为例
1.定义坐标点（准备数据）
2.plot(x, y) 绘制图形（默认是线图）
3.plt.show() 显示图形
注：不论多少，plot 中的 x 和 y 一一对应，成对出现。

1.3 详细介绍：

记住：
如果没有指明画板figure()和子图subplot，会默认创建一个画板figure(1) 和一个子图subplot(1,1,1)

1.建立画布

建立画布+设置画布大小
plt.figure()
还可以传入画布大小参数 figsize = (8, 6)，来调整画布大小！

2. 建立坐标系（确定画图区域）

有几种不同方法：
2.1 画布分块+指定坐标系位（进行返回）
① ax= fig.add_subplot()
② plt.subplot2grid()
③ plt.subplot()
2.2 画布分块+返回所有坐标系
④ plt.subplots()
该方法后续通过 axes[x,y]指明哪个坐标系进行绘图即可（参数跟③中类似）

第一种方法属于对象式编程，后面三个属于函数式编程

后面三个的代码示例：

• plt.subplot2grid()

plt.subplot2grid((2,2),(0,0)) 
plt.subplot2grid((2,2),(0,1)) 
plt.subplot2grid((2,2),(1,1)) 

通过坐标控制坐标系位置

• subplot()

plt.subplot(2,2,1)
plt.subplot(2,2,2)
plt.subplot(2,2,4)

通过数字控制坐标系位置

实战：

for i in range(len(crops)):  # crops 为 10 张堆叠的图片 , 大小：(10, 224, 224, 3)
    plt.subplot(2,5,i+1)   
    plt.imshow(crops[i, :, :, :])

结果：

• subplots()

plt.subplots(2,2)

返回所有的（2x2 个）坐标系

3. 设置坐标轴

设置坐标轴的标题

plt.xlabel(“str”)
plt.ylabel(“str”)
plt.title(‘str’)
参数 labelpad 还可以设置标题到坐标轴的距离；
还有其他参数可以对输入的 string 进行设置

设置坐标轴的刻度

自定义在哪些刻度上进行刻度值的显示
plt.xticks(ticks,labels)
plt.yticks(ticks,labels)
小技巧：
通过传入一个空列表可以将 x/y 轴的数值隐藏起来，以保证数据安全。
plt.xticks([])
plt.yticks([])

设置坐标轴的范围

plt.xlim()
plt.ylim()
直接传入起点和终点两个数字作为参数即可。

或者使用更为简便的方法：
axis[xmin, xmax, ymin, ymax]，例如，
plt.axis([0, 6, 0, 20])

注意，这里虽然传入的是一个列表的形式，其实在内部都会转换为 numpy 数组形式，以便更利于我们处理数据。

其他设置

-关闭坐标轴显示
plt.axis(‘off’)

-打开网格线
plt.grid(b = ‘True’)
也可传入axis参数，指定只打开指定的轴

-设置图例
在plt.plot()中传入 label 参数，如 label = ‘str’
然后通过 **plt.legend()**显示出来
…

5.绘制图表

-折线图
plt.plot(x,y)
-柱状图
plt.bar(x,y)
-散点图
plt.scatter(x,y)
-热图
plt.imshow(x,cmap)
…

• 绘制 2d 图所用到的可选参数：
  

6.图标显示

plt.show()

1.4 常见问题

• 是解决不显图像

%matplotlib inline

• 解决中文乱码

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

1.5 极简代码实现

import numpy as np
import matplotlib.pyplot as plt

一个坐标系

如前面所说的，有些操作可以省略

x = np.linspace(1, 20, 100)

y1 = np.sin(x)
y2 = np.cos(x)

plt.plot(x, y1)
plt.plot(x, y2)

多个坐标系

x = np.linspace(1, 20, 100)

y1 = np.sin(x)
y2 = np.cos(x)

plt.subplot(2,2,1)
plt.plot(x, y1)
plt.subplot(2,2,4)
plt.plot(x, y2)

2. 使用 Pandas 进行数据可视化

Pandas的绘图是在 matplotl 上封装而成，
其基本语法是：
df.plot(x=‘列名1’, y=‘列名2’, kind=‘图形类型’, label=‘图例名称’)

线图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame(np.random.randn(20,3),index=np.linspace(0,19,20), columns=list('ABC'))

df.plot()

条形图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame(np.random.randn(5,3)+10,index=np.linspace(0,4,5), columns=list('ABC'))

df.plot.bar()

直方图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame({'A':np.random.randn(100),'B':np.random.randn(100)+1,'C':np.random.randn(100)+2})

df.hist(bins=20)

箱线图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
df.plot.box()

散点图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')

饼图

from numpy.random import randn
np.random.seed(1)

df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)

3. 使用 seaborn 做数据可视化

用 Seaborn 做数据可视化

总结

• 一维图：
  （无直接意义的）一维数据
  箱线图
• 二维图
  散点图、线图、直方图、条形图
• 三维图：
  气泡图

待续~

附：可视化图形的选择

可视化基础：如何选择可视化图形