目錄
1. 折線圖
2. 柱狀圖
3. 直方圖
4. 箱線圖
5. 區(qū)域圖
6. 散點(diǎn)圖
7. 餅圖六邊形容器圖
數(shù)據(jù)分析的結(jié)果不僅僅只是你來看的，更多的時候是給需求方或者老板來看的，為了更直觀地看出結(jié)果，
數(shù)據(jù)可視化是必不可少的一個環(huán)節(jié)。這里帶大家來看下一些常用的圖形的畫法。
1 2 3 4 5 6 7 8 9 10 | # 導(dǎo)入相關(guān)庫import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport matplotlib# matplotlib.style.use('ggplot')%matplotlib inline #總結(jié)：%matplotlib inline 可以在Ipython編譯器里直接使用，功能是可以內(nèi)嵌繪圖，并且可以省略掉plt.show()這一步。np.random.seed(100) |
Pandas 的數(shù)據(jù)可視化的實(shí)現(xiàn)底層依賴于 matplotlib，所以畫圖時很多基礎(chǔ)知識需要涉及到 matplotlib。
畫圖其實(shí)就是跟各種數(shù)字打交道，這里我們先給偽造一些數(shù)據(jù)。
1 2 3 4 5 6 7 8 9 10 | df = pd.DataFrame(np.random.randint(-10, 10, (10, 3)), index=pd.date_range('1/1/2000', periods=10), columns=list('ABC'))df = df.cumsum()df.head()Out[112]: A B C2000-01-01 -2 -7 -32000-01-02 3 -1 -32000-01-03 -5 -9 -112000-01-04 -1 -17 -42000-01-05 5 -12 -10 |
生成數(shù)據(jù)之后，我們看下如何進(jìn)行畫圖。其實(shí)非常簡單的，調(diào)用 plot 方法就可以看到畫圖的結(jié)果了。默認(rèn)情況下參數(shù) kind='line' 表示圖的類型為折線圖。通過折線圖可以看出數(shù)據(jù)隨著某個變量的變化趨勢。
1 | df.plot() |
1 | df.plot(x='A',y='C') |
通過柱狀圖可以對比多個值的差別。如果想要畫出柱狀圖，可以將參數(shù) kind 設(shè)置為 bar 或者 barh。
1 2 | df.plot(kind='bar')plt.show() |
可以看到，設(shè)置 kind='bar' 之后，圖形以索引為 x 軸， 列為 y 軸。
1 2 | df.plot(kind='barh')plt.show() |
可以看到，設(shè)置 kind='barh' 之后，圖形以列為 x 軸， 索引為 y 軸。同樣我們也可以自己指定 x 軸和 y 軸。
1 2 3 | #自己設(shè)定x軸y軸df.plot(kind='bar',x='A',y=['B','C'])plt.show() |
#此外，如果想要生成堆疊條形圖的haunted，可以設(shè)置參數(shù) stacked=True。
1 2 | df.plot(kind='bar',stacked=True)plt.show() |
直方圖是一種展示數(shù)據(jù)頻數(shù)/率的特殊的柱狀圖。如果想要畫出直方圖，可以將參數(shù) kind 設(shè)置為 hist?？梢酝ㄟ^設(shè)置參數(shù) bins 來改變 bin 的大小。
1 2 | df.plot(kind='hist')plt.show() |
1 2 | df.plot(kind='hist',bins=5)plt.show() |
通過箱線圖可以展示出分位數(shù)，具體包括上四分位數(shù)、下四分位數(shù)、中位數(shù)以及上下5%的極值。如果想要畫出箱線圖，可以將參數(shù) kind 設(shè)置為 box。
1 2 | df.plot(kind='box')plt.show() |
如果想要畫出區(qū)域圖，可以將參數(shù) kind 設(shè)置為 area。默認(rèn)情況下，區(qū)域圖是堆積的，要生成堆積的區(qū)域圖圖，每列必須全部為正值或全為負(fù)值。
1 2 | df.abs().plot(kind='area')plt.show() |
想要生成不堆積的區(qū)域圖，設(shè)置參數(shù) stacked=False 即可。
1 2 | df.plot(kind='area', stacked=False)plt.show() |
如果想要畫出散點(diǎn)圖，可以將參數(shù) kind 設(shè)置為 scatter，同時需要指定 x 和 y。通過散點(diǎn)圖可以探索變量之間的關(guān)系。
1 2 | df.plot(kind='scatter', x='A', y='B')plt.show() |
可以設(shè)置參數(shù) c 作為列的名稱以為每個點(diǎn)提供顏色。
1 2 | df.plot(kind='scatter', x='A', y='B', c='C')plt.show() |
#如果想要在單個軸上繪制多個列組，需要指定 ax。
1 2 3 | ax = df.plot(kind='scatter', x='A', y='B', color='blue')df.plot(kind='scatter', x='C', y='B', color='green', ax=ax)plt.show() |
如果想要畫出餅圖，可以將參數(shù) kind 設(shè)置為 scatter。
1 2 3 | a = df.A[:5]a.abs().plot.pie(subplots=False,figsize=(4,4))plt.show() |
1 2 | a.abs().plot.pie(subplots=True,figsize=(4,4))plt.show() |
如果想要自動計(jì)算出比例，可以設(shè)置參數(shù) autopct。
1 2 | a.abs().plot.pie(subplots=True, figsize=(4, 4), autopct='%.2f')plt.show() |
在繪制散點(diǎn)圖時，如果數(shù)據(jù)過于密集，則無法單獨(dú)繪制出每個點(diǎn)，這時候可以考慮 Hexbin 圖。
其中，左邊坐標(biāo)表示的是值的分布，右邊坐標(biāo)表示的是數(shù)據(jù)量大小與顏色的對比。一個有用的關(guān)鍵字參數(shù)是 gridsize ; 它控制x方向的六邊形數(shù)量，并且默認(rèn)為100.較大的格柵意味著更多的較小的分區(qū)。
1 2 3 4 | df = pd.DataFrame(np.random.randn(1000, 2), columns=['A', 'B'])df['B'] = df['B'] + np.arange(1000)df.plot(kind='hexbin', x='A', y='B', gridsize=10)plt.show() |
1 2 | df.plot(kind='hexbin', x='A', y='B', gridsize=20)plt.show() |
