快捷導(dǎo)航

利用Python進(jìn)行數(shù)據(jù)可視化常見的9種方法！超實(shí)用！

更新時(shí)間：2018年07月11日 10:40:49 作者：景略集智

這篇文章主要給大家介紹了關(guān)于利用Python進(jìn)行數(shù)據(jù)可視化常見的9種方法！文中介紹的方法真的超實(shí)用！對大家學(xué)習(xí)或者使用python具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

前言

如同藝術(shù)家們用繪畫讓人們更貼切的感知世界，數(shù)據(jù)可視化也能讓人們更直觀的傳遞數(shù)據(jù)所要表達(dá)的信息。

我們今天就分享一下如何用 Python 簡單便捷的完成數(shù)據(jù)可視化。

其實(shí)利用 Python 可視化數(shù)據(jù)并不是很麻煩，因?yàn)?Python 中有兩個(gè)專用于可視化的庫 matplotlib 和 seaborn 能讓我們很容易的完成任務(wù)。

Matplotlib：基于Python的繪圖庫，提供完全的 2D 支持和部分 3D 圖像支持。在跨平臺和互動式環(huán)境中生成高質(zhì)量數(shù)據(jù)時(shí)，matplotlib 會很有幫助。也可以用作制作動畫。
Seaborn：該 Python 庫能夠創(chuàng)建富含信息量和美觀的統(tǒng)計(jì)圖形。Seaborn 基于 matplotlib，具有多種特性，比如內(nèi)置主題、調(diào)色板、可以可視化單變量數(shù)據(jù)、雙變量數(shù)據(jù)，線性回歸數(shù)據(jù)和數(shù)據(jù)矩陣以及統(tǒng)計(jì)型時(shí)序數(shù)據(jù)等，能讓我們創(chuàng)建復(fù)雜的可視化圖形。

我們用 Python 可以做出哪些可視化圖形？

那么這里可能有人就要問了，我們?yōu)槭裁匆鰯?shù)據(jù)可視化？比如有下面這個(gè)圖表：

當(dāng)然如果你把這張圖表丟給別人，他們倒是也能看懂，但無法很直觀的理解其中的信息，而且這種形式的圖表看上去也比較 low，這個(gè)時(shí)候我們?nèi)绻麚Q成直觀又美觀的可視化圖形，不僅能突顯逼格，也能讓人更容易的看懂?dāng)?shù)據(jù)。

下面我們就用上面這個(gè)簡單的數(shù)據(jù)集作為例子，展示用 Python 做出9種可視化效果，并附有相關(guān)代碼。

導(dǎo)入數(shù)據(jù)集

import matplotlib.pyplot as plt
import pandas as pd
df=pd.read_excel("E:/First.xlsx", "Sheet1")

可視化為直方圖

fig=plt.figure() #Plots in matplotlib reside within a figure object, use plt.figure to create new figure
#Create one or more subplots using add_subplot, because you can't create blank figure
ax = fig.add_subplot(1,1,1)
#Variable
ax.hist(df['Age'],bins = 7) # Here you can play with number of bins
Labels and Tit
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('#Employee')
plt.show()

可視化為箱線圖

import matplotlib.pyplot as plt
import pandas as pd
fig=plt.figure()
ax = fig.add_subplot(1,1,1)
#Variable
ax.boxplot(df['Age'])
plt.show()

可視化為小提琴圖

import seaborn as sns 
sns.violinplot(df['Age'], df['Gender']) #Variable Plot
sns.despine()

可視化為條形圖

var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("Gender wise Sum of Sales")
var.plot(kind='bar')

可視化為折線圖

var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('BMI')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("BMI wise Sum of Sales")
var.plot(kind='line')

可視化為堆疊柱狀圖

var = df.groupby(['BMI','Gender']).Sales.sum()
var.unstack().plot(kind='bar',stacked=True, color=['red','blue'], grid=False)

可視化為散點(diǎn)圖

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.
plt.show()

可視化為泡泡圖

fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubble
plt.show()

可視化為餅狀圖

var=df.groupby(['Gender']).sum().stack()
temp=var.unstack()
type(temp)
x_list = temp['Sales']
label_list = temp.index
pyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")
#To show the percentage of each pie slice, pass an output format to the autopctparameter 
plt.pie(x_list,labels=label_list,autopct="%1.1f%%") 
plt.title("Pastafarianism expenses")
plt.show()

可視化為熱度圖

import numpy as np
#Generate a random number, you can refer your data values also
data = np.random.rand(4,2)
rows = list('1234') #rows categories
columns = list('MF') #column categories
fig,ax=plt.subplots()
#Advance color controls
ax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')
ax.set_xticks(np.arange(0,2)+0.5)
ax.set_yticks(np.arange(0,4)+0.5)
# Here we position the tick labels for x and y axis
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
#Values against each labels
ax.set_xticklabels(columns,minor=False,fontsize=20)
ax.set_yticklabels(rows,minor=False,fontsize=20)
plt.show()