Day4.五种常见图形的绘制

DataScience

发布于 2020-05-18 14:42:50

2.2K0

发布于 2020-05-18 14:42:50

文章被收录于专栏：A2DataA2Data

昨天的课程中我们了解了常用的物种图形：散点图，折线图，柱状图，直方图，饼图。今天我们一起用Matplotlib和Seaborn来画出它们。

在学习使用Matplotlib时我们可以体会到：它在使用时灵活，可以定制化绘图，但是时间上的花费也比较多。为了提高画图效率，包Seaborn基于Matplotlib底层开发，使用更少的代码，将常用的可视化绘图过程进行封装，有时只需要一行代码便可以画出我们想要的图形，省时省力；此外seaborn还提供更为丰富的图像以及3D图形供我们使用。掌握两个库的使用可以满足我们在不同情况下的需求。

散点图

散点图（scatter plot），它将两组数据（或者变量）的值显示在二维坐标中，适合展示两个变量之间的关系。

#数据准备：随机产生1000个（x，y）
import numpy as np
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
#Matplotlib画图
import matplotlib.pyplot as plt
plt.scatter(x,y,marker='o')
plt.show()

#Seabron画图
import seaborn as sns
import pandas as pd
df = pd.DataFrame({'x':x,'y':y})
sns.jointplot(x="x", y="y", data=df, kind='scatter')
plt.show()

用seaborn画图时，使用函数 sns.jointplot(x, y,data=None, kind=‘scatter’) 画散点图。其中x,y是data中的下标，data就是我们要传入的数据。

在Seaborn中，数据格式需要转换一下，采用科学计算库Pandas中的数据格式DataFrame；对DataFrame的概念我们了解即可，下期DataScience也会推出科学计算库Numpy和Pandas的使用中会有讲解。

运行结果：

第一张散点图用matplotlib绘制，第二张用seaborn绘制。我们可以看到两张图的区别：matplotlib默认情况下绘图区呈现是一个长方形，而seaborn是正方形并且含有x轴和y轴的标签；seaborn还展示散点图还给出了两组数据（变量）的分布情况。

折线图

折线图能够显示数据的变化趋势，在matplotlib使用plot函数绘制，而在seaborn使用 lineplot(x,y,data=None)函数；data是传入的数据，一般是pandas中的DataFrame数据结构。

#数据准备
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]

# 使⽤Matplotlib画折线图
import matplotlib.pyplot as plt
plt.plot(x, y)
plt.show()

#使⽤Seaborn画折线图:lineplot(x,y,data=None)函数
# data是要传入的数据.
import seaborn as sns
import pandas as pd
df = pd.DataFrame({'x': x,'y':y}) # pandas中的Dataframe数据结构
sns.lineplot(x="x", y="y",data=df)
plt.show()

运行结果：

直方图

直方图( histogram )将横坐标等分成一定数量的小区间，在小区间内填充图形，它的高度是y值。特点是用来绘制连续性的数据，展示一组或者多组数据的分布状况(统计)。

#数据准备：创建一个一维随机数组
import numpy as np
import random
import pandas as pd

a = np.random.randn(100)
x = pd.Series(a) # Series是pandas中用来存放一维数组的数据格式

# ⽤Matplotlib画直⽅图；
"""
使用plt.hist(x, bins=10)函数
参数x是一维数组，bins代表小区间的数量，默认是10。
"""

import matplotlib.pyplot as plt
plt.hist(x, bins=10)
plt.show()

# ⽤Seaborn画直⽅图：
'''
使用sns.distplot(x, bins=10, kde=True)函数
参数x是一维数组，bins代表直方图中的小区间数量，kde代表显示核密度估计，默认是True。
核密度估计是通过核函数来估计概率密度的方法。
'''
import seaborn as sns
sns.distplot(x, kde=False)
plt.show()
# 图三显示用核函数估计概率密度
sns.distplot(x, kde=True)
plt.show()

运行结果：

条形图

通过直方图可以看到变量的数值分布，那么条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。

条形图(bar chart)绘制离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)

# 数据准备
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [3, 5, 7, 2, 9]

# ⽤Matplotlib画条形图
# plt.bar(x, height)函数，参数x代表x轴的类别，height是y轴的数值
import matplotlib.pyplot as plt
plt.bar(x,y)
plt.show

# ⽤Seaborn画条形图
# sns.barplot(x=None,y=None,data=None)函数；参数data为DataFrame类型
import seaborn as sns
sns.barplot(x,y)
plt.show()

运行结果:

饼图

饼图（Pie Chart）可以显示每个部分大小与总和之间的比例。在Python数据可视化中，主要用Matplotlib的pie函数来绘制。

# 数据准备，显示各学历人数的比例
nums = [20, 42, 18, 7, 6]
labels = ['High-school', 'Bachelor', 'Master', 'Ph.d', 'Other']

# pie(x, labels=None)函数,x代表绘制饼图的数据，labels是缺省值，可以为饼图添加标签
import matplotlib.pyplot as plt
plt.pie(x=nums, labels=labels, autopct='%1.1f%%')
# autopct:设置圆内的文本 # '1.1f%'指图片上显示的数字格式，表示小数点前后位数# 另外两个%%是format格式的符号plt.show()

运行结果：