北京商城网站建设,网站推广优化怎么做最好,网站技术制作,北京网站建设公司完美湖南岚鸿首 选专栏介绍
结合自身经验和内部资料总结的Python教程#xff0c;每天3-5章#xff0c;最短1个月就能全方位的完成Python的学习并进行实战开发#xff0c;学完了定能成为大佬#xff01;加油吧#xff01;卷起来#xff01;
全部文章请访问专栏#xff1a;《Python全栈教…专栏介绍
结合自身经验和内部资料总结的Python教程每天3-5章最短1个月就能全方位的完成Python的学习并进行实战开发学完了定能成为大佬加油吧卷起来
全部文章请访问专栏《Python全栈教程0基础》 再推荐一下最近热更的《大厂测试高频面试题详解》 该专栏对近年高频测试相关面试题做详细解答结合自己多年工作经验以及同行大佬指导总结出来的。旨在帮助测试、python方面的同学顺利通过面试拿到自己满意的offer 文章目录 专栏介绍数据可视化常用的图表类型Matplotlib 的安装和导入绘图的流程创建画布创建坐标系绘制图像折线图散点图柱状图饼状图直方图箱线图 显示或保存图像 其他图表 数据可视化
在完成了对数据的透视之后我们可以将数据透视的结果通过可视化的方式呈现出来简单的说就是将数据变成漂亮的统计图表然后进一步发现和解读数据背后隐藏的商业价值。在之前的课程中我们已经为大家展示过用使用Series或DataFrame对象的plot方法生成可视化图表的操作本章我们为大家讲解plot方法的基石它就是大名鼎鼎的matplotlib库。
常用的图表类型
常用的图表类型及其应用场景如下图所示。 Matplotlib 的安装和导入
如果还没有安装matplotlib库可以使用 Python 的包管理工具 pip 来安装命令如下所示。
pip install matplotlib在 Notebook 中我们可以用下面的方式导入matplotlib。为了解决图表中文显示的问题我们可以通过pyplot模块的rcParams属性修改配置参数具体的操作如下所示。
import matplotlib.pyplot as pltplt.rcParams[font.sans-serif] [SimHei, Songti SC]
plt.rcParams[axes.unicode_minus] False说明上面代码中的SimHei是字体名称大家可以通过百度云盘下载并安装该字体链接地址https://pan.baidu.com/s/1rQujl5RQn9R7PadB2Z5g_g提取码:e7b4Songti SC是我的 macOS 上自带的字体对于 macOS 或 Windows 系统字体的名字都可以在用户主目录下的.matplotlib文件夹下的fontlist-v330.json文件中找到。值得注意的是使用中文字体后坐标轴上的负号会显示不出来所以需要将axes.unicode_minus参数设置为False这样才能让坐标轴上的负号正常显示。 通过下面的魔法指令我们可以在绘图时生成矢量图SVG - Scalable Vector Graphics。
%config InlineBackend.figure_formatsvg绘图的流程
创建画布
pyplot模块的figure函数可以用来创建画布创建画布时可以通过figsize参数指定画布的尺寸默认值是[6.4, 4.8]可以通过dpi参数设置绘图的分辨率因为dpi代表了每英寸的像素点数量。除此之外还可以通过facecolor参数设置画布的背景色。figure函数的返回值是一个Figure对象它代表了绘图使用的画布我们可以基于画布来创建绘图使用的坐标系。
plt.figure(figsize(8, 4), dpi120, facecolordarkgray)创建坐标系
可以直接使用pyplot模块的subplot函数来创建坐标系该函数会返回Axes对象。subplot的前三个参数分别用来指定整个画布分成几行几列以及当前坐标系的索引这三个参数的默认值都是1。如果需要在画布上创建多个坐标系就需要使用该函数否则就直接使用默认的也是唯一的坐标系。当然也可以通过上面创建的Figure对象的add_subplot方法或add_axes方法来创建坐标系前者跟subplot函数的作用一致后者会产生嵌套的坐标系。
plt.subplot(2, 2, 1)绘制图像
折线图
在绘图时如果没有先调用figure函数和subplot函数我们将使用默认的画布和坐标系如果要绘制折线图可以使用pyplot模块的plot函数并指定横轴和纵轴的数据。折线图最适合用来观察数据的趋势尤其是当横坐标代表时间的情况下。我们可以使用plot函数的color参数来定制折线的颜色可以使用marker参数来定制数据点的标记例如*表示五角星^表示三角形o表示小圆圈等可以使用linestyle参数来定制折线的样式例如-表示实线--表示虚线:表示点线等可以使用linewidth参数来定制折线的粗细。 下面的代码绘制了一条正弦曲线其中marker*会将数据点的标记设置为五角星形状而colorred会将折线绘制为红色。
import numpy as npx np.linspace(-2 * np.pi, 2 * np.pi, 120)
y np.sin(x)# 创建画布
plt.figure(figsize(8, 4), dpi120)
# 绘制折线图
plt.plot(x, y, linewidth2, marker*, colorred)
# 显示绘图
plt.show()如果要在一个坐标系上同时绘制正弦和余弦曲线可以对上面的代码稍作修改。
x np.linspace(-2 * np.pi, 2 * np.pi, 120)
y1, y2 np.sin(x), np.cos(x)plt.figure(figsize(8, 4), dpi120)
plt.plot(x, y1, linewidth2, marker*, colorred)
plt.plot(x, y2, linewidth2, marker^, colorblue)
# 定制图表的标注其中的arrowprops是定制箭头样式的参数
plt.annotate(sin(x), xytext(0.5, -0.75), xy(0, -0.25), fontsize12, arrowprops{arrowstyle: -, color: darkgreen, connectionstyle: angle3, angleA90, angleB0
})
plt.annotate(cos(x), xytext(-3, 0.75), xy(-1.25, 0.5), fontsize12, arrowprops{arrowstyle: -, color: darkgreen, connectionstyle: arc3, rad0.35
})
plt.show()如果要使用两个坐标系分别绘制正弦和余弦可以用上面提到的subplot函数来创建坐标系然后再绘图。
plt.figure(figsize(8, 4), dpi120)
# 创建坐标系第1个图
plt.subplot(2, 1, 1)
plt.plot(x, y1, linewidth2, marker*, colorred)
# 创建坐标系第2个图
plt.subplot(2, 1, 2)
plt.plot(x, y2, linewidth2, marker^, colorblue)
plt.show()当然也可以像下面这么做大家可以运行代码看看跟上面的图有什么区别。
plt.figure(figsize(8, 4), dpi120)
plt.subplot(1, 2, 1)
plt.plot(x, y1, linewidth2, marker*, colorred)
plt.subplot(1, 2, 2)
plt.plot(x, y2, linewidth2, marker^, colorblue)
plt.show()然后再试一试下面这个代码看看运行效果如何。
fig plt.figure(figsize(10, 4), dpi120)
plt.plot(x, y1, linewidth2, marker*, colorred)
# 用Figure对象的add_axes方法在现有坐标系中嵌套一个新的坐标系
# 该方法的参数是一个四元组代表了新坐标系在原坐标系中的位置
# 前两个值是左下角的位置后两个值是坐标系的宽度和高度
ax fig.add_axes((0.595, 0.6, 0.3,0.25))
ax.plot(x, y2, marker^, colorblue)
ax fig.add_axes((0.155, 0.2, 0.3,0.25))
ax.plot(x, y2, marker^, colorgreen)
plt.show()散点图
散点图可以帮助我们了解两个变量的关系如果需要了解三个变量的关系可以将散点图升级为气泡图。下面的代码中x和y两个数组分别表示每个月的收入和每个月网购的支出如果我们想了解x和y是否存在相关关系就可以绘制如下所示的散点图。
x np.array([5550,7500,10500,15000,20000,25000,30000,40000])
y np.array([800,1800,1250,2000,1800,2100,2500,3500])plt.figure(figsize(6, 4), dpi120)
plt.scatter(x, y)
plt.show()柱状图
在对比数据的差异时柱状图是非常棒的选择我们可以使用pyplot模块的bar函数来生成柱状图也可以使用barh函数来生成水平柱状图。我们先为柱状图准备一些数据代码如下所示。
x np.arange(4)
y1 np.random.randint(20, 50, 4)
y2 np.random.randint(10, 60, 4)绘制柱状图的代码。
plt.figure(figsize(6, 4), dpi120)
# 通过横坐标的偏移让两组数据对应的柱子分开
# width参数控制柱子的粗细label参数为柱子添加标签
plt.bar(x - 0.1, y1, width0.2, label销售A组)
plt.bar(x 0.1, y2, width0.2, label销售B组)
# 定制横轴的刻度
plt.xticks(x, labels[Q1, Q2, Q3, Q4])
# 定制显示图例
plt.legend()
plt.show()如果想绘制堆叠柱状图可以对上面的代码稍作修改如下所示。
labels [Q1, Q2, Q3, Q4]
plt.figure(figsize(6, 4), dpi120)
plt.bar(labels, y1, width0.4, label销售A组)
# 注意堆叠柱状图的关键是将之前的柱子作为新柱子的底部
# 可以通过bottom参数指定底部数据新柱子绘制在底部数据之上
plt.bar(labels, y2, width0.4, bottomy1, label销售B组)
plt.legend(loclower right)
plt.show()饼状图
饼状图通常简称为饼图是一个将数据划分为几个扇形区域的统计图表它主要用于描述数量、频率等之间的相对关系。在饼图中每个扇形区域的大小就是其所表示的数量的比例这些扇形区域合在一起刚好是一个完整的饼。在需要展示数据构成的场景下饼状图、树状图和瀑布图是不错的选择我们可以使用pyplot模块的pie函数来绘制饼图代码如下所示。
data np.random.randint(100, 500, 7)
labels [苹果, 香蕉, 桃子, 荔枝, 石榴, 山竹, 榴莲]plt.figure(figsize(5, 5), dpi120)
plt.pie(data,# 自动显示百分比autopct%.1f%%,# 饼图的半径radius1,# 百分比到圆心的距离pctdistance0.8,# 颜色随机生成colorsnp.random.rand(7, 3),# 分离距离# explode[0.05, 0, 0.1, 0, 0, 0, 0],# 阴影效果# shadowTrue,# 字体属性textpropsdict(fontsize8, colorblack),# 楔子属性生成环状饼图的关键wedgepropsdict(linewidth1, width0.35),# 标签labelslabels
)
# 定制图表的标题
plt.title(水果销售额占比)
plt.show()说明大家可以试一试将上面代码中被注释的部分恢复看看有什么样的效果。 直方图
在统计学中直方图是一种展示数据分布情况的图形是一种二维统计图表它的两个坐标分别是统计样本和该样本对应的某个属性的度量。下面的数据是某学校100名男学生的身高如果我们想知道数据的分布就可以使用直方图。
heights np.array([170, 163, 174, 164, 159, 168, 165, 171, 171, 167, 165, 161, 175, 170, 174, 170, 174, 170, 173, 173, 167, 169, 173, 153, 165, 169, 158, 166, 164, 173, 162, 171, 173, 171, 165, 152, 163, 170, 171, 163, 165, 166, 155, 155, 171, 161, 167, 172, 164, 155, 168, 171, 173, 169, 165, 162, 168, 177, 174, 178, 161, 180, 155, 155, 166, 175, 159, 169, 165, 174, 175, 160, 152, 168, 164, 175, 168, 183, 166, 166, 182, 174, 167, 168, 176, 170, 169, 173, 177, 168, 172, 159, 173, 185, 161, 170, 170, 184, 171, 172
])可以使用pyplot模块的hist函数来绘制直方图代码如下所示。
# 将身高数据分到以下8个组中
bins np.array([150, 155, 160, 165, 170, 175, 180, 185, 190])plt.figure(figsize(6, 4), dpi120)
# density参数默认值为False表示纵轴显示频数
# 将density参数设置为True纵轴会显示概率密度
plt.hist(heights, bins, densityTrue)
# 定制横轴标签
plt.xlabel(身高)
# 定制纵轴标签
plt.ylabel(概率密度)
plt.show()箱线图
箱线图又叫箱型图或盒须图是一种用于展示一组数据分散情况的统计图表如下所示。因图形如箱子而且在上下四分位数之外有线条像胡须延伸出去而得名。在箱线图中箱子的上边界是上四分位数 Q 3 Q_3 Q3的位置箱子的下边界是下四分位数 Q 1 Q_1 Q1的位置箱子中间的线条是中位数 Q 2 Q_2 Q2的位置而箱子的长度就是四分位距离IQR。除此之外箱子上方线条的边界是最大值箱子下方线条的边界是最小值这两条线之外的点就是离群值outlier。所谓离群值是指数据小于 Q 1 − 1.5 × I Q R Q_1 - 1.5 \times IQR Q1−1.5×IQR或数据大于 Q 3 1.5 × I Q R Q_3 1.5 \times IQR Q31.5×IQR的值公式中的1.5还可以替换为3来发现极端离群值extreme outlier而介于1.5到3之间的离群值通常称之为适度离群值mild outlier。
可以使用pyplot模块的boxplot函数来绘制箱线图代码如下所示。
# 数组中有47个[0, 100)范围的随机数
data np.random.randint(0, 100, 47)
# 向数组中添加三个可能是离群点的数据
data np.append(data, 160)
data np.append(data, 200)
data np.append(data, -50)plt.figure(figsize(6, 4), dpi120)
# whis参数的默认值是1.5将其设置为3可以检测极端离群值
# showmeansTrue表示在图中标记均值的位置
plt.boxplot(data, whis1.5, showmeansTrue, notchTrue)
# 定制纵轴的取值范围
plt.ylim([-100, 250])
# 定制横轴的刻度
plt.xticks([1], labels[data])
plt.show()说明由于数据是随机生成的所以大家运行上面的代码生成的图可能跟我这里并不相同。 显示或保存图像
可以使用pyplot模块的show函数来显示绘制的图表我们在上面的代码中使用过这个函数。如果希望保存图表可以使用savefig函数。需要注意的是如果要同时显示和保存图表应该先执行savefig函数再执行show函数因为在调用show函数时图表已经被释放位于show函数之后的savefig保存的只是一个空白的区域。
plt.savefig(chart.png)
plt.show()其他图表
使用 matplotlib我们还可以绘制出其他的统计图表如雷达图、玫瑰图、热力图等但实际工作中使用频率最高的几类图表我们在上面已经为大家完整的展示出来了。此外matplotlib 还有很多对统计图表进行定制的细节例如定制坐标轴、定制图表上的文字和标签等。如果想了解如何用 matplotlib 绘制和定制更多的统计图表可以直接查看 matplotlib 官方网站上的文档和示例。
