【Python数据分析】用Matplotlib绘制其它常见的图像

简介: 文章目录1️⃣柱状图2️⃣直方图3️⃣散点图4️⃣饼图

1️⃣柱状图

柱状图适用场合是二维数据集(每个数据点包括两个值x和y),但只有一个维度需要比较。例如:年销售额就是二维数据,”年份”和”销售额”就是它的两个维度,但只需要比较”销售额”这一个维度。

绘制折线图使用plt.plot()方法,而绘制柱形图我们使用plt.bar()函数:

plt.bar(x,height,width,color)

代码参数:

x:记录x轴上的标签

height:记录每个柱形的高度

width:设置柱形的宽度

color:设置柱形的颜色,传入颜色值的列表,例如:

[‘blue’,‘green’,‘red’]。

这里就用电影和票房的关系来展示柱状图的优点,看不懂没关系,下面有代码的解释

%matplotlib inline
from matplotlib import pyplot as plt
a = ['流浪地球','疯狂的外星人','飞驰人生','大黄蜂','熊出没·原始时代','新喜剧之王']
b = [38.13,19.85,14.89,11.36,6.47,5.93]
plt.rcParams['font.sans-serif'] = ['SimHei']     #windows下使用这种方法
plt.figure(figsize=(20,8),dpi=80)
# 绘制柱状图
rects = plt.bar(a,b,width=0.2,color=['red','green','blue','cyan','yellow','gray'])
plt.xticks(a,)
plt.yticks(range(0,41,5),range(0,41,5))
# 在条形图上加标注(水平居中)
for rect in rects:
    height = rect.get_height()
    plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center")
plt.show()

✨效果

我们使用了plt.text( )函数为每个柱形标注高度数值。

plt.text(x,y,s,ha,va)

函数中:

前两个参数分别为标注数据的坐标,x和y坐标,

参数s记录标注的内容,

参数ha和va分别用于设置水平和垂直方向的对齐方式.

rects是plt.bar()的返回值,里面包含了每一个柱形为每个柱形添加数值标注需要逐个添加,所以我们设置了一个循环来完成这项操作。

for rect in rects:
    height = rect.get_height()
    plt.text(rect.get_x() + rect.get_width() / 2, height+0.3, str(height),ha="center")

通过get_height()、get_x()、rect.get_width()等方法可以分别拿到柱形图的高度,左侧边的x值,柱子的宽度。然后,使用plt.text添加上文字,这样就可以清晰地看出每个柱形的高度了。

2️⃣直方图

直方图一般用来描述等距数据,柱状图一般用来描述名称(类别)数据或顺序数据。

直观上,直方图各个长条形是衔接在一起的,表示数据间的数学关系;

条形图各长条形之间留有空隙,区分不同的类。

plt.hist(data, bins, facecolor, edgecolor)

常用参数

data:绘图用到的数据

bins:控制直方图中的区间个数

facecolor:矩形的填充颜色

edgecolor:条形的边框颜色

%matplotlib inline
from matplotlib import pyplot as plt
time = [131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114,
        119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 
        136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 
        105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123,
        117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116,
        108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125,
        138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,
        107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 
        106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 
        111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 
        141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 
        130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 
        117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111,
        101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 
        111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]
plt.rcParams['font.sans-serif'] = ['SimHei']     #windows下使用这种方法
# 2)创建画布
plt.figure(figsize=(20, 8), dpi=100)
# 3)绘制直方图
# 设置组距
distance = 2
# 计算组数
group_num = int((max(time) - min(time)) / distance)
# 绘制直方图
plt.hist(time, bins=group_num)
# 修改x轴刻度显示
plt.xticks(range(min(time), max(time))[::2])
# 添加网格显示
plt.grid(linestyle="--", alpha=0.5)
# 添加x, y轴描述信息
plt.xlabel("电影时长大小")
plt.ylabel("电影的数据量")
# 4)显示图像

✨效果

这样我们就绘制计出这些电影时长的分布状态直方图。我们看到电影时长最多的在110到112之间。

其实,绘制直方图的重点在于设置组距,然后分为若干组。用矩形的高度表示每一组数据的频数。

那么直方图和柱形图究竟有什么区别呢。

第一,柱形图中用柱形的高度表示各类别的数值,横轴表示类别,宽度是固定的;而直方图是用矩形的高度表示每一组的频数或频率,宽度则表示各组的组距,因此其高度与宽度均有意义。

第二,直方图主要用于展示连续型数值型数据,所以各矩形通常是连续排列的;而柱形图主要用于展示分类型数据,常常是分开排列的。

3️⃣散点图

散点图是判断变量之间是否存在数量关联趋势,展示离群点。每个点的坐标位置由变量的值决定,并由一组不连接的点完成,用于观察两种变量的相关性。例如,身高—体重、温度—维度。

常用参数:

x,y:数组

s:散点图中点的大小,可选

c:散点图中点的颜色,可选

marker:散点图的形状,可选

alpha:表示透明度,在 0~1 取值,可选

linewidths:表示线条粗细,可选

plt.scatter(x,y,s,c,marker,alpha,linewidths)

下面就用随机数来演示一下散点图

import pandas as pd
import numpy as np
data = np.random.randint(100, 200, size=(100, 2))
df = pd.DataFrame(data,columns=['身高', '体重'])
df.sort_index(level=0)# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)
# 使用scatter绘制散点图
plt.scatter(df['身高'],df['体重'],alpha=0.5,c='blue')
plt.show()

✨效果

将身高和体重数据分别作为散点图的x轴和y轴数据,并且将点的颜色设置为蓝色,透明度设置为0.5。这样我们就成功绘制计出身高和体重的散点图。

因为这不是真正的数据,所以没有参考的价值,只是用来演示。

4️⃣饼图

startangle:设置起始绘制角度,默认图是从x轴正方向逆时针画起,如果设定startangle=90,则从y轴正方向画起

饼图是展示 分类数据的占比情况,就是反映某个部分占整体的比重,比如贫穷人口占总人口的百分比。

饼图的整个圆代表总数据,各个扇形表示每项数据,我们可以根据扇形的角度清楚地看出每个扇形占总数据的比例。

plt.pie(x, labels, autopct, shadow, startangle)

常用参数

x:绘制用到的数据

labels:用于设置饼图中每一个扇形外侧的显示说明文字

autopct:设置饼图内百分比数据,可以使用format字符串或者format function,例如’%.1f%%’指小数点后保留1位小数

shadow:表示是否在饼图下面画阴影,默认值:False,即不画阴影

因为数据量太大,所以这里只演示核心的代码,获取数据就只能用“数据”两字代替了

from matplotlib import pyplot as plt
import pandas as pd
plt.rcdefaults()
plt.rcParams['font.sans-serif'] = ['SimHei'] 
df = pd.read_csv('数据')
# 分组
groups = df.groupby(by='大分类').size()
# 绘制饼图
plt.pie(groups,labels=groups.index, autopct='%.1f%%',startangle=90)
# 图形展示
plt.show()

✨效果

df.groupby(‘大分类’).size()按照类型变量分类对原数据分组,使用groupby函数,然后计算每组数据的数据量,使用size()函数,将输出的数据记录为num。(忘记的可以重新回去看看)

plt.pie()会有三个返回值

patches: matplotlib.patches.Wedge列表(扇形实例)

l_text:label matplotlib.text.Text列表(标签实例)

p_text:label matplotlib.text.Text列表(百分比标签实例)

相关文章
|
1月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
【10月更文挑战第42天】本文是一篇技术性文章,旨在为初学者提供一份关于如何使用Python进行数据分析的入门指南。我们将从安装必要的工具开始,然后逐步介绍如何导入数据、处理数据、进行数据可视化以及建立预测模型。本文的目标是帮助读者理解数据分析的基本步骤和方法,并通过实际的代码示例来加深理解。
81 3
|
2月前
|
数据采集 存储 数据挖掘
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
104 0
|
1月前
|
机器学习/深度学习 人工智能 算法
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
宠物识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了37种常见的猫狗宠物种类数据集【'阿比西尼亚猫(Abyssinian)', '孟加拉猫(Bengal)', '暹罗猫(Birman)', '孟买猫(Bombay)', '英国短毛猫(British Shorthair)', '埃及猫(Egyptian Mau)', '缅因猫(Maine Coon)', '波斯猫(Persian)', '布偶猫(Ragdoll)', '俄罗斯蓝猫(Russian Blue)', '暹罗猫(Siamese)', '斯芬克斯猫(Sphynx)', '美国斗牛犬
188 29
【宠物识别系统】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+图像识别
|
2月前
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
134 4
数据分析的 10 个最佳 Python 库
|
1月前
|
数据可视化 Python
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
通过这些思维导图和分析说明表,您可以更直观地理解和选择适合的数据可视化图表类型,帮助更有效地展示和分析数据。
79 8
|
2月前
|
存储 数据可视化 数据挖掘
使用Python进行数据分析和可视化
本文将引导你理解如何使用Python进行数据分析和可视化。我们将从基础的数据结构开始,逐步深入到数据处理和分析的方法,最后通过实际的代码示例来展示如何创建直观的数据可视化。无论你是初学者还是有经验的开发者,这篇文章都将为你提供有价值的见解和技巧。让我们一起探索数据的世界,发现隐藏在数字背后的故事!
100 5
|
2月前
|
存储 数据可视化 数据挖掘
Python数据分析项目:抖音短视频达人粉丝增长趋势
Python数据分析项目:抖音短视频达人粉丝增长趋势
|
2月前
|
数据采集 存储 数据可视化
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
Python数据分析:揭秘"黑神话:悟空"Steam用户评论趋势
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析和可视化
【10月更文挑战第42天】本文将介绍如何使用Python进行数据分析和可视化。我们将从数据导入、清洗、探索性分析、建模预测,以及结果的可视化展示等方面展开讲解。通过这篇文章,你将了解到Python在数据处理和分析中的强大功能,以及如何利用这些工具来提升你的工作效率。