离散型变量的可视化练习总结，大致上有饼图、条形图、直方图、箱线图、小提琴图、折线图、散点图、气泡图、热力图等诸类，标注有注意事项等

离散型变量的可视化1--饼图

# 饼图的绘制


# 导入第三方模块
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

'''而%matplotlib具体作用是当你调用matplotlib.pyplot的绘图函数plot()进行绘图的时候，
或者生成一个figure画布的时候，可以直接在你的python console里面生成图像。'''

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] =  False

# 构造数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = ['中专','大专','本科','硕士','其他']
# 绘制饼图
plt.pie(x = edu, # 绘图数据
        labels=labels, # 添加教育水平标签
        autopct='%.1f%%' # 设置百分比的格式，这里保留一位小数
       )
# 显示图形
plt.show()

# 导入第三方模块
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

# 添加修饰的饼图 
explode = [0,0.1,0,0,0]  # 生成数据，用于突出显示大专学历人群
colors=['#9999ff','#ff9999','#7777aa','#2442aa','#dd5555']  # 自定义颜色
# 中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 将横、纵坐标轴标准化处理，确保饼图是一个正圆，否则为椭圆
plt.axes(aspect='equal')
# 绘制饼图
plt.pie(x = edu, # 绘图数据
        explode=explode, # 突出显示大专人群
        labels=labels, # 添加教育水平标签
        colors=colors, # 设置饼图的自定义填充色
        autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数
        pctdistance=0.8,  # 设置百分比标签与圆心的距离
        labeldistance = 1.1, # 设置教育水平标签与圆心的距离
        startangle = 180, # 设置饼图的初始角度
        radius = 1.2, # 设置饼图的半径
        counterclock = False, # 是否逆时针，这里设置为顺时针方向
        wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'},# 设置饼图内外边界的属性值
        textprops = {'fontsize':10, 'color':'black'}, # 设置文本标签的属性值
       )
# 添加图标题
plt.title('失信用户的受教育水平分布')
# 显示图形
plt.show()

# 导入第三方模块
import matplotlib.pyplot as plt
import pandas as pd
# 构建序列
data1 = pd.Series({'中专':0.2515,'大专':0.3724,'本科':0.3336,'硕士':0.0368,'其他':0.0057})
# 将序列的名称设置为空字符，否则绘制的饼图左边会出现None这样的字眼
data1.name = ''
# 控制饼图为正圆
plt.axes(aspect = 'equal')
# plot方法对序列进行绘图
data1.plot(kind = 'pie', # 选择图形类型
           autopct='%.1f%%', # 饼图中添加数值标签
           radius = 1, # 设置饼图的半径
           startangle = 180, # 设置饼图的初始角度
           counterclock = False, # 将饼图的顺序设置为顺时针方向
           title = '失信用户的受教育水平分布', # 为饼图添加标题
           wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'}, # 设置饼图内外边界的属性值
           textprops = {'fontsize':10, 'color':'black'} # 设置文本标签的属性值
          )
# 显示图形
plt.show()

以上为饼状图的3个实例代码及运行结果的展示，需要注意的如下：

注意1:想让输出图总中文显示，就得写:

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

注意2:想让输出直接显示，就得写：
%matplotlib inline

离散型变量的可视化2--条形图

垂直或水平条形图

# 条形图的绘制--垂直条形图

import pandas as pd
import matplotlib.pyplot as plt
# 读入数据
GDP = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\Province GDP 2017.xlsx')
# 设置绘图风格（不妨使用R语言中的ggplot2风格）
plt.style.use('ggplot')

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] =  False

# 绘制条形图
plt.bar(left = range(GDP.shape[0]), # 指定条形图x轴的刻度值
        height = GDP.GDP, # 指定条形图y轴的数值
        tick_label = GDP.Province, # 指定条形图x轴的刻度标签
        color = 'steelblue', # 指定条形图的填充色
       )
# 添加y轴的标签
plt.ylabel('GDP(万亿)')
# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
    plt.text(x,y+0.1,'%s' %round(y,1),ha='center')
# 显示图形
plt.show()

条形图的绘制--水平条形图

# 条形图的绘制--水平条形图
# 对读入的数据作升序排序
GDP.sort_values(by = 'GDP', inplace = True)
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 绘制条形图
plt.barh(bottom = range(GDP.shape[0]), # 指定条形图y轴的刻度值
         width = GDP.GDP, # 指定条形图x轴的数值
         tick_label = GDP.Province, # 指定条形图y轴的刻度标签
         color = 'steelblue', # 指定条形图的填充色
        )
# 添加x轴的标签
plt.xlabel('GDP(万亿)')
# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 为每个条形图添加数值标签
for y,x in enumerate(GDP.GDP):
    plt.text(x+0.1,y,'%s' %round(x,1),va='center')
# 显示图形 
plt.show()

条形图的绘制--堆叠条形图

# 2.条形图的绘制--堆叠条形图

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 读入数据
Industry_GDP = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\Industry_GDP.xlsx')
# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签
Quarters = Industry_GDP.Quarter.unique()
# 取出第一产业的四季度值
Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']
# 重新设置行索引
Industry1.index = range(len(Quarters))
# 取出第二产业的四季度值\
Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']
# 重新设置行索引
Industry2.index = range(len(Quarters))
# 取出第三产业的四季度值
Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']


# 绘制堆叠条形图
# 各季度下第一产业的条形图
plt.bar(left = range(len(Quarters)), height=Industry1, color = 'steelblue', 
        label = '第一产业', tick_label = Quarters)
# 各季度下第二产业的条形图
plt.bar(left = range(len(Quarters)), height=Industry2, bottom = Industry1,
        color = 'green', label = '第二产业')
# 各季度下第三产业的条形图
plt.bar(left = range(len(Quarters)), height=Industry3, bottom = Industry1  + Industry2,
        color = 'red', label = '第三产业')
# 添加y轴标签
plt.ylabel('生成总值（亿）')
# 添加图形标题
plt.title('2017年各季度三产业总值')
# 显示各产业的图例
plt.legend()
# 显示图形
plt.show()

# 条形图的绘制--水平交错条形图
# 导入第三方模块
import numpy as np
# 读入数据    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化
HuRun = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\HuRun.xlsx')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 取出城市名称
Cities = HuRun.City.unique()
# 取出2016年各城市亿万资产家庭数
Counts2016 = HuRun.Counts[HuRun.Year == 2016]
# 取出2017年各城市亿万资产家庭数
Counts2017 = HuRun.Counts[HuRun.Year == 2017]
# 绘制水平交错条形图
bar_width = 0.4
plt.bar(left = np.arange(len(Cities)), height = Counts2016, label = '2016',
        color = 'steelblue', width = bar_width)
plt.bar(left = np.arange(len(Cities))+bar_width, height = Counts2017,
        label = '2017', color = 'indianred', width = bar_width)
# 添加刻度标签（向右偏移0.225）
plt.xticks(np.arange(5)+0.2, Cities)
# 添加y轴标签
plt.ylabel('亿万资产家庭数')
# 添加图形标题
plt.title('近两年5个城市亿万资产家庭数比较')
# 添加图例
plt.legend()
# 显示图形
plt.show()

# Pandas模块之垂直或水平条形图

# 绘图（此时的数据集在前文已经按各省GDP做过升序处理）
GDP.GDP.plot(kind = 'bar', width = 0.8, rot = 0, color = 'steelblue', title = '2017年度6个省份GDP分布')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 添加y轴标签
plt.ylabel('GDP（万亿）')
# 添加x轴刻度标签
plt.xticks(range(len(GDP.Province)), #指定刻度标签的位置  
           GDP.Province # 指出具体的刻度标签值
          )
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
    plt.text(x-0.1,y+0.2,'%s' %round(y,1),va='center')
# 显示图形
plt.show()

# Pandas模块之水平交错条形图

HuRun_reshape = HuRun.pivot_table(index = 'City', columns='Year', values='Counts').reset_index()
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 对数据集降序排序
HuRun_reshape.sort_values(by = 2016, ascending = False, inplace = True)
HuRun_reshape.plot(x = 'City', y = [2016,2017], kind = 'bar', color = ['steelblue', 'indianred'], 
                   rot = 0, # 用于旋转x轴刻度标签的角度，0表示水平显示刻度标签
                   width = 0.8, title = '近两年5个城市亿万资产家庭数比较')
# 添加y轴标签
plt.ylabel('亿万资产家庭数')
plt.xlabel('')
plt.show()

# seaborn模块之垂直或水平条形图


# 导入第三方模块
import seaborn as sns
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

sns.barplot(y = 'Province', # 指定条形图x轴的数据
            x = 'GDP', # 指定条形图y轴的数据
            data = GDP, # 指定需要绘图的数据集
            color = 'steelblue', # 指定条形图的填充色
            orient = 'horizontal' # 将条形图水平显示
           )
# 重新设置x轴和y轴的标签
plt.xlabel('GDP（万亿）')
plt.ylabel('')
# 添加图形的标题
plt.title('2017年度6个省份GDP分布')
# 为每个条形图添加数值标签
for y,x in enumerate(GDP.GDP):
    plt.text(x,y,'%s' %round(x,1),va='center')
    # 显示图形
plt.show()

# 读入数据   E:\jupyter.notebook
Titanic = pd.read_csv(r'E:\jupyter.notebook\titanic_train.csv')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 绘制水平交错条形图
sns.barplot(x = 'Pclass', # 指定x轴数据
            y = 'Age', # 指定y轴数据
            hue = 'Sex', # 指定分组数据
            data = Titanic, # 指定绘图数据集
            palette = 'RdBu', # 指定男女性别的不同颜色
            errcolor = 'blue', # 指定误差棒的颜色
            errwidth=2, # 指定误差棒的线宽
            saturation = 1, # 指定颜色的透明度，这里设置为无透明度
            capsize = 0.05 # 指定误差棒两端线条的宽度
           )
# 添加图形标题
plt.title('各船舱等级中男女乘客的年龄差异')
# 显示图形
plt.show()

以上为条形图的8个实例代码及运行结果的展示，需要注意的如下：

注意1:想让读入的数据作升序排序，就得写:
# 对读入的数据作升序排序
GDP.sort_values(by = 'GDP', inplace = True)

注意2:想添加y轴的标签，就得写：
plt.ylabel()

注意3:想添加每个条形图添加数值标签，就得写：//相关参数自己改
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,'%s' %round(y,1),ha='center')

离散型变量的可视化3--折线图

matplotlib模块绘制直方图

# matplotlib模块绘制直方图


import pandas as pd
import matplotlib.pyplot as plt
# 读入数据   E:\jupyter.notebook
Titanic = pd.read_csv(r'E:\jupyter.notebook\titanic_train.csv')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 检查年龄是否有缺失
any(Titanic.Age.isnull())
# 不妨删除含有缺失年龄的观察
Titanic.dropna(subset=['Age'], inplace=True)
# 绘制直方图
plt.hist(x = Titanic.Age, # 指定绘图数据
         bins = 20, # 指定直方图中条块的个数
         color = 'steelblue', # 指定直方图的填充色
         edgecolor = 'black' # 指定直方图的边框色
        )
# 添加x轴和y轴标签
plt.xlabel('年龄')
plt.ylabel('频数')
# 添加标题
plt.title('乘客年龄分布')
# 显示图形
plt.show()

# Pandas模块绘制直方图和核密度图
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 绘制直方图
Titanic.Age.plot(kind = 'hist', bins = 20, color = 'steelblue', edgecolor = 'black',
                 normed = True, label = '直方图')
# 绘制核密度图
Titanic.Age.plot(kind = 'kde', color = 'red', label = '核密度图')
# 添加x轴和y轴标签
plt.xlabel('年龄')
plt.ylabel('核密度值')
# 添加标题
plt.title('乘客年龄分布')
# 显示图例
plt.legend()
# 显示图形
plt.show()

# seaborn模块绘制分组的直方图和核密度图

import seaborn as sns
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 取出男性年龄
Age_Male = Titanic.Age[Titanic.Sex == 'male']
# 取出女性年龄
Age_Female = Titanic.Age[Titanic.Sex == 'female']

# 绘制男女乘客年龄的直方图
sns.distplot(Age_Male, bins = 20, kde = False, hist_kws = {'color':'steelblue'}, label = '男性')
# 绘制女性年龄的直方图
sns.distplot(Age_Female, bins = 20, kde = False, hist_kws = {'color':'purple'}, label = '女性')
plt.title('男女乘客的年龄直方图')
# 显示图例
plt.legend()
# 显示图形
plt.show()
    
# 绘制男女乘客年龄的核密度图
sns.distplot(Age_Male, hist = False, kde_kws = {'color':'red', 'linestyle':'-'},norm_hist = True, label = '男性')
# 绘制女性年龄的核密度图
sns.distplot(Age_Female, hist = False, kde_kws = {'color':'black', 'linestyle':'--'},norm_hist = True, label = '女性')

plt.title('男女乘客的年龄核密度图')
# 显示图例
plt.legend()
# 显示图形
plt.show()

# 读取数据   E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

Sec_Buildings = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\sec_buildings.xlsx')
# 绘制箱线图
plt.boxplot(x = Sec_Buildings.price_unit, # 指定绘图数据
            patch_artist=True, # 要求用自定义颜色填充盒形图，默认白色填充
            showmeans=True, # 以点的形式显示均值
            boxprops = {'color':'black','facecolor':'steelblue'}, # 设置箱体属性，如边框色和填充色
            # 设置异常点属性，如点的形状、填充色和点的大小
            flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3}, 
            # 设置均值点的属性，如点的形状、填充色和点的大小
            meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4},
            # 设置中位数线的属性，如线的类型和颜色
            medianprops = {'linestyle':'--','color':'orange'},
            labels = [''] # 删除x轴的刻度标签，否则图形显示刻度标签为1
           )
# 添加图形标题
plt.title('二手房单价分布的箱线图')
# 显示图形
plt.show()

# 二手房在各行政区域的平均单价


import numpy as np

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

group_region = Sec_Buildings.groupby('region')
avg_price = group_region.aggregate({'price_unit':np.mean}).sort_values('price_unit', ascending = False)

# 通过循环，将不同行政区域的二手房存储到列表中
region_price = []
for region in avg_price.index:
    region_price.append(Sec_Buildings.price_unit[Sec_Buildings.region == region])
    # 绘制分组箱线图
plt.boxplot(x = region_price,
            patch_artist=True,
            labels = avg_price.index, # 添加x轴的刻度标签
            showmeans=True,
            boxprops = {'color':'black', 'facecolor':'steelblue'}, 
            flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3},
            meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4},
            medianprops = {'linestyle':'--','color':'orange'}
           )
# 添加y轴标签
plt.ylabel('单价（元）')
# 添加标题
plt.title('不同行政区域的二手房单价对比')
# 显示图形
plt.show()

#6.2.3小提琴图--客户消费数据的呈现

# 读取数据
tips = pd.read_csv(r'E:\jupyter.notebook\tips.csv')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 绘制分组小提琴图
sns.violinplot(x ="day",  # 指定x轴的数据
               y = "total_bill", # 指定y轴的数据
               hue = "sex", # 指定分组变量
               data = tips,  # 指定绘图的数据集
               order = ['Thur','Fri','Sat','Sun'],  # 指定x轴刻度标签的顺序
               scale = 'count',  # 以男女客户数调节小提琴图左右的宽度
               split = True,  # 将小提琴图从中间割裂开，形成不同的密度曲线；
               palette = 'RdBu'  # 指定不同性别对应的颜色（因为hue参数为设置为性别变量）
              )
# 添加图形标题
plt.title('每天不同性别客户的消费额情况')
# 设置图例
plt.legend(loc = 'upper center', ncol = 2)
# 显示图形
plt.show()

#6.2.4折线图--公众号每日阅读趋势
#(1).applotlib 模型绘制折线图   例一

# 数据读取    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化
wechat = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\wechat.xlsx')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']
# 绘制单条折线图
plt.plot(wechat.Date, # x轴数据
         wechat.Counts, # y轴数据
         linestyle = '-', # 折线类型
         linewidth = 2, # 折线宽度
         color = 'steelblue', # 折线颜色
         marker = 'o', # 折线图中添加圆点
         markersize = 6, # 点的大小
         markeredgecolor='black', # 点的边框色
         markerfacecolor='brown') # 点的填充色
# 添加y轴标签
plt.ylabel('人数')
# 添加图形标题
plt.title('每天微信文章阅读人数趋势')
# 显示图形
plt.show()

#6.2.4折线图--公众号每日阅读趋势
#(1).mapplotlib 模型绘制折线图  例二
# 绘制两条折线图


# 导入模块，用于日期刻度的修改

import matplotlib.pyplot as plt
import matplotlib as mpl

# 数据读取    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化
wechat = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\wechat.xlsx')

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

# 绘制阅读人数折线图
plt.plot(wechat.Date, # x轴数据
         wechat.Counts, # y轴数据
         linestyle = '-', # 折线类型，实心线
         color = 'steelblue', # 折线颜色
         label = '阅读人数'
        )

# 绘制阅读人次折线图
plt.plot(wechat.Date, # x轴数据
         wechat.Times, # y轴数据
         linestyle = '--', # 折线类型，虚线
         color = 'indianred', # 折线颜色
         label = '阅读人次'
        )

# 获取图的坐标信息
ax = plt.gca()
# 设置日期的显示格式 
date_format = mpl.dates.DateFormatter("%m-%d")
ax.xaxis.set_major_formatter(date_format)
# 设置x轴显示多少个日期刻度
# xlocator = mpl.ticker.LinearLocator(10)
# 设置x轴每个刻度的间隔天数
xlocator = mpl.ticker.MultipleLocator(7)
ax.xaxis.set_major_locator(xlocator)
# 为了避免x轴刻度标签的紧凑，将刻度标签旋转45度
plt.xticks(rotation=45)
                                      
# 添加y轴标签
plt.ylabel('人数')
# 添加图形标题
plt.title('每天微信文章阅读人数与人次趋势')
 # 添加图例
plt.legend()
# 显示图形
plt.show()

#6.2.4折线图 -- (2).pandas 模型绘制折线图  例一

# 读取天气数据
weather = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\weather.xlsx')

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

# 统计每月的平均最高气温
data = weather.pivot_table(index = 'month', columns='year', values='high')
# 绘制折线图
data.plot(kind = 'line',
          style = ['-','--',':'] # 设置折线图的线条类型
         )
# 修改x轴和y轴标签
plt.xlabel('月份')
plt.ylabel('气温')
# 添加图形标题
plt.title('每月平均最高气温波动趋势')
# 显示图形
plt.show()

以上为条形图的9个实例代码及运行结果的展示，需要注意的如下：

注意1:想避免x轴的刻度标签过于紧凑，将其旋转45° 就得写:
plt.xticks(rotation = 45)

注意2:想添加图形的标签，就得写：
plt.title()

离散型变量的可视化4--散点图

matplotlib 模块绘制散点图

#关系型数据的可视化
#1.1 matplotlib 模块绘制散点图——探究鸢尾花的花瓣宽度与长度关系

import matplotlib.pyplot as plt
import pandas as pd
# 数据读取    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化
# 数据读取    E:\jupyter.notebook
iris = pd.read_csv(r'E:\jupyter.notebook\iris.csv')
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']


# 绘制散点图
plt.scatter(x = iris.Petal_Width, # 指定散点图的x轴数据
            y = iris.Petal_Length, # 指定散点图的y轴数据
            color = 'steelblue' # 指定散点图中点的颜色
           )
# 添加x轴和y轴标签
plt.xlabel('花瓣宽度')
plt.ylabel('花瓣长度')
# 添加标题
plt.title('鸢尾花的花瓣宽度与长度关系')
# 显示图形
plt.show()

#1.3 seaborn 模块绘制散点图——探究鸢尾花的花瓣宽度与长度关系

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

sns.lmplot(x = 'Petal_Width', # 指定x轴变量
           y = 'Petal_Length', # 指定y轴变量
           hue = 'Species', # 指定分组变量
           data = iris, # 指定绘图数据集
           legend_out = False, # 将图例呈现在图框内
           truncate=True # 根据实际的数据范围，对拟合线作截断操作
          )
# 修改x轴和y轴标签
plt.xlabel('花瓣宽度')
plt.ylabel('花瓣长度')
# 添加标题
plt.title('鸢尾花的花瓣宽度与长度关系')
# 显示图形
plt.show()

以上为条形图的2个实例代码及运行结果的展示，需要注意的如下：

注意1:想使用方法画二维图，就得写:
# 设置x坐标的数值和y坐标的数值，使用方法画二维图，其中s是标量，用来表示散点的大小。
plt.scatter(x,y,s=200)

注意2:想设置每个坐标轴的取值范围，就得写：

#设置每个坐标轴的取值范围
plt.axis([0,1100,0,1100000])
plt.show()
plt.savefig('squares_plot.png', bbox_inches='tight')

离散型变量的可视化5--气泡图

模块绘制气泡图

#模块绘制气泡图——暴露商品的销售特征


# 数据读取    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化

Prod_Category = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\SuperMarket.xlsx')
# 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001
range_diff = Prod_Category.Profit_Ratio.max()-Prod_Category.Profit_Ratio.min()
Prod_Category['std_ratio'] = (Prod_Category.Profit_Ratio-Prod_Category.Profit_Ratio.min())/range_diff + 0.001

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

# 绘制办公用品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '办公用品'],
            y = Prod_Category.Profit[Prod_Category.Category == '办公用品'],
            s = Prod_Category.std_ratio[Prod_Category.Category == '办公用品']*1000,
            color = 'steelblue', label = '办公用品', alpha = 0.6
           )
# 绘制技术产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '技术产品'], 
            y = Prod_Category.Profit[Prod_Category.Category == '技术产品'], 
            s = Prod_Category.std_ratio[Prod_Category.Category == '技术产品']*1000,
            color = 'indianred' , label = '技术产品', alpha = 0.6
           )
# 绘制家具产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '家具产品'],
            y = Prod_Category.Profit[Prod_Category.Category == '家具产品'],
            s = Prod_Category.std_ratio[Prod_Category.Category == '家具产品']*1000,
            color = 'black' , label = '家具产品', alpha = 0.6
           )
# 添加x轴和y轴标签
plt.xlabel('销售额')
plt.ylabel('利润')
# 添加标题
plt.title('销售额、利润及利润率的气泡图')
# 添加图例
plt.legend()
# 显示图形
plt.show()

离散型变量的可视化6--热力图

模块绘制热力图

#模块绘制热力图——一份简单的月度日历

import numpy as np
# 数据读取    E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化
Sales = pd.read_excel(r'E:\app\Anaconda\数据挖掘\数据挖掘源代码\第6章 Python数据可视化\Sales.xlsx')

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

# 根据交易日期，衍生出年份和月份字段
Sales['year'] = Sales.Date.dt.year
Sales['month'] = Sales.Date.dt.month
# 统计每年各月份的销售总额
Summary = Sales.pivot_table(index = 'month', columns = 'year', values = 'Sales', aggfunc = np.sum)
# 绘制热力图
sns.heatmap(data = Summary, # 指定绘图数据
            cmap = 'PuBuGn', # 指定填充色
            linewidths = .1, # 设置每个单元格边框的宽度
            annot = True, # 显示数值
            fmt = '.1e' # 以科学计算法显示数据
           )
#添加标题
plt.title('每年各月份销售总额热力图')
# 显示图形
plt.show()

离散型变量的可视化练习总结，大致上有饼图、条形图、直方图、箱线图、小提琴图、折线图、散点图、气泡图、热力图等诸类，标注有注意事项等

离散型变量的可视化1--饼图

以上为饼状图的3个实例代码及运行结果的展示，需要注意的如下：

注意1:想让输出图总中文显示，就得写:

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

注意2:想让输出直接显示，就得写：
%matplotlib inline

离散型变量的可视化2--条形图

垂直或水平条形图

条形图的绘制--水平条形图

条形图的绘制--堆叠条形图

以上为条形图的8个实例代码及运行结果的展示，需要注意的如下：

注意1:想让读入的数据作升序排序，就得写:
# 对读入的数据作升序排序
GDP.sort_values(by = 'GDP', inplace = True)

注意2:想添加y轴的标签，就得写：
plt.ylabel()

注意3:想添加每个条形图添加数值标签，就得写：//相关参数自己改
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,'%s' %round(y,1),ha='center')

离散型变量的可视化3--折线图

matplotlib模块绘制直方图

以上为条形图的9个实例代码及运行结果的展示，需要注意的如下：

注意1:想避免x轴的刻度标签过于紧凑，将其旋转45° 就得写:
plt.xticks(rotation = 45)

注意2:想添加图形的标签，就得写：
plt.title()

离散型变量的可视化4--散点图

matplotlib 模块绘制散点图

以上为条形图的2个实例代码及运行结果的展示，需要注意的如下：

注意1:想使用方法画二维图，就得写:
# 设置x坐标的数值和y坐标的数值，使用方法画二维图，其中s是标量，用来表示散点的大小。
plt.scatter(x,y,s=200)

注意2:想设置每个坐标轴的取值范围，就得写：

#设置每个坐标轴的取值范围
plt.axis([0,1100,0,1100000])
plt.show()
plt.savefig('squares_plot.png', bbox_inches='tight')

离散型变量的可视化5--气泡图

模块绘制气泡图

离散型变量的可视化6--热力图

模块绘制热力图

2021.04.12 14：56：23 聪整理学习笔记于连

以上为离散型变量的可视化练习总结，大致上有饼图、条形图、直方图、箱线图、小提琴图、折线图、散点图、气泡图、热力图等诸类，

个人总结笔记经供参考，如有不足后续会继续添改，我们一起共同学习进步，都看到最后了麻烦点个赞再走，谢谢⭐

猜你喜欢

离散型变量的可视化练习总结，大致上有饼图、条形图、直方图、箱线图、小提琴图、折线图、散点图、气泡图、热力图等诸类，标注有注意事项等

离散型变量的可视化1--饼图

以上为饼状图的3个实例代码及运行结果的展示，需要注意的如下：

注意1:想让输出图总中文显示，就得写:

#中文乱码和坐标轴负号的处理 plt.rcParams['font.sans-serif'] = ['SimHei']

注意2:想让输出直接显示，就得写： %matplotlib inline

离散型变量的可视化2--条形图

垂直或水平条形图

条形图的绘制--水平条形图

条形图的绘制--堆叠条形图

以上为条形图的8个实例代码及运行结果的展示，需要注意的如下：

注意1:想让读入的数据作升序排序，就得写: # 对读入的数据作升序排序 GDP.sort_values(by = 'GDP', inplace = True)

注意2:想添加y轴的标签，就得写： plt.ylabel()

注意3:想添加每个条形图添加数值标签，就得写：//相关参数自己改 for x,y in enumerate(GDP.GDP): plt.text(x,y+0.1,'%s' %round(y,1),ha='center')

离散型变量的可视化3--折线图

matplotlib模块绘制直方图

以上为条形图的9个实例代码及运行结果的展示，需要注意的如下：

注意1:想避免x轴的刻度标签过于紧凑，将其旋转45° 就得写: plt.xticks(rotation = 45)

注意2:想添加图形的标签，就得写： plt.title()

离散型变量的可视化4--散点图

matplotlib 模块绘制散点图

以上为条形图的2个实例代码及运行结果的展示，需要注意的如下：

注意1:想使用方法画二维图，就得写: # 设置x坐标的数值和y坐标的数值，使用方法画二维图，其中s是标量，用来表示散点的大小。 plt.scatter(x,y,s=200)

注意2:想设置每个坐标轴的取值范围，就得写：

#设置每个坐标轴的取值范围 plt.axis([0,1100,0,1100000]) plt.show() plt.savefig('squares_plot.png', bbox_inches='tight')

离散型变量的可视化5--气泡图

模块绘制气泡图

离散型变量的可视化6--热力图

模块绘制热力图

2021.04.12 14：56：23 聪整理学习笔记于连

以上为离散型变量的可视化练习总结，大致上有饼图、条形图、直方图、箱线图、小提琴图、折线图、散点图、气泡图、热力图等诸类，

个人总结笔记经供参考，如有不足后续会继续添改，我们一起共同学习进步，都看到最后了麻烦点个赞再走，谢谢⭐

猜你喜欢

#中文乱码和坐标轴负号的处理
plt.rcParams['font.sans-serif'] = ['SimHei']

注意2:想让输出直接显示，就得写：
%matplotlib inline

注意1:想让读入的数据作升序排序，就得写:
# 对读入的数据作升序排序
GDP.sort_values(by = 'GDP', inplace = True)

注意2:想添加y轴的标签，就得写：
plt.ylabel()

注意3:想添加每个条形图添加数值标签，就得写：//相关参数自己改
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,'%s' %round(y,1),ha='center')

注意1:想避免x轴的刻度标签过于紧凑，将其旋转45° 就得写:
plt.xticks(rotation = 45)

注意2:想添加图形的标签，就得写：
plt.title()

注意1:想使用方法画二维图，就得写:
# 设置x坐标的数值和y坐标的数值，使用方法画二维图，其中s是标量，用来表示散点的大小。
plt.scatter(x,y,s=200)

#设置每个坐标轴的取值范围
plt.axis([0,1100,0,1100000])
plt.show()
plt.savefig('squares_plot.png', bbox_inches='tight')