Визуализация данных с помощью Python (2)

гистограмма

Если вы можете увидеть значение переменной гистограммы распределения, то гистограмма может помочь нам увидеть категорию возможности. В гистограмме, показывающая длину категории удлиненной частот с указанием ширины типа.

В Matplotlib, мы используем plt.bar (х, высоту) функцию, где параметр х представляет положение по оси X. последовательности, высота числовая последовательность у-оси, то есть высота колонны.

В Сиборн, мы используем sns.barplot ( None Y = None, = Х =, данные Отсутствует ) функцию. В котором параметр представляет собой тип данных DataFrame, х, у являются переменными данными.

1 2 3 4 5 6

х = [ "cat1", "cat2", "cat3", "cat4", "cat5"] у = [5,4,8,12,7] plt.bar (х, у) plt.show () SNS .barplot (х, у) plt.show ()

Мы создали х, у двух массивов, представляющая категорию частот и категорию, а затем отображает гистограмму с Matplotlib и Сиборном, результаты выглядят следующим образом:

Boxplot

Box сюжет, известный как коробчатые участки, она была предложена в 1977 годом пяти точек данных: максимальное значение (максимальная), минимальное значение (мин), средний (медиана) и верхнее и нижние квартили ( Q3, Q1). Это может помочь нам проанализировать различия в данных, таких как степень дисперсности и недопустимое.

В Matplotlib мы используем plt.boxplot (х, лейбл = None) функция, где х является параметром для boxplot данных чертежа, этикетки по умолчанию, метка может быть добавлена ​​в качестве коробчатых участков.

在Seaborn中，我们使用sns.boxplot(x=None, y=None, data=None)函数。其中参数data为DataFrame类型，x、y是data中的变量。

1 2 3 4 5 6 7

data = np.random.normal(size=(10,4)) labels =['A','B','C','D'] plt.boxplot(data,labels=labels) plt.show() df = pd.DataFrame(data,columns=labels) sns.boxplot(data=df) plt.show()

这段代码中，我生成0-1之间的10*4维度数据，然后分别用Matplotlib和Seaborn进行箱线图的展示，结果如下。

饼图

饼图是常用的统计学模块，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，它用的不算多。我们主要采用Matplotlib的pie函数实现它。

在Matplotlib中，我们使用plt.pie(x, labels=None)函数，其中参数x代表要绘制饼图的数据，labels是缺省值，可以为饼图添加标签。

这里我设置了lables数组，分别代表高中、本科、硕士、博士和其他几种学历的分类标签。nums代表这些学历对应的人数。

1 2 3 4

nums = [25,37,33,37,6] labels =["high_scholl","Bachelor","Master","Ph.d","others"] plt.pie(x=nums,labels=labels) plt.show()

通过Matplotlib的pie函数，我们可以得出下面的饼图：

热力图

热力图，英文叫heat map，是一种矩阵表示方法，其中矩阵中的元素值用颜色来代表，不同的颜色代表不同大小的值。通过颜色就能直观地知道某个位置上数值的大小。另外你也可以将这个位置上的颜色，与数据集中的其他位置颜色进行比较。

热力图是一种非常直观的多元变量分析方法。

我们一般使用Seaborn中的sns.heatmap(data)函数，其中data代表需要绘制的热力图数据。

这里我们使用Seaborn中自带的数据集flights，该数据集记录了1949年到1960年期间，每个月的航班乘客的数量。

1 2 3 4 5

flights = sns.load_dataset("flights") data = flights.pivot("year","month","passengers") # print(data.head()) sns.heatmap(data) plt.show()

通过seaborn的heatmap函数，我们可以观察到不同年份，不同月份的乘客数量变化情况，其中颜色越浅的代表乘客数量越多，如下图所示：

蜘蛛图

蜘蛛图是一种显示一对多关系的方法。在蜘蛛图中，一个变量相对于另一个变量的显著性是清晰可见的。

假设我们想要给王者荣耀的玩家做一个战力图，指标一共包括推进、KDA、生存、团战、发育和输出。那该如何做呢？

这里我们需要使用Matplotlib来进行画图，首先设置两个数组：labels和stats。他们分别保存了这些属性的名称和属性值。

因为蜘蛛图是一个圆形，你需要计算每个坐标的角度，然后对这些数值进行设置。当画完最后一个点后，需要与第一个点进行连线。

因为需要计算角度，所以我们要准备angles数组；又因为需要设定统计结果的数值，所以我们要设定stats数组。并且需要在原有angles和stats数组上增加一位，也就是添加数组的第一个元素。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"]) stats=[83, 61, 95, 67, 76, 88] # 画图数据准备，角度、状态值 angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False) stats=np.concatenate((stats,[stats[0]])) angles=np.concatenate((angles,[angles[0]])) # 用Matplotlib画蜘蛛图 fig = plt.figure() ax = fig.add_subplot(111, polar=True) ax.plot(angles, stats, 'o-', linewidth=2) ax.fill(angles, stats, alpha=0.25) # 设置中文字体 font = FontProperties(fname=r"C:WindowsFontssimhei.ttf", size=14) ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font) plt.show()

Код flt.figure является создание пустой целевой фигуры, цели подготовить эквивалент чистого листа перед покраской. Тогда add_subplot (111) можно разделить на ряд монтажных 1. Тогда ax.plot и ax.fill быть подключены к графике и цвету. Наконец, мы покажем имя атрибута в соответствующем положении.

Оригинал: Большая колонка с  помощью визуализации данных Python (2)