2020-05-20 18:00发布
大牛能提供大致思路么
其实利用 Python 可视化数据并不是很麻烦,因为 Python 中有两个专用于可视化的库 matplotlib 和 seaborn 能让我们很容易的完成任务。
Matplotlib:基于Python的绘图库,提供完全的 2D 支持和部分 3D 图像支持。在跨平台和互动式环境中生成高质量数据时,matplotlib 会很有帮助。也可以用作制作动画。
Seaborn:该 Python 库能够创建富含信息量和美观的统计图形。Seaborn 基于 matplotlib,具有多种特性,比如内置主题、调色板、可以可视化单变量数据、双变量数据,线性回归数据和数据矩阵以及统计型时序数据等,能让我们创建复杂的可视化图形。
我们用 Python 可以做出哪些可视化图形?
那么这里可能有人就要问了,我们为什么要做数据可视化?比如有下面这个图表:
当然如果你把这张图表丢给别人,他们倒是也能看懂,但无法很直观的理解其中的信息,而且这种形式的图表看上去也比较 low,这个时候我们如果换成直观又美观的可视化图形,不仅能突显逼格,也能让人更容易的看懂数据。
下面我们就用上面这个简单的数据集作为例子,展示用 Python 做出9种可视化效果,并附有相关代码。
导入数据集
import
matplotlib.pyplot as plt
pandas as pd
df
=
pd.read_excel(
"E:/First.xlsx"
,
"Sheet1"
)
可视化为直方图
fig
plt.figure()
#Plots in matplotlib reside within a figure object, use plt.figure to create new figure
#Create one or more subplots using add_subplot, because you can't create blank figure
ax
fig.add_subplot(
1
#Variable
ax.hist(df[
'Age'
],bins
7
# Here you can play with number of bins
Labels
and
Tit
plt.title(
'Age distribution'
plt.xlabel(
plt.ylabel(
'#Employee'
plt.show()
可视化为箱线图
ax.boxplot(df[
])
可视化为小提琴图
seaborn as sns
sns.violinplot(df[
], df[
'Gender'
#Variable Plot
sns.despine()
可视化为条形图
var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("Gender wise Sum of Sales")
var.plot(kind='bar')
可视化为折线图
var
df.groupby(
'BMI'
).Sales.
sum
()
ax1
ax1.set_xlabel(
ax1.set_ylabel(
'Sum of Sales'
ax1.set_title(
"BMI wise Sum of Sales"
var.plot(kind
'line'
可视化为堆叠柱状图
df.groupby([
]).Sales.
var.unstack().plot(kind
'bar'
,stacked
True
, color
[
'red'
'blue'
], grid
False
可视化为散点图
ax.scatter(df[
],df[
'Sales'
#You can also add more variables here to represent color and size.
可视化为泡泡图
], s
df[
'Income'
# Added third variable income as size of the bubble
可视化为饼状图
]).
().stack()
temp
var.unstack()
type
(temp)
x_list
temp[
]
label_list
temp.index
pyplot.axis(
"equal"
#The pie chart is oval by default. To make it a circle use pyplot.axis("equal")
#To show the percentage of each pie slice, pass an output format to the autopctparameter
plt.pie(x_list,labels
label_list,autopct
"%1.1f%%"
"Pastafarianism expenses"
可视化为热度图
numpy as np
#Generate a random number, you can refer your data values also
data
np.random.rand(
4
2
rows
list
(
'1234'
#rows categories
columns
'MF'
#column categories
fig,ax
plt.subplots()
#Advance color controls
ax.pcolor(data,cmap
plt.cm.Reds,edgecolors
'k'
ax.set_xticks(np.arange(
0
+
0.5
ax.set_yticks(np.arange(
# Here we position the tick labels for x and y axis
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
#Values against each labels
ax.set_xticklabels(columns,minor
,fontsize
20
ax.set_yticklabels(rows,minor
你也可以自己试着根据两个变量比如性别(X 轴)和 BMI(Y 轴)绘出热度图。
结语
本文我们分享了如何利用 Python 及 matplotlib 和 seaborn 库制作出多种多样的可视化图形。通过上面的例子,我们应该可以感受到利用可视化能多么美丽的展示数据。而且和其它语言相比,使用 Python 进行可视化更容易简便一些。
好了,以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对脚本之家的支持。
参考资料:
https://www.analyticsvidhya.com/blog/2015/05/data-visualization-python/
换行。比如,print hello\nworld效果就是helloworld\n就是一个换行符。\是转义的意思,'\n'是换行,'\t'是tab,'\\'是,\ 是在编写程序中句子太长百,人为换行后加上\但print出来是一整行。...
十种常见排序算法一般分为以下几种:(1)非线性时间比较类排序:a. 交换类排序(快速排序、冒泡排序)b. 插入类排序(简单插入排序、希尔排序)c. 选择类排序(简单选择排序、堆排序)d. 归并排序(二路归并排序、多路归并排序)(2)线性时间非比较类排序:...
前景很好,中国正在产业升级,工业机器人和人工智能方面都会是强烈的热点,而且正好是在3~5年以后的时间。难度,肯定高,要求你有创新的思维能力,高数中的微积分、数列等等必须得非常好,软件编程(基础的应用最广泛的语言:C/C++)必须得很好,微电子(数字电...
迭代器与生成器的区别:(1)生成器:生成器本质上就是一个函数,它记住了上一次返回时在函数体中的位置。对生成器函数的第二次(或第n次)调用,跳转到函数上一次挂起的位置。而且记录了程序执行的上下文。生成器不仅记住了它的数据状态,生成器还记住了程序...
python中title( )属于python中字符串函数,返回’标题化‘的字符串,就是单词的开头为大写,其余为小写
第一种解释:代码中的cnt是count的简称,一种电脑计算机内部的数学函数的名字,在Excel办公软件中计算参数列表中的数字项的个数;在数据库( sq| server或者access )中可以用来统计符合条件的数据条数。函数COUNT在计数时,将把数值型的数字计算进去;但是...
head是方法,所以需要取小括号,即dataset.head()显示的则是前5行。data[:, :-1]和data[:, -1]。另外,如果想通过位置取数据,请使用iloc,即dataset.iloc[:, :-1]和dataset.iloc[:, -1],前者表示的是取所有行,但不包括最后一列的数据,结果是个DataFrame。...
挺简单的,其实课程内容没有我们想象的那么难、像我之前同学,完全零基础,培训了半年,直接出来就工作了,人家还在北京大公司上班,一个月15k,实力老厉害了
Python针对众多的类型,提供了众多的内建函数来处理(内建是相对于导入import来说的,后面学习到包package时,将会介绍),这些内建函数功用在于其往往可对多种类型对象进行类似的操作,即多种类型对象的共有的操作;如果某种操作只对特殊的某一类对象可行,Pyt...
相当于 ... 这里不是注释
还有FIXME
python的两个库:xlrd和xlutils。 xlrd打开excel,但是打开的excel并不能直接写入数据,需要用xlutils主要是复制一份出来,实现后续的写入功能。
单行注释:Python中的单行注释一般是以#开头的,#右边的文字都会被当做解释说明的内容,不会被当做执行的程序。为了保证代码的可读性,一般会在#后面加一两个空格然后在编写解释内容。示例:# 单行注释print(hello world)注释可以放在代码上面也可以放在代...
主要是按行读取,然后就是写出判断逻辑来勘测行是否为注视行,空行,编码行其他的:import linecachefile=open('3_2.txt','r')linecount=len(file.readlines())linecache.getline('3_2.txt',linecount)这样做的过程中发现一个问题,...
或许是里面有没被注释的代码
自学的话要看个人情况,可以先在B站找一下视频看一下
最多设置5个标签!
其实利用 Python 可视化数据并不是很麻烦,因为 Python 中有两个专用于可视化的库 matplotlib 和 seaborn 能让我们很容易的完成任务。
Matplotlib:基于Python的绘图库,提供完全的 2D 支持和部分 3D 图像支持。在跨平台和互动式环境中生成高质量数据时,matplotlib 会很有帮助。也可以用作制作动画。
Seaborn:该 Python 库能够创建富含信息量和美观的统计图形。Seaborn 基于 matplotlib,具有多种特性,比如内置主题、调色板、可以可视化单变量数据、双变量数据,线性回归数据和数据矩阵以及统计型时序数据等,能让我们创建复杂的可视化图形。
我们用 Python 可以做出哪些可视化图形?
那么这里可能有人就要问了,我们为什么要做数据可视化?比如有下面这个图表:
当然如果你把这张图表丢给别人,他们倒是也能看懂,但无法很直观的理解其中的信息,而且这种形式的图表看上去也比较 low,这个时候我们如果换成直观又美观的可视化图形,不仅能突显逼格,也能让人更容易的看懂数据。
下面我们就用上面这个简单的数据集作为例子,展示用 Python 做出9种可视化效果,并附有相关代码。
导入数据集
import
matplotlib.pyplot as plt
import
pandas as pd
df
=
pd.read_excel(
"E:/First.xlsx"
,
"Sheet1"
)
可视化为直方图
fig
=
plt.figure()
#Plots in matplotlib reside within a figure object, use plt.figure to create new figure
#Create one or more subplots using add_subplot, because you can't create blank figure
ax
=
fig.add_subplot(
1
,
1
,
1
)
#Variable
ax.hist(df[
'Age'
],bins
=
7
)
# Here you can play with number of bins
Labels
and
Tit
plt.title(
'Age distribution'
)
plt.xlabel(
'Age'
)
plt.ylabel(
'#Employee'
)
plt.show()
可视化为箱线图
import
matplotlib.pyplot as plt
import
pandas as pd
fig
=
plt.figure()
ax
=
fig.add_subplot(
1
,
1
,
1
)
#Variable
ax.boxplot(df[
'Age'
])
plt.show()
可视化为小提琴图
import
seaborn as sns
sns.violinplot(df[
'Age'
], df[
'Gender'
])
#Variable Plot
sns.despine()
可视化为条形图
var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title("Gender wise Sum of Sales")
var.plot(kind='bar')
可视化为折线图
var
=
df.groupby(
'BMI'
).Sales.
sum
()
fig
=
plt.figure()
ax1
=
fig.add_subplot(
1
,
1
,
1
)
ax1.set_xlabel(
'BMI'
)
ax1.set_ylabel(
'Sum of Sales'
)
ax1.set_title(
"BMI wise Sum of Sales"
)
var.plot(kind
=
'line'
)
可视化为堆叠柱状图
var
=
df.groupby([
'BMI'
,
'Gender'
]).Sales.
sum
()
var.unstack().plot(kind
=
'bar'
,stacked
=
True
, color
=
[
'red'
,
'blue'
], grid
=
False
)
可视化为散点图
fig
=
plt.figure()
ax
=
fig.add_subplot(
1
,
1
,
1
)
ax.scatter(df[
'Age'
],df[
'Sales'
])
#You can also add more variables here to represent color and size.
plt.show()
可视化为泡泡图
fig
=
plt.figure()
ax
=
fig.add_subplot(
1
,
1
,
1
)
ax.scatter(df[
'Age'
],df[
'Sales'
], s
=
df[
'Income'
])
# Added third variable income as size of the bubble
plt.show()
可视化为饼状图
var
=
df.groupby([
'Gender'
]).
sum
().stack()
temp
=
var.unstack()
type
(temp)
x_list
=
temp[
'Sales'
]
label_list
=
temp.index
pyplot.axis(
"equal"
)
#The pie chart is oval by default. To make it a circle use pyplot.axis("equal")
#To show the percentage of each pie slice, pass an output format to the autopctparameter
plt.pie(x_list,labels
=
label_list,autopct
=
"%1.1f%%"
)
plt.title(
"Pastafarianism expenses"
)
plt.show()
可视化为热度图
import
numpy as np
#Generate a random number, you can refer your data values also
data
=
np.random.rand(
4
,
2
)
rows
=
list
(
'1234'
)
#rows categories
columns
=
list
(
'MF'
)
#column categories
fig,ax
=
plt.subplots()
#Advance color controls
ax.pcolor(data,cmap
=
plt.cm.Reds,edgecolors
=
'k'
)
ax.set_xticks(np.arange(
0
,
2
)
+
0.5
)
ax.set_yticks(np.arange(
0
,
4
)
+
0.5
)
# Here we position the tick labels for x and y axis
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
#Values against each labels
ax.set_xticklabels(columns,minor
=
False
,fontsize
=
20
)
ax.set_yticklabels(rows,minor
=
False
,fontsize
=
20
)
plt.show()
你也可以自己试着根据两个变量比如性别(X 轴)和 BMI(Y 轴)绘出热度图。
结语
本文我们分享了如何利用 Python 及 matplotlib 和 seaborn 库制作出多种多样的可视化图形。通过上面的例子,我们应该可以感受到利用可视化能多么美丽的展示数据。而且和其它语言相比,使用 Python 进行可视化更容易简便一些。
好了,以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,如果有疑问大家可以留言交流,谢谢大家对脚本之家的支持。
参考资料:
https://www.analyticsvidhya.com/blog/2015/05/data-visualization-python/
相关问题推荐
换行。比如,print hello\nworld效果就是helloworld\n就是一个换行符。\是转义的意思,'\n'是换行,'\t'是tab,'\\'是,\ 是在编写程序中句子太长百,人为换行后加上\但print出来是一整行。...
十种常见排序算法一般分为以下几种:(1)非线性时间比较类排序:a. 交换类排序(快速排序、冒泡排序)b. 插入类排序(简单插入排序、希尔排序)c. 选择类排序(简单选择排序、堆排序)d. 归并排序(二路归并排序、多路归并排序)(2)线性时间非比较类排序:...
前景很好,中国正在产业升级,工业机器人和人工智能方面都会是强烈的热点,而且正好是在3~5年以后的时间。难度,肯定高,要求你有创新的思维能力,高数中的微积分、数列等等必须得非常好,软件编程(基础的应用最广泛的语言:C/C++)必须得很好,微电子(数字电...
迭代器与生成器的区别:(1)生成器:生成器本质上就是一个函数,它记住了上一次返回时在函数体中的位置。对生成器函数的第二次(或第n次)调用,跳转到函数上一次挂起的位置。而且记录了程序执行的上下文。生成器不仅记住了它的数据状态,生成器还记住了程序...
python中title( )属于python中字符串函数,返回’标题化‘的字符串,就是单词的开头为大写,其余为小写
第一种解释:代码中的cnt是count的简称,一种电脑计算机内部的数学函数的名字,在Excel办公软件中计算参数列表中的数字项的个数;在数据库( sq| server或者access )中可以用来统计符合条件的数据条数。函数COUNT在计数时,将把数值型的数字计算进去;但是...
head是方法,所以需要取小括号,即dataset.head()显示的则是前5行。data[:, :-1]和data[:, -1]。另外,如果想通过位置取数据,请使用iloc,即dataset.iloc[:, :-1]和dataset.iloc[:, -1],前者表示的是取所有行,但不包括最后一列的数据,结果是个DataFrame。...
挺简单的,其实课程内容没有我们想象的那么难、像我之前同学,完全零基础,培训了半年,直接出来就工作了,人家还在北京大公司上班,一个月15k,实力老厉害了
Python针对众多的类型,提供了众多的内建函数来处理(内建是相对于导入import来说的,后面学习到包package时,将会介绍),这些内建函数功用在于其往往可对多种类型对象进行类似的操作,即多种类型对象的共有的操作;如果某种操作只对特殊的某一类对象可行,Pyt...
相当于 ... 这里不是注释
还有FIXME
python的两个库:xlrd和xlutils。 xlrd打开excel,但是打开的excel并不能直接写入数据,需要用xlutils主要是复制一份出来,实现后续的写入功能。
单行注释:Python中的单行注释一般是以#开头的,#右边的文字都会被当做解释说明的内容,不会被当做执行的程序。为了保证代码的可读性,一般会在#后面加一两个空格然后在编写解释内容。示例:# 单行注释print(hello world)注释可以放在代码上面也可以放在代...
主要是按行读取,然后就是写出判断逻辑来勘测行是否为注视行,空行,编码行其他的:import linecachefile=open('3_2.txt','r')linecount=len(file.readlines())linecache.getline('3_2.txt',linecount)这样做的过程中发现一个问题,...
或许是里面有没被注释的代码
自学的话要看个人情况,可以先在B站找一下视频看一下