Python數據可視化：Pandas庫，只要一行代碼就能實現

本文的文字及圖片來源於網絡,僅供學習、交流使用,不具備任何商業用途,若有問題請及時聯繫咱們以做處理。

如下文章一級AI入門學習 ，做者小伍哥

剛接觸Python的新手、小白，能夠複製下面的連接去免費觀看Python的基礎入門教學視頻

https://v.douyu.com/author/y6AZ4jn9jwKW

 

 

一，可視化概述

在Python中，常見的數據可視化庫有3個：

matplotlib：最經常使用的庫，能夠算做可視化的必備技能庫，比較複雜，api多，學起來不太容易。

seaborn：是重構於matplotlib基礎上，能夠知足可視化需求，更特殊的需求仍是須要學習matplotlib。

pyecharts：上面的兩個庫都是靜態的可視化庫，而pyecharts有很好的網絡兼容性，能夠作到可視化的動態效果。而且種類也比較豐富。這類這個圖，就很是厲害：畫圖神器pyecharts-旭日圖

Pandas：而今天要講的是Pandas的可視化，Pandas主要做爲數據分析的庫，雖然沒有上述三個庫那個強大，可是勝在方便，在數據分析的過程當中，只要一行代碼就能實現。也很是漂亮。

 

二，直接看案例

熊貓中，有11個比較常見的圖形可視化，還有幾個比較進階的，咱們一個一個看看怎麼畫的

import pandas as pd
import numpy  as np
df= pd.DataFrame(np.random.rand(10, 4), columns=['A','B','C','D'])

 

01，柱狀圖-初步

df.plot.bar()

 

 

stack = True，畫堆疊柱狀圖

df.plot.bar(stacked=True)

 

 

02，柱狀圖-橫向

df.plot.barh()

 

 

一樣，stacked = True，畫堆疊柱狀圖

df.plot.barh(stacked=True)

 

 

03，面積圖

df.plot.area(alpha = 0.9)

 

 

df.plot.area(stacked=True,alpha = 0.9)

 

 

04，密度圖-kde

df.plot.kde()

 

 

05，密度圖-density

df.plot.density()

 

 

06，直方圖

換個數據集

df = pd.DataFrame({'A': np.random.randn(1000) + 1,
                   'B': np.random.randn(1000),
                   'C': np.random.randn(1000) - 1},
                  columns=['A', 'B', 'C'])
 df.plot.hist(bins=200)

 

 

df.plot.hist(stacked=True, bins=20)

 

 

df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D'])
df.diff().hist(color='k', alpha=0.7, bins=50)

 

 

07，箱盒圖

df= pd.DataFrame(np.random.rand(100, 4), columns=['A','B','C','D'])
df.plot.box()

 

 

vert = False也能夠換成橫向

df.plot.box(vert=False)

 

 

08，散點圖

df.plot.scatter(x='A',y='B')

 

 

09，蜂巢圖

df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b'])
df['b'] = df['b'] + np.arange(1000)
df.plot.hexbin(x='a', y='b', gridsize=25)

 

 

 

07，餅圖

series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
series.plot.pie(figsize=(6, 6))

 

 

series.plot.pie(labels=['AA', 'BB', 'CC', 'DD'], colors=['r', 'g', 'b', 'c'],autopct='%.2f', fontsize=20, figsize=(6, 6))

 

 

08，矩陣散點圖

from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])
scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')

 

 

 

09，安德魯斯曲線

data = pd.read_csv('C:/Users/wuzhengxiang/Desktop/iris.csv')
pd.plotting.andrews_curves(data , 'Name')

 

 

andrews_curves(data, 'Name', colormap='winter')

 

 

10，平行座標圖該圖也是使用本身加載的iris數據集

from pandas.plotting import parallel_coordinates
parallel_coordinates(data, 'Name', colormap='gist_rainbow')

 

 

11，滯後圖

from pandas.plotting import lag_plot
df= pd.Series(0.1 * np.random.rand(1000) +
        0.9 * np.sin(np.linspace(-99 * np.pi, 99 * np.pi, num=1000)))
lag_plot(df)

 

 

12，最大值函數圖

直接畫圖，預設爲折線圖

df= pd.DataFrame(np.random.rand(12, 4), columns=['A','B','C','D'])
df.plot()

 

 

df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))

 

 

df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D'])
df.plot()

 

 

df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))

 

 

13，bootstrap_plot

s = pd.Series(np.random.uniform(size=100))
pd.plotting.bootstrap_plot(s)

 

 

三，參數詳解

1，官方文檔

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html
https://pandas.pydata.org/pandas-docs/version/0.18.1/visualization.html

 

2，參數介紹

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
sharex=None, sharey=False, layout=None, figsize=None, use_index=True, 
title=None, grid=None, legend=True, style=None, logx=False, logy=False, 
loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, 
fontsize=None, colormap=None, position=0.5, table=False, yerr=None,
xerr=None, stacked=True/False, sort_columns=False, secondary_y=False, 
mark_right=True, **kwds)

 

注意：每種繪圖類型都有相對應的方法：df.plot（kind = 'line' ）與df.plot.line（）等價

x：標籤或位置，默認爲None＃指數據列的標籤或位置參數

y：標籤，位置或標籤列表，位置，默認值無

種類：str＃繪圖類型

'line'：線圖（默認）＃折線圖

'bar'：垂直條形圖。條形圖。stacked爲True時爲堆疊的柱狀圖

'barh'：水平條形圖

'hist'：histogram＃直方圖（數值頻率分佈）

'box'：boxplot＃箱型圖

'kde'：內核密度估計圖＃密度圖，主要對柱狀圖添加內核機率密度線

'密度'：與'kde'相同

'area'：area plot＃與x軸所圍的區域圖（面積圖）。Stacked= True時，每列必須所有爲正或負值，stacked = False時，對數據沒有要求

'pie'：pie plot＃餅圖。數值必須爲正值，需指定Y軸或者subplots = True

'scatter'：散點圖＃散點圖。需指定X軸Y軸

'hexbin'：hexbin圖＃蜂巢圖。需指定X軸Y軸

'hexbin'：hexbin圖＃蜂巢圖。需指定X軸Y軸

ax：matplotlib軸對象，默認值None＃**子圖（axes，也能夠理解成座標軸）要在其上進行交易的matplotlib子圖對象。若是沒有設置，則使用當前matplotlib子圖**其中，變量和函數經過改變figure和axes中的元素（例如：title，label，點和線等等）一塊兒描述figure和axes，也就是在畫布上繪圖。

子圖：布爾值，默認爲False＃是否對列分別做子圖

sharex：布爾值，默認值爲true，若是ax爲None False＃若是ax爲None，則設爲爲True，不然爲False

若是subplots = True，則共享x軸並將一些x軸標籤設置爲不可見；若是ax爲None則默認爲True，不然爲False。請注意，同時傳遞ax和sharex = True將更改圖形中全部軸的全部x軸標籤！

sharey：布爾值，默認爲False＃若是有子圖，子圖共y軸刻度，標籤

若是subplots = True，則共享y軸並將一些y軸標籤設置爲不可見

layout：用於子圖的元組（行，列）＃子圖的行列布局

figsize：以英寸爲單位的元組（寬度，高度）

use_index：布爾值，默認爲True

title：字符串＃圖片的標題用字符串

地塊標題

grid：布爾值，默認值None＃圖片是否有網格

legend：False / True /'reverse'＃子圖的圖例（交替爲True）

樣式：列表或字典＃對每列折線圖設置線的類型

logx：布爾值，默認爲False。

類型：布爾值，默認爲False

loglog：布爾值，默認爲False＃同時設置x，y軸刻度是否取對數

xticks：sequence＃設置x軸刻度值，序列形式（某些列表）

yticks：sequence＃設置y軸刻度，序列形式（幾種列表）

xlim：float / 2-tuple / list＃設置座標軸的範圍。數值（變量），列表或元組（區間範圍）

ylim：浮點數/ 2元組/列表

rot：int，默認值None＃設置軸標籤（軸刻度）的顯示旋轉度數

fontsize：int，默認值None＃設置軸刻度的字體大小

colormap：str或matplotlib colormap對象，默認值爲None。

colorbar：布爾值，可選＃柱子顏色

若是爲True，則繪製顏色條（僅與「散佈」圖和「六邊形」圖有關）

position：float＃條形圖的對齊方式，取值範圍[0,1]，即左下端到右上端替換0.5（中間對齊）

layout：tuple（可選）＃佈局。layout=（2，3）兩行三列，layout =（2，-1）兩行自適應列數

例如。df.plot（subplots = True，layout =（2，-1），sharex = False）

table：布爾值，Series或DataFrame，默認爲False＃圖下添加表。若是爲True，則使用DataFrame中的數據圖表，而且數據將被旋轉放置到matplotlib的佈局。。

yer：DataFrame，Series，類數組，dict和str

有關詳細信息，請參見使用偏差線繪圖。

xerr：與yerr相同的類型。

堆疊：布爾值，線形圖和條形圖默認爲False，面積圖爲True。若是爲True，則建立堆積圖。＃前面有介紹

sort_columns：布爾值，默認值爲False。

secondary_y：布爾值或序列，默認爲False＃設置第二個y軸（右輔助y軸）

是否在次要y軸上繪製若是是 列表/元組，則在次要y軸上繪製哪些列

mark_right：布爾值，默認爲True