多样化数据可视化方法的全面示例：基于Python的多样化数据可视化

文章目录

前言
代码
效果展示

前言

本文演示了使用Python进行温度数据的多样化可视化方法。通过导入、处理和分析气象数据，我们生成了多种图表，包括直方图、核密度估计图、箱型图、小提琴图、条形图、山脊图、经验累积分布函数图和折线图。这些图表帮助我们更直观地理解温度数据的分布和变化趋势。我们利用了Seaborn、Matplotlib和Plotly等数据可视化库，以美观和易于理解的方式展示数据。

代码

# Import necessary libraries
import pandas as pd
from pandas.api.types import CategoricalDtype
import seaborn as sns
import matplotlib.pyplot as plt
import plotly.express as px
from joypy import joyplot# 导入数据
df = pd.read_csv('D:/Pythonmatlab/2326060760python数据分布/weatherData.csv')# 设置季节为分类数据类型
season = CategoricalDtype(['Winter', 'Spring', 'Summer', 'Fall'])
df['Season'] = df['Season'].astype(season)# 打印前5行数据
print(df.head(5))#%%
# 直方图# 设置图表大小
plt.figure(figsize=(10, 6))# 生成直方图
sns.histplot(df, x='Temp')# 显示图表
plt.show()#%%
# 分地点的堆叠直方图# 设置图表大小
plt.figure(figsize=(10, 6))# 生成堆叠直方图
sns.histplot(df, x='Temp', hue='Location', multiple='stack')# 设置标签
plt.title('Distribution of All Observed Temperatures', fontsize=25, y=1.03)
plt.xlabel('Temperature (F)', fontsize=13)
plt.ylabel('Count', fontsize=13)# 显示图表
plt.show()#%%
# 分季节的直方图# 生成分季节的直方图
g = sns.displot(df, x='Temp', col='Season', hue='Location', multiple='stack', binwidth=5, height=3, col_wrap=2, facet_kws=dict(margin_titles=False))# 设置轴标签
g.set_axis_labels('Temperature (F)', 'Count')# 显示图表
plt.show()#%%
# 分季节的垂直直方图# 生成分季节的垂直直方图
g = sns.displot(df, x='Temp', col='Season', hue='Location',multiple='stack', binwidth=5, height=1, aspect=6,col_wrap=1, facet_kws=dict(margin_titles=True))# 设置轴标签
g.set_axis_labels('Temperature (F)', 'Count', fontsize=17)# 显示图表
plt.show()#%%
# Plotly直方图# 设置图表大小
plt.figure(figsize=(10, 6))# 生成Plotly直方图
plot = px.histogram(df, x='Temp',barmode='overlay', color='Location', facet_row='Season')# 设置标题和标签
plot.update_layout(title={'text': "Distributions of Temperature\<br><sup>Sorted by Season and \Location</sup>",'xanchor': 'left','yanchor': 'top','x': 0.1}, legend_title_text='Location',xaxis_title='Recorded Temperature (F)')
plot.for_each_annotation(lambda x: x.update(text=x.text.split("=")[1]))
plot.update_yaxes(title='Count')# 设置颜色和背景
plot.update_layout(plot_bgcolor='white')
plot.update_xaxes(showline=True, linecolor='gray')
plot.update_yaxes(showline=True, linecolor='gray')# 显示图表
plot.show()#%%
# 核密度估计图（KDE Plots）# 设置图表大小
plt.figure(figsize=(10, 6))# 生成KDE图
sns.kdeplot(data=df, x='Temp', hue='Location', fill=False)# 设置标签
plt.title('KDE Plot of Temperatures', fontsize=25, y=1.03)
plt.xlabel('Temperature (F)', fontsize=13)
plt.ylabel('Density', fontsize=13)# 显示图表
plt.show()#%%
# 分季节的KDE图# 生成分季节的KDE图
g = sns.displot(df, x="Temp", col="Season", hue='Location',kind='kde', height=1, aspect=7, col_wrap=1,fill=True, facet_kws=dict(margin_titles=True))# 设置轴标签
g.set_axis_labels('Temperature (F)', 'Density', fontsize=16)# 显示图表
plt.show()#%%
# 分季节的带填充KDE图# 生成分季节的带填充KDE图
g = sns.displot(df, x="Temp", col="Season", hue='Location', kde=True, height=1, aspect=7, col_wrap=1, fill=True, facet_kws=dict(margin_titles=True))# 设置轴标签
g.set_axis_labels('Temperature (F)', 'Density', fontsize=16)# 显示图表
plt.show()#%%
# 山脊图（Joy Plots or Ridge Plots）# 重塑数据
dfJoy = df.pivot(index=['Entry', 'Season'], columns='Location', values='Temp')
print(dfJoy.head())# 生成山脊图
fig, axes = joyplot(data=dfJoy,by='Season',column=['City A', 'City B', 'City C'],color=['#43bf60', '#2b7acf', '#f59f0a'],alpha=.67,legend=True,overlap=2,linewidth=.5,figsize=(10, 6))# 设置标签
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 箱型图（Box Plots）# 生成箱型图
plot = px.box(df, x='Season', color='Location', y='Temp', color_discrete_sequence=px.colors.cyclical.IceFire)# 更新布局和标题
plot.update_layout(title={'text': "Seasonal Temperature Distributions\<br><sup>By Season for Cities A, B, \and C</sup>",'xanchor': 'left','yanchor': 'top','x': 0.1}, legend_title_text='Location:',xaxis_title='',yaxis_title='Temperature (F)')# 更新样式
plot.update_layout(plot_bgcolor='white')
plot.update_xaxes(showline=True, linecolor='gray')
plot.update_yaxes(showline=True, linecolor='gray')# 显示图表
plot.show()#%%
# 小提琴图（Violin Plots）# 设置图表大小
plt.figure(figsize=(10, 6))# 生成小提琴图
sns.violinplot(data=df, x='Temp', y='Season', hue='Location',inner='quartile', palette='Set2')# 设置标签
plt.title('Violin Plot of Observed Temperatures', fontsize=25, y=1.01)
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 分类数据散点图（Strip and Swarm Plots）# 设置图表大小
plt.figure(figsize=(10, 6))# 生成strip plot
sns.stripplot(data=df, x='Temp', y='Season', hue='Location', jitter=True, palette="magma", alpha=.75)# 设置标签
plt.title('Strip Plot of Observed Temperatures', fontsize=25, y=1.01)
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 设置图表大小
plt.figure(figsize=(10, 6))# 生成strip plot（带dodge选项）
sns.stripplot(data=df, x='Temp', y='Season', hue='Location', jitter=True, palette="magma", dodge=True, alpha=.5)# 设置标签
plt.title('Strip Plot of Observed Temperatures', fontsize=25, y=1.01)
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 设置图表大小
plt.figure(figsize=(10, 6))# 生成swarm plot
sns.swarmplot(data=df, x='Temp', y='Season', hue='Location', palette='magma')# 设置标签
plt.title('Swarm Plot of Observed Temperatures', fontsize=25, y=1.01)
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 设置图表大小
plt.figure(figsize=(10, 6))# 生成swarm plot（带dodge选项）
sns.swarmplot(data=df, x='Temp', y='Season', hue='Location', palette='magma', dodge=True)# 设置标签
plt.title('Swarm Plot of Observed Temperatures', fontsize=25, y=1.01)
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 经验累积分布函数图（ECDF Plots）# 生成ECDF图
sns.displot(df, x='Temp', hue='Location', kind='ecdf', height=5)# 设置标签
plt.xlabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 分季节的ECDF图# 生成分季节的ECDF图
g = sns.displot(df, x='Temp', hue='Location', col='Season', kind='ecdf', height=4)# 设置轴标签
g.set_axis_labels('Temperature (F)', 'Cumulative Distribution')# 显示图表
plt.show()#%%
# 折线图（Line Plots）# 设置图表大小
plt.figure(figsize=(10, 6))# 生成折线图
sns.lineplot(data=df, x='Entry', y='Temp', hue='Location', ci=None, palette='tab10')# 设置标签
plt.title('Temperature Trends Over Time', fontsize=25, y=1.01)
plt.xlabel('Entry', fontsize=13)
plt.ylabel('Temperature (F)', fontsize=13)# 显示图表
plt.show()#%%
# 分季节的折线图# 生成分季节的折线图
g = sns.relplot(data=df, x='Entry', y='Temp', hue='Location', kind='line', col='Season', col_wrap=1, height=4, aspect=5, facet_kws=dict(margin_titles=True))# 设置轴标签
g.set_axis_labels('Entry', 'Temperature (F)', fontsize=16)# 显示图表
plt.show()#%%
# 分地点的折线图# 生成分地点的折线图
g = sns.relplot(data=df, x='Entry', y='Temp', hue='Season', kind='line',col='Location', col_wrap=1, height=4, aspect=5, facet_kws=dict(margin_titles=True))# 设置轴标签
g.set_axis_labels('Entry', 'Temperature (F)', fontsize=16)# 显示图表
plt.show()# Create Displot:
g = sns.displot(df, x='Temp', col='Season', hue='Location',kind='ecdf', height=3, col_wrap=2,facet_kws=dict(margin_titles=True))# Set labels:
# g.fig.suptitle('Distributions of Temperature by Season',
#                fontsize=25, x=0.47, y=1.03, ha='center')
g.set_axis_labels('Temperature (F)', 'Count')
plt.show()
#%%df = sns.load_dataset('iris')# Plot
plt.figure(figsize=(10, 8), dpi=80)
sns.pairplot(df,kind="scatter",hue="species",palette='Set1',plot_kws=dict(s=80, edgecolor="white", linewidth=2.5))
plt.show()#%%
df = sns.load_dataset('iris')# Plotsns.pairplot(df)
plt.show()
# 导入鸢尾花数据集
df = sns.load_dataset('iris')# 绘制配对图
plt.figure(figsize=(10, 8), dpi=80)
sns.pairplot(df,kind="scatter",hue="species",palette='Set1',plot_kws=dict(s=80, edgecolor="white", linewidth=2.5))
plt.show()#%%
# 再次导入鸢尾花数据集
df = sns.load_dataset('iris')# 绘制简单的配对图
sns.pairplot(df)
plt.show()