Python数据可视化实例之绘制图表
原创 虫虫安全 2018-09-05 17:41:57
得利于语言的简单明了、丰富的数据结构、丰富的类和模块，Python如今成了数据科学中的香饽饽，成了matlab、R语言之外又一强大的数据分析工具。抛开其他方面的、今天虫虫带大家一起来探索Python在数据可视化方面的应用。我们以最基本的几种图标为实例来介绍Python matplotlib的强大的作图能力。
1.折线图
在绘制折线图时，如果你的数据很小，图表的线条有点折，当你数据集比较大时候，比如超过100个点，则会呈现相对平滑的曲线。
在这里，我们使用三个plt.plot绘制了，不同斜率（1，2和3）的三条线。
import numpy as np
import matplotlib.pyplot as plt
cc= np.linspace(0,2,100)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.plot(cc,cc,label='linear')
plt.plot(cc,cc**2,label='两倍')
plt.plot(cc,cc**3,label='三倍')
plt.xlabel('x label')
plt.ylabel('y label')
plt.title("折线图")
plt.legend()
plt.show()
cc = np.linspace(0,2,100)
plt.plot(cc,cc,label ='linear')
plt.plot(cc,cc ** 2,label ='quadratic')
plt.plot(cc,cc ** 3,label ='cubic')
plt.xlabel('x label')
plt.ylabel('y label')
结果显示，如下：
注意为了显示中文，我们plt.rcParams属性设置了中文字体，不然不能正确显示中文title的。
2.散点图
散点图和折线图的原理差不多；如果使用直线连接散点图中的点，得到的就是折线图。所以你只需要设置线型来绘制散点图。
注意：次例中我们也画了三行。不同的地方时，只使用了一个plt.plot。
import numpy as np
import matplotlib.pyplot as plt
x = np.arange(0., 5., 0.2)
plt.plot(x, x, 'r--', x, x**2, 'bs', x, x**3, 'g^')
plt.show()
图表显示结果为：
3.直方图
直方图也是一种常用的简单图表，本例中我们在同一张图片中绘制两个概率直方图。
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
mu1, sigma1 = 100, 15
mu2, sigma2 = 80, 15
x1 = mu1 + sigma1 * np.random.randn(10000)
x2 = mu2 + sigma2 * np.random.randn(10000)
n1, bins1, patches1 = plt.hist(x1, 50, density=True, facecolor='g', alpha=1)
n2, bins2, patches2 = plt.hist(x2, 50, density=True, facecolor='r', alpha=0.2)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.xlabel('智商')
plt.ylabel('置信度')
plt.title('IQ直方图')
plt.text(110, .025, r'$mu=100, sigma=15$')
plt.text(50, .025, r'$mu=80, sigma=15$')
# 设置坐标范围
plt.axis([40, 160, 0, 0.03])
plt.grid(True)
plt.show()
显示效果为：
4.条形图
我们要介绍的第四种，图表类型是条形图，我们这儿引入稍微比较复杂的条形图。
4.1平行条形图
此例中，我们引入三组（a,b,c）5个随机数（0~1），并用条形图打印出来，做比较
import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
x = np.arange(size)
total_width, n = 0.8, 3
width = total_width / n
# redraw the coordinates of x
x = x - (total_width - width) / 2
# here is the offset
plt.bar(x, a, width=width, label='a')
plt.bar(x + width, b, width=width, label='b')
plt.bar(x + 2 * width, c, width=width, label='c')
plt.legend()
plt.show()
显示效果为：
4.2堆积条形图
数据同上，不过条形plot的时候，用的相互的值大小差异（水平方向），而不是条柱平行对比。
import numpy as np
import matplotlib.pyplot as plt
size = 5
a = np.random.random(size)
b = np.random.random(size)
c = np.random.random(size)
x = np.arange(size)
plt.bar(x, a, width=0.5, label='a',fc='r')
plt.bar(x, b, bottom=a, width=0.5, label='b', fc='g')
plt.bar(x, c, bottom=a+b, width=0.5, label='c', fc='b')
plt.ylim(0, 2.5)
plt.legend()
plt.grid(True)
plt.show()
显示效果为：
5.饼图
饼图是对比数量比例的最佳显示方式。
5.1一般饼图
ABCD四个数据，我们以饼图方式显示器大小对比。
import matplotlib.pyplot as plt
labels = 'A', 'B', 'C', 'D'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)
plt.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
shadow=True, startangle=90)
plt.axis('equal')
plt.show()
显示效果为：
5.2嵌套饼图
import numpy as np
import matplotlib.pyplot as plt
size = 0.3
vals = np.array([[60., 32.], [37., 40.], [29., 10.]])
cmap = plt.get_cmap("tab20c")
outer_colors = cmap(np.arange(3)*4)
inner_colors = cmap(np.array([1, 2, 5, 6, 9, 10]))
print(vals.sum(axis=1))
# [92. 77. 39.]
plt.pie(vals.sum(axis=1), radius=1, colors=outer_colors,
wedgeprops=dict(width=size, edgecolor='w'))
print(vals.flatten())
# [60. 32. 37. 40. 29. 10.]
plt.pie(vals.flatten(), radius=1-size, colors=inner_colors,
wedgeprops=dict(width=size, edgecolor='w'))
# equal makes it a perfect circle
plt.axis('equal')
plt.show()
显示效果为：
5.3极轴饼图
极轴饼图是一种非常酷的图表，让我们看他的源码：
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(19680801)
N = 10
theta = np.linspace(0.0, 2 * np.pi, N, endpoint=False)
radii = 10 * np.random.rand(N)
width = np.pi / 4 * np.random.rand(N)
ax = plt.subplot(111, projection='polar')
bars = ax.bar(theta, radii, width=width, bottom=0.0)
for r, bar in zip(radii, bars):
bar.set_facecolor(plt.cm.viridis(r / 10.))
bar.set_alpha(0.5)
plt.show()
显示效果为：
6.3D图表
3D图表也是能我们展示出超想象力的视觉效果的图表。
6.1三维散点图
首先来看看三维的散点图，源码：
import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
data = np.random.randint(0, 255, size=[40, 40, 40])
x, y, z = data[0], data[1], data[2]
ax = plt.subplot(111, projection='3d')
ax.scatter(x[:10], y[:10], z[:10], c='y')
ax.scatter(x[10:20], y[10:20], z[10:20], c='r')
ax.scatter(x[30:40], y[30:40], z[30:40], c='g')
ax.set_zlabel('Z')
ax.set_ylabel('Y')
ax.set_xlabel('X')
plt.show()
显示效果为：
6.2 3D平面图
我们要用到mpl_toolkits.mplot3d这个3D模块包，安装这个包后，绘制一个超酷的3D图只需两行代码：
from matplotlib import pyplot as plt
import numpy as np
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
显示效果为：
怎么样，效果很酷把，好今天虫虫就给大家介绍到这里，如果你有任何问题，或者需要本文提到的源码包，请关注虫虫，给虫虫留言。
