python matplotlib繪畫十一種常見資料分析圖

2022-06-21 14:08:54

1. 折線圖

折線圖（Line Chart）是一種將資料點按照順序連線起來的圖形，也可以看作是將散點圖按照X軸座標順序連結起來的圖形。折線圖的主要功能是檢視因變數y隨著自變數x改變的趨勢，最適合用於顯示隨時間（根據常用比例設定）而改變的連續資料。同時，還可以看出數量的差異

繪製折線圖plot的格式：

matplotlib.pyplot.plot(*args,**kwargs)

color引數的8種常用的縮寫見表

表2 color引數的常用顏色縮寫：

plt.plot繪製折線圖程式碼展示：

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
x = np.arange(9)
y = np.sin(x)
z = np.cos(x)
#marker資料點樣式，linewidth線寬，linestyle線型樣式，color顏色
plt.plot(x,y,marker='*',linewidth=1,linestyle='--',color='orange')
plt.plot(x,z)
plt.title('matplotlib AK')
plt.xlabel('height',fontsize=15)
plt.ylabel('width',fontsize=15)
#設定圖例
plt.legend(['Y','Z'],loc='upper right')
plt.grid(True)
plt.show()

2. 散點圖

散點圖（Scatter Diagram）又稱為散點分佈圖，是以一個特徵為橫座標，另一個特徵為縱座標，使用座標點（散點）的分佈形態反映特徵間統計關係的一種圖形。值時由點在圖表中的位置表示，類別是由圖表中的不同標記表示，通常用於比較跨類別的資料

scatter方法的格式：

 matplotlib.pyplot.scatter(x,y,s=None,c=None,marker=None,alpha=None)

scatter函數主要引數及其說明見表3scatter的主要引數及其說明

scatter繪圖範例1：

fig.ax = plt.subplots()
plt.rcParams['font.family'] = ['SimHei']      #用來顯示中文標籤
plt.rcParams['axes.unicode_minus'] = False   #用來正常顯示符號
x1 = np.arange(1,30)
y1 = np.sin(x1)
ax1 = plt.subplot(1,1,1)
plt.title('散點圖 AK')
plt.xlabel('X')
plt.ylabel('Y')
lvalue = x1
ax1.scatter(x1,y1,c='r',s=100,linewidths=lvalue,marker='o')
plt.legend('x1')
plt.show()，

scatter繪圖範例2：

fig,ax = plt.subplots()
plt.rcParams['font.family'] = ['SimHei']      #用來顯示中文標籤
plt.rcParams['axes.unicode_minus'] = False   #用來正常顯示符號
for color in ['red','green','blue']:
    n = 500
    x,y = np.random.randn(2,n)
    ax.scatter(x,y,c=color,label=color,alpha=0.3,edgecolor='none')
ax.legend()
ax.grid(True)
plt.show()

3. 直方圖

直方圖（Histogram）又稱質量分佈圖，是統計報告圖的一種，由一系列高度不等的縱向條紋或線段表示資料分佈的情況，一般用橫軸表示資料所屬類別，縱軸表示數量或者佔比。用直方圖可以比較直觀地看出產品質量特性的分佈狀態，便於判斷其總體質量分佈情況。直方圖可以發現分佈表無法發現的資料模式、樣本的頻率分佈和總體的分佈。

繪製直方圖函數bar格式：

matplotlib.pyplot.bar(left,height,width = 0.8,bottom = None,hold = None,data = None)

函數bar的常用引數及其說明見下表4

表4 bar常用引數及其說明：

bar繪圖範例1：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
fig,axes = plt.subplots(2,1)
data = pd.Series(np.random.randn(16),index=list('abcdefghijklmnop'))
data.plot.bar(ax = axes[0],color='k',alpha=0.7)
data.plot.barh(ax = axes[1],color='k',alpha=0.7)

bar繪圖範例2：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.family'] = ['SimHei']      #用來顯示中文標籤
plt.rcParams['axes.unicode_minus'] = False   #用來正常顯示符號
fig,ax = plt.subplots()
x = np.arange(1,6)
y1 = np.random.uniform(1.5,1.0,5)
y2 = np.random.uniform(1.5,1.0,5)
plt.bar(x,y1,width = 0.35,facecolor='lightskyblue',edgecolor = 'white')
plt.bar(x+0.35,y2,width = 0.35,facecolor='yellowgreen',edgecolor = 'white')
plt.show()

4. 餅圖

餅圖（Pie Graph）用於表示不同分類的佔比情況，通過弧度大小來對比各種分類，餅圖可以比較清楚的反映出部分與部分、部分與整體之間的比例關係，易於顯示每組資料相對於總數的大小，而且顯現的方式直觀。

繪製餅圖pie方法的格式：

matplotlib.pyplot.pie(x,explode = None,labels = None,color = None,autopct = None,
pctdistance = 0.6,shadow=false,labeldistance=1.1,startangle=None,radius=None,...)

pie函數常用引數及其說明見表5

表5 pie函數常用引數及其說明：

pie繪圖範例：

plt.figure(figsize=(6,6))
#建立軸的大小
labels = ['Springs','Summer','Autumn','Winter']
x = [15,30,45,10]
explode = (0.05,0.05,0.05,0.05)
#這個是控制分離的距離的，預設餅圖不分離
plt.pie(x,labels = labels,explode = explode,startangle = 60,autopct='%1.1f%%')
#autopct在圖中顯示比例值，注意值的格式
plt.title('Rany days by season')
plt.show()

5. 箱線圖

箱線圖（Boxplot）也稱盒須圖，通過繪製反映資料分佈特徵的統計量，提供有關資料位置和分散情況的關鍵資訊，尤其在比較不同特徵時，更可表現其分散程度差異。箱線圖使用資料中的5個統計量（最小值，下四分位數，中位數，上四分位數和最大值）來描述資料，它可以粗略地看出資料是否具有對稱性，分佈的分散程度等資訊，特別可以用於對幾個樣本的比較，還可以粗略檢測異常值。

boxplot函數的格式：

matplotlib.pyplot.boxplot(x,notch = None,sym = None,vert = None,whis = None,
positions = None,width = None,patch_artist = None,
meanline = None,labels = None,...)

boxplot函數常用引數及其說明見表6

表6 boxplot函數常用引數及其說明：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
np.random.seed(2)#設定隨機種子
df = pd.DataFrame(np.random.rand(5,4),columns = ['A','B','C','D'])
#生成0~1的5*4維度資料並存入4列DataFrame中
df.boxplot()
plt.show()

6.概率圖

概率圖模型時圖靈獲得者Pearl提出的用來表示變數間概率依賴關係的理論，正態分佈又名高斯分佈。正太概率密度函數normpdf(X,mu,sigma)，其中，X為向量，mu為均值，sigma為標準差。

繪製概率圖：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.stats import norm
fig,ax = plt.subplots()
plt.rcParams['font.family'] = ['SimHei']      #用來顯示中文標籤
plt.rcParams['axes.unicode_minus'] = False   #用來正常顯示符號
np.random.seed(1587554)
mu = 100
sigma = 15
x = mu+sigma*np.random.randn(437)
num_bins = 50
n,bins,patches = ax.hist(x,num_bins,density=1,stacked=True)
y = norm.pdf(bins,mu,sigma)
ax.plot(bins,y,'--')
fig.tight_layout()
plt.show()

7.雷達圖

雷達圖也稱網路圖、星圖、蜘蛛網圖、不規則多邊形、極座標圖等。雷達圖是以從同一點開始的軸上表示的三個或更多個定量變數的二維圖表的形式顯示多變數資料的圖形方法。軸的相對位置和角度通常是無資訊的。雷達圖相當於平行座標圖，軸徑向排列。

繪製某學生成績資訊的雷達圖

import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
#某學生的課程與成績
courses = ['資料結構','資料視覺化','高數','英語','軟體工程','組成原理','C語言','體育']
scores = [82,95,78,85,45,88,76,88]
dataLength = len(scores) #資料長度
#angles陣列把圓周等分為dataLength份
angles = np.linspace(0,2*np.pi,dataLength,endpoint=False)
scores.append(scores[0])
angless = np.append(angles,angles[0])  #閉合
#繪製雷達圖
plt.polar(angless,   #設定角度
      scores,   #設定各個角度上的資料
      'rv--',   #設定顏色、線型和端點符號
      linewidth=2)  #設定線寬
#設定角度網路標籤
plt.thetagrids(angles*180/np.pi,courses,fontproperties='simhei',fontsize=12,color='k')
#填充雷達圖內部
plt.fill(angless,scores,facecolor='g',alpha=0.2)
plt.show()

8.流向圖

在運輸問題中，常常需要表明產地的產量、銷地的銷量，以及流向和流量的交通圖，此時可以用到流向圖。流向圖能夠直觀地展示資料流向，揭示出運動中的一些規律或現象。

流向圖繪製：

import numpy as np
import matplotlib.pyplot as plt
Y,X = np.mgrid[-3:3:100j,-3:3:100j]
U = -1-X**2+Y
V = 1+X-Y**2
speed = np.sqrt(U*U+V*V)
plt.streamplot(X,Y,U,V,color=U,linewidth = 2,cmap = plt.cm.autumn)
plt.colorbar()
f,(ax1,ax2) = plt.subplots(ncols=2)
ax1.streamplot(X,Y,U,V,density=[0.5,1])
lw = 5*speed/speed.max()
ax2.streamplot(X,Y,U,V,density=0.6,color='k',linewidth=lw)
plt.show()

9.繪圖中的表格設定

在繪圖中，有時候需要同時顯示資料表格。Matplotlib在繪圖中提供了table方法可以同時顯示資料表格

在繪圖中顯示資料表格;

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.family'] = ['SimHei']
data = [[66386,174296,75131,577908,32015],
        [58230,381139,78045,99308,160454],
        [89135,80552,152558,497981,603535],
        [78415,81858,150656,193263,69638],
        [139361,331509,343164,781380,52269]]
columns = ('Freeze','Wind','Flood','Quake','Hail')
rows = ['%d year'% x for x in (100,50,20,10,5)]
values = np.arange(0,2500,500)
value_increment = 1000
colors = plt.cm.BuPu(np.linspace(0,0.5,len(columns)))
n_rows=len(data)
index = np.arange(len(columns))+0.3
bar_width=0.4
y_offset = np.array([0.0]*len(columns))
cell_text = []
for row in range(n_rows):
    plt.bar(index,data[row],bar_width,bottom=y_offset)
    y_offset = y_offset+data[row]
    cell_text.append(['%1.1f'%(x/1000.0) for x in y_offset])
colors = colors[::-1]
cell_text.reverse()
the_table = plt.table(cellText=cell_text,
                     rowLabels=rows,
                     rowColours = colors,
                     colLabels = columns,
                     loc = 'bottom')
plt.subplots_adjust(left=0.2,bottom=0.2)
plt.ylabel("Loss in ${0}'s".format(value_increment))
plt.yticks(values*value_increment,['%d' % val for val in values])
plt.xticks([])
plt.title('氣象災害損失')
plt.show()

10. 極座標圖

在平面投影中，由X軸和Y軸定位座標；而在極座標投影中，需要以半徑和角度的形式定位座標。極座標投影中的半徑以圓半徑的大小顯示，並且以每個角度為0°的圓的角度為起點投影角度。要生成極座標投影，需要將投影型別定義為極座標。

繪製極座標圖:

import numpy as np
import matplotlib.pyplot as plt
r = np.linspace(0,2,100)
theta = 2*np.pi*r
fig = plt.figure(figsize=(13,4))
ax1 = plt.subplot(121,projection='polar')
ax1.scatter(theta,r,label='Polar Projection',s=10)
ax1.legend(bbox_to_anchor=(0.85,1.35))
ax2 = plt.subplot(122)
ax2.scatter(theta,r,label='Polar Projection',s=10)
ax2.legend(bbox_to_anchor=(0.85,1.35))
ax2.set_xlabel('R')
ax2.set_ylabel(r'$theta$')