我的Python分析成长之路10

matplot数据可视化基础

　　制作提供信息的可视化（有时称作绘图）是数据分析中最重要任务之一。

1.图片（画布）与子图

　　　　plt.figure ：创建一张空白的图片，可以指定图片的大小、像素。

　　　　figure.add_subplot:添加子图，可以指定子图的行数、列数和选中图片的编号。

　　　　如果使用plt.subplots(),它创建了一张图片，然后返回包含了已生成子图对象的Numpy数组

　　　　plt.subplots选型：

　　　　　　　　　　nrow:子图的行数

　　　　　　　　　　ncols:子图的列数

　　　　　　　　　　sharex:所有子图使用相同的x轴刻度

　　　　　　　　　　sharey:所有子图使用相同的y轴刻度

　　　　

 import numpy as np
 import matplotlib.pyplot as plt
 plt.rcParams["font.sans-serif"] = "SimHei"  #设置中文显示
 plt.rcParams["axes.unicode_minus"] = False     #设置正常符号
 #没有子图的绘图
 x = np.arange(0,1,0.01)
 y = x**2
 y2 = x**4
 plt.plot(x,y)
 plt.plot(x,y2)
 plt.show()
 #有子图的绘制方法
 fig = plt.figure(figsize=(8,5))
 ax1 = fig.add_subplot(2,1,1)
 ax1.plot(x,y)
 ax2 = fig.add_subplot(2,1,2)
 ax2.plot(x,y2)
 plt.show()
 #用plt.subplots方法
 fig,axes = plt.subplots(2,1,sharex=True)
 axes[0].plot(x,y)
 axes[1].plot(x,y2)
 plt.show()

2.添加各类标签和图例的常用函数

　　　　plt.title  为当前图形添加标题，可以指定标题的名称、位置、颜色、大小等参数

　　　　plt.xlabel  为当前图形添加x轴名称，可以指定位置、颜色、大小等参数

　　　　plt.ylabel:为当前图形添加y轴名称，可以指定位置、颜色、字体大小等参数

　　　　plt.xlim：指定当前图形x轴的范围,只能确定一个数值区间,而无法使用字符串标识

　　　　plt.ylim:指定当前图形y轴的范围，只能确定一个数值区间,而无法使用字符串标识

　　　　plt. xticks:指定x轴数目与取值

　　　　plt.yticks:指定y轴刻度的数目与取值

　　　　plt.legend:根据当前图形的图例，可以指定图例的大小、位置、标签。

　　　　plt.savefig("filename")：保存图片

　　　　text/arrow/annote方法添加注释和文本

　　　　

 import numpy as np
 import matplotlib.pyplot as plt
 plt.rcParams["font.sans-serif"] = "SimHei"
 plt.rcParams["axes.unicode_minus"] = False
 x = np.arange(0,1,0.01)
 y1 = x**2
 y2 = x**4
 plt.plot(x,y1,"g--")
 plt.plot(x,y2,"b-")
 plt.xlabel("x")  #设置x轴类标
 plt.ylabel("y")  #设置y轴类标
 plt.xlim([0,1])  #设置x范围
 plt.ylim([0,1])    #设置y范围
 plt.title("x**2和x**4函数")  #添加标题
 plt.legend(["Y1","Y2"],loc="best")   #
 plt.show()

3.设置pyplot的rc参数

　　　　 lines.linestyle:线条样式

　　　   lines.linewidth:线条宽度

　　　　lines.marker:线条上的点的形状

　　　　lines.markersize:点的大小

4.分析特征间的相互关系

　　　　1.柱状图:

　　　　　　　　plot.bar():绘制垂直方向上的柱状图

　　　　　　　　plot.barh()：绘制水平方向上的柱状图

　　　　

 import matplotlib.pyplot as plt
 import pandas as pd
 fig,axes = plt.subplots(2,1)
 data = pd.Series(np.random.rand(16),index=list("abcdefghijklmnop"))
 data.plot.bar(ax=axes[0],color='k')
 data.plot.barh(ax=axes[1],color="r")
 plt.show()
 df = pd.DataFrame(np.random.rand(6,4),index=["one","two","three","four","five","six"],
                   columns=pd.Index(["a","b","c","d"],name="Genus"))
 df.plot.bar()
 df.plot.barh(stacked=True)
 plt.show()

　　　　2.直方图和密度图:

　　　　　　　　直方图是一种条形图，用于给出值频率的离散显示。数据被分隔成离散的，均匀间隔的箱，并且绘制每个箱中数据点的数量.一般用横轴表示　　　　　　　　数据类型，用纵轴表示数量或者占比。

　　　　　　　　plot.hist()

　　　　　　　　密度图是一种与直方图相关的图表类型，它通过计算可能产生观测数据的连续概率分布估计而产生的。 密度图也称为内核密度估计图　　　　　　　　　　  （KED）

　　　　　　　　plot.density()

　　　　　　　　seabon.distplot()可以绘制直方图和连续密度估计

 t seaborn as sns
 import pandas as pd
 import matplotlib.pyplot as plt
 data1 = pd.Series(np.random.normal(0,1,size=200))
 data2 = pd.Series(np.random.normal(10,2,size=200))
 data3 = pd.Series(np.concatenate([data1,data2]))
 # print(data3)
 sns.distplot(data3,bins=100,color="k")
 plt.show()

　　　　3.散点图

　　　　　　　　散点图，又称散点分布图，是一个以一个特征为横坐标，以另一个特征为纵坐标，利用坐标点的分布状态反映特征间的统计关系的一阵图　　　　　　　　　形。主要用于分析特征间的相互关系，散点图可以提供两类关键信息。1.特征之间是否存在数值或数量之间的关联趋势，关联趋势是线性　　　　　　　　   还是非线性的。2.如果从某一个点或者某几个点偏离大多数　　　　点，则这些点就是离群值，从而分析这些离群值是否在建模分析中产生　　　　　　　   很大的关系。散点图通过散点的疏密程度和变化趋势表示两个特征的数量关系。

　　　　plt.scatter(x,y,s=None,c=None,marker=None)  c:代表颜色，marker：绘制点的类型

　　　　seaborn.pairplot(data,diag_kind="kde",{“plot_kws”:0.2}) 可以支持在对角线上放置每个变量的直方图或密度估计图

　　　　4.折线图

　　　　　　　　折线图是一种将数据点按照顺序连接起来的图形。查看因变量y随自变量x改变的趋势，最适合于显示随时间而变化的连续数据.

　　　　　　　　plt.plot()

　　　　5.饼图

　　　　　　　　饼图是将各项大小与各项总和的比例显示在一张“饼”上，以“饼”的大小确定所占的比例。

　　　　　　　　plt.pie（x,explode,labels,autopct,octdistance,labeldistance,radius）

　　　　　　　　explode:设定各项距离圆心n个半径

　　　　　　　　label：饼图的标签

　　　　　　　　autupct:指定数值的显示方式

　　　　6.箱型图

　　　　　　　　箱型图也称箱须图，其绘制需要常用的统计量，能提供有关数据位置和分散情况的关键信息，尤其在比较不同特征时，更可表现其分散程度 　　　　　　　　差异。箱型图利用数据中的5个统计量（最小值、下四分位数、中位数、上四分位数、和最大值）来描述数据。

　　　　　　　　plt.boxplot（x,menline） meanline:是否显示中值