pyplot的一些知识

matplotlab中的对象:

matplotlib是面向对象的,在画图的时候我们了解一些对象,对我们画图是有帮助的。绘图的对象大致分为三层:

  • backend_bases.FigureCanvas : 图表的绘制领域
  • backend_bases.Renderer : 知道如何在FigureCanvas上绘图
  • artist.Artist : 知道如何使用Renderer在FigureCanvas上绘图

这些是一层一层封装起来的,从底层到高层依次为上面的画布->颜料->画家(canvas->renderer->artist)。但是我们平时画图的时候,基本是使用最上层的封装Artist。我们在画图的时候使用的Figure,Axes,Axis都属于Artist对象。关于这三者的区分是这样的,Figure是我们运行程序后生成的图片,Axes是一个坐标系(最常用的是笛卡尔坐标系,当然还有极坐标系等),我们在这个坐标系上面绘制出我们的图形,Axis是一个坐标轴,比如笛卡尔坐标系中的X轴或者Y轴。

使用pyplot进行画图:

当我们进行画图的时候,需要有个figure还有一个axes,假如我们没有指定的话,pyplot会默认为我们指定一个。用plt.plot()进行绘图的时候,默认的是使用当前figure的当前axes进行绘图。

使用subplot的时候,它返回一个axes供我们画图,subplot传入的前三个参数是nrows,ncols,index。它表示的是我们在一个figure当中有 nrow*ncols个axes,我们使用第index个axes来进行画图。 当这些值均小于10的时候,可以直接将这三个数写为一个三位数。比如plt.subplot(1,2,1) 和 plt.subplot(121)是一样的,都表示创建一行两列个axes,并且返回第第一个axes让我们来画图。

除了可以指定多个axes以外,还可以指定多个figure, fig1 = plt.figure(1), fig2 = plt.figure(2)等。当number不存在的时候,会创建一个新的figure,当这个number是已经存在的figure.number的时候,它会切换到那个figure。

总之,pyplot是在当前figure上面的当前axes进行画图的艺术。

经典的画图的例子是这样的,来自 官网Multiple subplots

import numpy as np
import matplotlib.pyplot as plt x1 = np.linspace(0.0, 5.0)
x2 = np.linspace(0.0, 2.0)
y1 = np.cos(2 * np.pi * x1) * np.exp(-x1)
y2 = np.cos(2 * np.pi * x2) plt.subplot(2, 1, 1)
plt.plot(x1, y1, 'o-')
plt.title('A tale of 2 subplots')
plt.ylabel('Damped oscillation') plt.subplot(2, 1, 2)
plt.plot(x2, y2, '.-')
plt.xlabel('time (s)')
plt.ylabel('Undamped') plt.show()

上面使用了两个axes,(假如使用fig = plt.figure()会更加的正规)画出的图形是这样的:

其实这里主要是让你明白画图的时候figure还有axes的概念,当我们画一个图的时候,总是画在一个特定的figure的特定axes上面。

plt还有一个subplots方法,返回一个figure还有一组axes,这在我们绘制过个图形当中非常的重要,在本文的最后将会看到例子。

Seaborn进行画图

seaborn是基于matplotlib进行的更上一层的封装,如果说matplotlib是将容易的事情变容易,难的事情成为可能,那么seaborn是将难的事情变的容易。下面我将用一些简答的例子来说明seaborn的绘图,更详细的用法可以参考官网的API

进行数据的准备:

import seaborn as sns
from matplotlib import pyplot as plt
#导入数据
titanic = sns.load_dataset('titanic')
#做一些简单的缺失值处理
titanic = titanic.drop('deck', axis=1)
titanic['age'].fillna(titanic['age'].median(), inplace=True)
titanic['embark_town'].fillna(titanic['embark_town'].mode()[0], inplace=True)
titanic['embarked'].fillna(titanic['embarked'].mode()[0], inplace=True)

FacetGrid:观察多变量之间的关系

假如想要观察多变量之间的关系,我们可以使用FacetGrid。

FacetGrid 可以指定三个和我们想要观察变量有关的变量,看他们对于目标变量的影响情况。row, col, hue分别是行,列,颜色。FacetGrid使用的一般流程是先创建FacetGrid对象,指定data,row,col,hue等信息,然后使用map来进行画图,这期间可以调用pyplot的函数,也可以调用seaborn的函数。

grid = sns.FacetGrid(titanic, row='pclass', col='survived')
grid.map(plt.hist, 'age', bins=20)
plt.show()

从下面的图片可以看出来,我们要观察在不同的pclass和survived的情况下我们的age分布情况,这个时候,我们可以把survived指定为列,pclass指定为行, 在map函数里面,第一个为指定的函数的绘图方式,后面为该方式所使用的变量,该绘图方式既可以是plt里面的方法,也可以是seaborn里面的方法。

分类变量

seaborn提供了很多绘制分类变量的方法,下面介绍一些

pointplot: 可以进行点图的绘制

sns.pointplot( x='class',y='age',  data=titanic)
plt.show()

countplot:  可以对变量进行计数

sns.countplot(x='class', hue='sex',  data=titanic)
plt.show()

barplot:柱状图,可以看点估计和置信区间

sns.barplot(x='class', y='age',  data=titanic)
plt.show()

boxplot 线箱图,可以发现异常值

sns.boxplot( x='class',y='fare',  data=titanic)

factorplot

factorplot本身是为分类变量准备的,它可以画上面的所有类型的分类变量的图,只需要指定kind类型就可以,包含{point, bar, count, box, violin, strip},默认的情况是点图.

还有一些函数可以观察多个变量之间的关系

pairplot 绘制两两变量之间的关系

sns.pairplot(data=titanic)
plt.show()

heatmap 可以展示出变量的相关情况

sns.heatmap(titanic.corr())
plt.show()

这里的一些参数要说明一些:

cmap:控制数字和色彩对应的参数。使用不同的参数,彩色条是不一样的。

cbar: 布尔类型,是否设置右边的彩条。

annot:bool类型或者矩形数据集。是否在显示每个方格的注释(annotate),即里面是不是显示内容。

annot_kws:配合annot使用,为ax.text的参数。

square:bool类型,如果为True,那么设置每个方格的大小相等。

在一个figure上面绘制多个axes

上面的绘图情况都是默认使用当前figure的当前axes,并且一个figure上面有一个axes,假如你想要在一个figure上面绘制多个axes的话,可以使用subplots和seaborn函数当中的ax参数

fig, (ax1, ax2, ax3) = plt.subplots(1,3, figsize=(15,5))
#我们在这里生成一个fig和三个axes,在下面绘图的时候只需要用ax参数来指定特定的axes就可以了
sns.barplot(x='class', y='age', data=titanic, ax=ax1)
sns.countplot(x='sex', data=titanic, ax=ax2)
sns.distplot(titanic['age'], ax=ax3)
plt.show()

参考:

matplotlib核心概念

绘图: matplotlib核心剖析

Python图表绘制:matplotlib绘图库入门

使用pyplot和seaborn进行画图的更多相关文章

  1. Seaborn基础画图实例

    使用seaborn画图时,经常不知道该该用什么函数.忘记函数的参数还有就是画出来的图单调不好看. 所以,本人对seaborn的一些常用的画图函数,并结合实例写成了代码,方便以后查询和记忆. 若代码或注 ...

  2. ubuntu之路——day3(本来打算做pytorch的练习 但是想到前段时间的数据预处理的可视化分析 就先总结一下)

    首先依托于一个场景来进行可视化分析 直接选了天池大数据竞赛的新人赛的一个活跃题目 用的方式也是最常用的数据预处理方式 [新人赛]快来一起挖掘幸福感!https://tianchi.aliyun.com ...

  3. python数据可视化——matplotlib 用户手册入门:pyplot 画图

    参考matplotlib官方指南: https://matplotlib.org/tutorials/introductory/pyplot.html#sphx-glr-tutorials-intro ...

  4. seaborn模块的基本使用

    Seaborn是基于matplotlib的Python可视化库. 它提供了一个高级界面来绘制有吸引力的统计图形.Seaborn其实是在matplotlib的基础上进行了更高级的API封装,从而使得作图 ...

  5. linux 使用 Python 画图工具matplotlib 提示display 错误

    import matplotlib.pyplot as plt Traceback (most recent call last): File "<stdin>", l ...

  6. Python数据可视化的10种技能

    今天我来给你讲讲Python的可视化技术. 如果你想要用Python进行数据分析,就需要在项目初期开始进行探索性的数据分析,这样方便你对数据有一定的了解.其中最直观的就是采用数据可视化技术,这样,数据 ...

  7. python基础全部知识点整理,超级全(20万字+)

    目录 Python编程语言简介 https://www.cnblogs.com/hany-postq473111315/p/12256134.html Python环境搭建及中文编码 https:// ...

  8. 巩固复习(Hany驿站原创)_python的礼物

    Python编程语言简介 https://www.cnblogs.com/hany-postq473111315/p/12256134.html Python环境搭建及中文编码 https://www ...

  9. 转载: scikit-learn学习之K-means聚类算法与 Mini Batch K-Means算法

    版权声明:<—— 本文为作者呕心沥血打造,若要转载,请注明出处@http://blog.csdn.net/gamer_gyt <—— 目录(?)[+] ================== ...

随机推荐

  1. 2016 ACM ICPC Asia Region - Tehran

    2016 ACM ICPC Asia Region - Tehran A - Tax 题目描述:算税. solution 模拟. B - Key Maker 题目描述:给出\(n\)个序列,给定一个序 ...

  2. KVC, KVO 实现原理

    Key-Value Coding: 键值编码 (KVC) 方法调用: // 对象属性 // 类似: Person -> name setValue: forKey: // 对象的属性或者 属性的 ...

  3. java的loadrunner脚本案例

    /* * LoadRunner Java script. (Build: 670) *  * ״̬£º²¢·¢²âÊÔͨ¹ý * ²âÊÔÈË£ºÕÔС±ò * ÈÕÆÚ£º2013-09-2 ...

  4. 百度2017春招<空间中最大三角形面积的问题>

    题目: 三维空间中有N个点,每个点可能是三种颜色的其中之一,三种颜色分别是红绿蓝,分别用'R', 'G', 'B'表示. 现在要找出三个点,并组成一个三角形,使得这个三角形的面积最大.但是三角形必须满 ...

  5. DBCP object created 日期 by the following code was never closed:

    1.分析 看到标题 DBCP 首先想到的肯定是 数据库连接池哪方面有问题,那么先别着急去解决,不要一股脑就钻进逻辑代码中,然后启用调试就开始一步一步 的分析.我们首先要做的就是想,想想数据库连接池,在 ...

  6. 5.rabbitmq 主题

    1.生产者 #!/usr/bin/env python import pika import sys connection = pika.BlockingConnection(pika.Connect ...

  7. POJ 2186 Popular cows(Kosaraju+强联通分量模板)

    题目链接:http://poj.org/problem?id=2186 题目大意:给定N头牛和M个有序对(A,B),(A,B)表示A牛认为B牛是红人,该关系具有传递性,如果牛A认为牛B是红人,牛B认为 ...

  8. 以太坊go-ethereum客户端docker安装(二)开发(dev)环境搭建

    在上一篇博客中,讲述了基于docker怎么搭建一个go-ethereum节点.作为开发人员,如果只是单纯的拥有一个Full node,还无法满足正常的开发.比如说,进行转账交易,你要考虑是否拥有一定的 ...

  9. csu 1329 一行盒子(链表操作)

    1329: 一行盒子 Time Limit: 1 Sec  Memory Limit: 128 MB Submit: 693  Solved: 134 [Submit][Status][Web Boa ...

  10. 关于node.js的模块查找顺序(require.resolve())

    前几天社团群里有人问了阿里秋季前端笔试的一道题,想起来以前在官方文档看到过查找模块的算法,干脆自己写一写…… 官方的require.resolve实现在这里. 因为我只是想看看查找过程,所以就直接把会 ...