在本章中，我們將學習如何在Python中生成圖形和圖表，同時將使用函數和面向對象的方法來可視化數據。

Python中常用的一些可視化數據包括以下幾種。

• Matplotlib。
• Seaborn。
• ggplot。
• Geoplotlib。
• Bokeh。
• Plotly。

在本章中將使用Matplotlib可視化數據包。此外，還將學習其他有用庫的編碼。

1　折線圖

折線圖(Line Chart)是將一系列數據點通過直線連接起來的圖表，它提供了一個參數對另一個參數的簡單行為，常用于顯示隨著時間推移的趨勢。可以使用折線圖來比較相關的特征。

在Jupyter Notebook中生成第一張圖表。

首先導入所需要的庫。

import matplotlib.pyplot as plt

默認情況下， Matplotlib打開新的窗口以顯示結果。如果想在當前Notebook頁面看到結果，可以使用如下所示的命令。

%matplotlib inline

其次需要設置兩個軸的數據。在x

軸上獲取1～15的數據， y

軸選取平均值為50且標準差為10的隨機數據。

# 1~15的一維數 a = range(1,16) #使用均值和標準差生成另一數據上的隨機整數mean = 50 sigma = 10 b = numpy.random.normal(mean, sigma, 15).astype(int)

現在，只需運行下方的繪圖命令，折線圖就會出現，結果如圖1所示。

plt.plot(a,b)

圖1

也可以使用下面的代碼改變線條的顏色，結果如圖2所示。

#定義顏色plt.plot(a,b,color='Red')

圖2

通過ls和lw變量可以改變線的類型及其寬度，結果如圖3所示。

#改變線的類型和寬度plt.plot(a,b,ls='--',lw=4)

圖3

通過下面的命令可以在每個數據點上添加標記，結果如圖4所示。

#定義標記和標記寬度plt.plot(a,b,marker='3',mew=10)

圖4

也可以繪制Pandas DataFrame中的折線圖。

sales_in_Delhi = [34,45,33,45,49] sales_in_Pune = [12,13,6,14,10] sales_in_Mumbai = [67,78,90,75,85] sales =pandas.DataFrame({'Delhi':sales_in_Delhi,'Pune':sales_in_Pune,'Mumbai':sales_in_Mumbai})

為了繪制折線圖，可以使用以下命令。 xticks和yticks用于設置數軸上的有效范圍，結果如圖5所示。

sales.plot(xticks=range(1,5),yticks=range(0,100,20))

圖5

為不同的線條定義顏色，結果如圖6所示。

#定義顏色選項colors = ['Red','Green','Black'] sales.plot(xticks=range(1,5),yticks=range(0,100,20),color=colors)

圖6

2　條形圖

條形圖(Bar Chart)常用于分析分組數據，它一般與分類數據一起使用，用來可視化其他變量對每一類別的影響。條形圖為每個類別創建一個矩形。例如，有3個類別的城市，我們希望了解這些城市中的車輛數量。通過使用條形圖，可以生成3個矩形(每個矩形代表一個城市)，同時高度表示車輛數量。條形圖顯示了在每個類別的觀察次數。

使用下面的代碼繪制條形圖，結果如圖7所示。

plt.bar(a,b)

圖7

也可以從Pandas中生成條形圖。默認情況下， plot函數生成折線圖。可以指示函數生成條形圖，結果如圖8所示。

sales.plot(kind='bar')

圖8

3　餅圖

餅圖(Pie Chart)將整個數據表示為一個圓。根據不同類別的比例沿圓圈制作切片。例如，對3個城市的車輛進行分析，餅圖中展示了一個城市相比于其他城市的車輛比例。如果想在一個統一的規模下比較每個類別，餅圖是非常合適的。

通過使用以下命令生成餅圖，結果如圖9所示。

a = [3,4,5,7,12] plt.pie(a,labels=['AA','BB','CC','DD','EE'])

圖9

定義每個切片的顏色，結果如圖10所示。

#為每個類別定義顏色color_list = ['Red','Green','Blue','Yellow','Grey'] plt.pie(a,labels=['AA','BB','CC','DD','EE'],colors=color_list)

圖10

4　直方圖

直方圖(Histograms)是統計學中廣泛應用的圖形之一，它能使我們確定連續數據的形狀。通過直方圖可以檢測數據的分布、數據中的離群值和其他有用的屬性。

要通過連續數據構造直方圖，首先需要創建箱子(bin)并將數據放入適當的箱子中。這不同于與分類變量一起使用的條形圖。

例如，有以下數據。

Data = [23, 12, 34, 56, 43, 26, 13, 39, 58, 32, 44 ]

可以按照表1這樣定義箱子。

表1

箱子(bin)

數據點

數據點數

>20

12、13

2

20～40

23、34、26、39、32

5

40～60

56、43、58、44

4

使用matplotlib創建直方圖。

#用均值和標準差生成隨機整數mean = 20 sigma = 5 hist_data = numpy.random.normal(mean, sigma, 500).astype(int) plt.hist(hist_data)

這將產生以下直方圖，結果如圖11所示。

圖11

5　散點圖

散點圖(Scatter Plot)能夠表示兩組數據點之間的關系。例如，任何人的體重和身高、交通強度和汽車數量、發表的論文數和多年的論文查看量等均可以通過散點圖來呈現。

使用下面的代碼生成散點圖，結果如圖12所示。

#用均值和標準差生成隨機整數mean = 20 sigma = 5 #生成數據并對其排序scatter_data_1 = numpy.sort(numpy.random.normal(mean, sigma,50).astype(int)) scatter_data_2 = numpy.sort(numpy.random.normal(mean, sigma,50).astype(int)) #散點圖plt.scatter(scatter_data_1,scatter_data_2)

圖12

6　箱線圖

箱線圖(Box Plot)可以用來理解變量的擴展傳播。在箱線圖中，矩形頂部邊界代表上四分位數(third quantile)，底部邊界代表下四分位數(first quantile)，而盒子中的直線表示中位數(median)。

頂部的垂直線表示最大值，底部的垂直線表示最小值。

通過下面的代碼生成方框圖，結果如圖13所示。

box_data = numpy.random.normal(56, 10, 50).astype(int) plt.boxplot(scatter_data_1)

圖13

7　采用面向對象的方式繪圖

除了使用函數生成圖形之外，還可以使用面向對象的方法來生成這種圖形。我們定義一個圖形對象并不斷地添加圖元素來豐富它。

首先，創建一個空白圖形對象并向其添加軸。然后，在對象內生成繪圖并為其指定參數，結果如圖14所示。

下面是該方法的代碼。

#一個數軸上獲取1～15的數字a = range (1,16) #用均值和標準差生成另一數軸上的隨機整數mean = 50 sigma = 10 b = numpy.random.normal(mean, sigma, 15).astype(int) #首先，定義圖形對象figure_object = plt.figure() #添加軸axes = figure_object.add_axes([.1,.1,1,1]) #添加網格axes.grid() #設置軸標簽axes.set_xlabel('X') axes.set_ylabel('Y') #設置坐標軸顯示axes.set_xticks(range(1,15)) axes.set_yticks(range(20,100,10)) #設定軸極限axes.set_xlim([1,15]) axes.set_ylim([20,80]) #生成圖axes.plot(a,b)

圖14

在上面的代碼中進行了如下的操作。

(1)使用plt.figure()創建了圖形對象。

(2)使用add_axes定義數軸。

(3)使用grid()啟用網格。

(4)定義了數軸標簽。

(5)定義數軸上的值axes (xticks, yticks)。

(6)添加了數軸的下限和上限。

(7)使用plot生成繪圖。

也可以創建子圖，通過子圖對其進行比較。

mean = 20 sigma = 5 c = numpy.random.normal(mean, sigma, 15).astype(int) #創建圖形對象fig_sub_object = plt.figure() #圖形對象中的兩個軸number_of_rows= 1 number_of_cols = 2 fig_sub_object, (axes1,axes2) = plt.subplots(number_of_rows,number_of_cols) axes1.plot(a,b) axes2.plot(a,c)

生成圖15所示的圖形。

圖15

8　Seaborn

Seaborn是基于Matplotlib的Python程序包，它提供了一些高層次的統計圖形方法。下面會介紹到一些Seaborn中常用的繪圖。

首先導入Seaborn。

import seaborn

然后創建一些隨機數據。

#用均值和標準差生成隨機整數mean = 25 sigma = 10 dist_data_1 = numpy.random.normal ( mean, sigma, 500).astype(int) dist_data_2 = numpy.random.normal(mean+5, sigma-4, 500).astype(int) dist_data_3 = numpy.random.normal(mean-5, sigma+2, 500).astype(int) dist_data = pandas.DataFrame({"A":dist_data_1,"B":dist_data_2,"C":dist_data_3}) #首先，創建分類數據data = ["Delhi

總結

以上是生活随笔為你收集整理的中boxplot函数的参数设置_如何在Python中生成图形和图表的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。