新睿云

> 知识库 > Python数据可视化如何实现?

Python数据可视化如何实现?

作者/来源:新睿云小编 发布时间:2020-01-14

如同艺术家们用绘画让人们更贴切的感知世界,数据可视化也能让人们更直观的传递数据所要表达的信息。

我们今天就分享一下如何用 Python 简单便捷的完成数据可视化。

其实利用 Python 可视化数据并不是很麻烦,因为 Python 中有两个专用于可视化的库 matplotlib 和 seaborn 能让我们很容易的完成任务。

Matplotlib:基于Python的绘图库,提供完全的 2D 支持和部分 3D 图像支持。在跨平台和互动式环境中生成高质量数据时,matplotlib 会很有帮助。也可以用作制作动画。

Seaborn:该 Python 库能够创建富含信息量和美观的统计图形。Seaborn 基于 matplotlib,具有多种特性,比如内置主题、调色板、可以可视化单变量数据、双变量数据,线性回归数据和数据矩阵以及统计型时序数据等,能让我们创建复杂的可视化图形。

我们用 Python 可以做出哪些可视化图形?

那么这里可能有人就要问了,我们为什么要做数据可视化?比如有下面这个图表:

 图表

当然如果你把这张图表丢给别人,他们倒是也能看懂,但无法很直观的理解其中的信息,而且这种形式的图表看上去也比较 low,这个时候我们如果换成直观又美观的可视化图形,不仅能突显逼格,也能让人更容易的看懂数据。

下面我们就用上面这个简单的数据集作为例子,展示用 Python 做出9种可视化效果,并附有相关代码。

导入数据集

import matplotlib.pyplot as plt

import pandas as pd

df=pd.read_excel("E:/First.xlsx""Sheet1")

可视化为直方图

fig=plt.figure() #Plots in matplotlib reside within a figure object, use plt.figure to create new figure

#Create one or more subplots using add_subplot, because you can't create blank figure

ax = fig.add_subplot(1,1,1)

#Variable

ax.hist(df['Age'],bins = 7# Here you can play with number of bins

Labels and Tit

plt.title('Age distribution')

plt.xlabel('Age')

plt.ylabel('#Employee')

plt.show()

直方图 

可视化为箱线图

import matplotlib.pyplot as plt

import pandas as pd

fig=plt.figure()

ax = fig.add_subplot(1,1,1)

#Variable

ax.boxplot(df['Age'])

plt.show()

箱线图 

可视化为小提琴图

import seaborn as sns 

sns.violinplot(df['Age'], df['Gender']) #Variable Plot

sns.despine()

小提琴图 

可视化为条形图

var = df.groupby('Gender').Sales.sum() #grouped sum of sales at Gender level

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.set_xlabel('Gender')

ax1.set_ylabel('Sum of Sales')

ax1.set_title("Gender wise Sum of Sales")

var.plot(kind='bar')

条形图 

可视化为折线图

var = df.groupby('BMI').Sales.sum()

fig = plt.figure()

ax1 = fig.add_subplot(1,1,1)

ax1.set_xlabel('BMI')

ax1.set_ylabel('Sum of Sales')

ax1.set_title("BMI wise Sum of Sales")

var.plot(kind='line')

折线图     

可视化为堆叠柱状图

var = df.groupby(['BMI','Gender']).Sales.sum()

var.unstack().plot(kind='bar',stacked=True,  color=['red','blue'], grid=False)

 堆叠柱状图

可视化为散点图

fig = plt.figure()

ax = fig.add_subplot(1,1,1)

ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.

plt.show()

散点图 

可视化为泡泡图

fig = plt.figure()

ax = fig.add_subplot(1,1,1)

ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubble

plt.show()

泡泡图 

可视化为饼状图

var=df.groupby(['Gender']).sum().stack()

temp=var.unstack()

type(temp)

x_list = temp['Sales']

label_list = temp.index

pyplot.axis("equal"#The pie chart is oval by default. To make it a circle use pyplot.axis("equal")

#To show the percentage of each pie slice, pass an output format to the autopctparameter 

plt.pie(x_list,labels=label_list,autopct="%1.1f%%"

plt.title("Pastafarianism expenses")

plt.show()

饼状图 

可视化为热度图

import numpy as np

#Generate a random number, you can refer your data values also

data = np.random.rand(4,2)

rows = list('1234'#rows categories

columns = list('MF'#column categories

fig,ax=plt.subplots()

#Advance color controls

ax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')

ax.set_xticks(np.arange(0,2)+0.5)

ax.set_yticks(np.arange(0,4)+0.5)

# Here we position the tick labels for x and y axis

ax.xaxis.tick_bottom()

ax.yaxis.tick_left()

#Values against each labels

ax.set_xticklabels(columns,minor=False,fontsize=20)

ax.set_yticklabels(rows,minor=False,fontsize=20)

plt.show()

热度图 

你也可以自己试着根据两个变量比如性别(X 轴)和 BMI(Y 轴)绘出热度图。

结语

本文我们分享了如何利用 Python 及 matplotlib 和 seaborn 库制作出多种多样的可视化图形。

热门标签
new year
在线咨询
咨询热线 400-0505-565
投诉与建议
{{item.description}}

—您的烦恼我们已经收到—

我们会将处理结果发送至您的手机

请耐心等待