python3__绘图__常用数据分析图形（热力图，雷达图，箱线图，平行坐标，3D图，混淆矩阵，饼状图）
1.matplotlib.pyplot简介
matplotlib.pyplot是一个有命令风格的函数集合，它看起来和MATLAB很相似。每一个pyplot函数都使一副图像做出些许改变，例如创建一幅图，在图中创建一个绘图区域，在绘图区域中添加一条线等等。在matplotlib.pyplot中，各种状态通过函数调用保存起来，以便于可以随时跟踪像当前图像和绘图区域这样的东西。绘图函数是直接作用于当前axes（matplotlib中的专有名词，图形中组成部分，不是数学中的坐标系。）
2.热力图
查看数据表中多个特征两两的相似度。
2.1 函数接口
import seaborn as sns
seaborn.heatmap(data, vmin=None, vmax=None,cmap=None, center=None, robust=False, annot=None, fmt=’.2g’, annot_kws=None,linewidths=0, linecolor=’white’, cbar=True, cbar_kws=None, cbar_ax=None,square=False, xticklabels=’auto’, yticklabels=’auto’, mask=None, ax=None,**kwargs)
2.1.1 输入数据
data: 矩阵数据集，可以是numpy的数组（array），也可以是pandas的DataFrame。如果是DataFrame，则df的index(行标)/column(列标)信息会分别对应到heatmap的columns和rows，即pt.index是热力图的行标，pt.columns是热力图的列标
2.1.2 热力图矩阵块颜色设置
vmin\vmax: 热力图的颜色取值最大和最小范围，默认是根据data数据表里的取值确定
cmap: 从数字到色彩空间的映射，取值是matplotlib包里的colormap名称或颜色对象，或者表示颜色的列表；改参数默认值：根据center参数设定
center: 数据表取值有差异时，设置热力图的色彩中心对齐值；通过设置center值，可以调整生成的图像颜色的整体深浅；设置center数据时，如果有数据溢出，则手动设置的vmax、vmin会自动改变
robust: 默认取值False；如果是False，且没设定vmin和vmax的值，热力图的颜色映射范围根据具有鲁棒性的分位数设定，而不是用极值设定
2.1.3 矩阵块注释参数
annot: 矩阵块是(True)否(False)写入数据。如果是矩阵，在热力图每个方格写入该矩阵对应位置数据
fmt: 字符串格式代码，矩阵上标识数字的数据格式，比如保留小数点后几位数字
annot_kws: 默认取值False；如果是True，设置热力图矩阵上数字的大小颜色字体，matplotlib包text类下的字体设置
2.1.4 矩阵块间隔与间隔线
linewidths:定义热力图里“表示两两特征关系的矩阵小块”之间的间隔大小（块之间的间隔）
linecolor:切分热力图上每个矩阵小块的线的颜色，默认值是’white’（切分矩阵块的线的颜色）
2.1.5 侧边颜色刻度条设置
cbar: True.矩阵侧边绘制颜色刻度条
cbar_kws: 侧边颜色刻度条字号，字体，颜色等的设置
cbar_ax: 侧边颜色条位置设置
2.1.6 其他设置
square: 设置热力图矩阵小块形状，默认值是False
xticklabels, yticklabels: xticklabels控制每列标签名的输出；yticklabels控制每行标签名的输出。默认值是auto。如果是True，则以DataFrame的列名作为标签名。如果是False，则不添加行标签名。如果是列表，则标签名改为列表中给的内容。如果是整数K，则在图上每隔K个标签进行一次标注。 如果是auto，则自动选择标签的标注间距，将标签名不重叠的部分(或全部)输出
mask: 控制某个矩阵块是否显示出来。默认值是None。如果是布尔型的DataFrame，则将DataFrame里True的位置用白色覆盖掉
ax: 设置作图的坐标轴，一般画多个子图时需要修改不同的子图的该值
**kwargs:All other keyword arguments are passed to ax.pcolormesh
2.2 实战代码（特征筛选）
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns# ====热力图
data = pd.read_csv("data/all_data_standard.csv", encoding="utf-8")
data.drop_duplicates()
data.columns = [i for i in range(data.shape[1])]# 计算两两属性之间的皮尔森相关系数
corrmat = data.corr()
f, ax = plt.subplots(figsize=(12, 9))# 返回按“列”降序排列的前n行
k = 16
cols = corrmat.nlargest(k, data.columns[15]).index# 返回皮尔逊积矩相关系数
cm = np.corrcoef(data[cols].values.T)
sns.set(font_scale=1.25)
hm = sns.heatmap(cm, cbar=True, annot=True, square=True, fmt=".2f", annot_kws={"size": 10}, yticklabels=cols.values, xticklabels=cols.values)plt.ylabel("features", fontsize=15)
plt.xlabel("features", fontsize=15)
plt.title("Thermal map", fontsize=15)
plt.show()
3.雷达图（聚类特征描述）
3.1 雷达图说明
1.雷达图作用是把信息在多个轴上进行评估，从而知道哪个轴数据表现优秀
2.还可用于对聚类后结果的特征描述。
3.2 函数接口
正常的plot图像不作过多解释，直接上代码
3.3 雷达图方法一
import pandas as pd
import numpy as np
import seaborn as sns
From sklearn.cluster import KMeans# ==========绘制聚类结果雷达图
df_features = pd.read_csv("real_data.csv", encoding="utf-8")# 构建聚类模型
estimater = KMeans(n_clusters=3)
estimater = estimater.fit(X=data)# 统计样本属性个数
N = len(estimater.cluster_centers_[0])# 将360度N等分，注意：要首位相接
angles = np.linspace(0, 2*np.pi, N, endpoint=False)
angles = np.concatenate((angles, [angles[0]]))# 画布上构建子图
fig = plt.figure(figsize=(7, 7))
ax = fig.add_subplot(111, polar=True)
Sam = ["r", "g", "b"]# 待显示的图例标签
lab = []# 遍历所有聚类中心
for i in range(len(estimater.cluster_centers_)):values = estimater.cluster_centers_[i]features = data.columnsvalues = np.concatenate((values, [values[0]]))ax.plot(angles, values, Sam[i], linewidth=2)# 颜色填充# ax.fill(angles, values, alpha=0.25)# 摆放特征名称ax.set_thetagrids(angles*180/np.pi, features)# 显示轴网络ax.grid(True)lab.append("customer"+str(i))
plt.title("title")# 显示图例
plt.legend(lab)
plt.show()3.4 雷达图方法二
pygal
一个python svg图形绘图库。免费的第三方库，可自由进行修改，但没有任何保证。内部提供的是一些绘图的接口（条形图，堆积条形图，点状图，漏斗图，箱型图，仪表图，实心仪表，直方图，水平条形图，水平堆积条形图，线性图，水平线图，堆积线图，水平堆积线图，饼图，水平金字塔图，垂直金字塔图，雷达图，日期横坐标xy图，DateTime横坐标xy图，时间横坐标xy图，TimeDelta横坐标xy图，树状图，XY线图，），可直接进行绘图，相对于pyplot要简便一些。
import matplotlib.pyplot as plt
import pandas as pd
import pygal as pgcenters = [[55.46, 0.82, 30.06],[10.33, 0.88, 30.18],[10.71, 0.75, 29.84]]
df_features = pd.DataFrame(centers)
df_features.columns = ["a", "b", "c"]
df_features.index = ["aa", "bb", "cc"]# 构建雷达图对象
radar_chart = pg.Radar()# 设置雷达图标题
radar_chart._title = "Rader graph"# 设置雷达图x轴标签
radar_chart.x_labels = df_features.index# 在图中添加对象
radar_chart.add("customer1", centers[0])
radar_chart.add("customer2", centers[1])
radar_chart.add("customer3", centers[2])# 将图写入文件（可浏览器打开）
radar_chart.render_to_file('bar_chart.svg')
4.箱线图
https://www.jianshu.com/p/b2f70f867a4a
4.1 箱线图简介
箱线图是一种用作显示一组数据分散情况的统计图。常用于品质管理。主要用于反应原始数据的分布特征，还可进行多组数据分布特征的比较。从箱线图中可找出最大值、最小值、中位数、下四分位数(25%)、上四分位数(75%)、异常值。
注意：区间[Q1-1.5△Q, Q3+1.5△Q]之外的数据值被认为是异常值，应当被忽略。
4.2 第一种实现方式
通过matplotlib.pyplot实现
plt.boxplot(x, whis=None, labels=None)
参数：
x: 输入数据。数组(array)或容器的序列(a sequence of vectors)
whis: 浮点型，序列、字符串（默认为1.5）。调整的是判断异常值式(Q3-Q1)所占的权重
labels: 序列(sequence)。并且，长度必须与数据集的维度相同。
import matplotlib.pyplot as plt
import pandas as pdarray = dataFile.iloc[:, 10:15].valuesplt.rcParams["axes.unicode_minus"] = False
plt.rcParams["font.sans-serif"] = "SimHei"plt.boxplot(x=array, labels=["one", "two", "three", "four", "five"], whis=1.5)
plt.xlabel("Attribute")
plt.ylabel("Score")
plt.show()4.3 第二种实现方式
pandas自带的画图工具(图片感觉不美观)
DataFrame.boxplot(grouped, subplots=True, column=None, fontsize=None, rot=0, grid=True, ax=None, figsize=None, layout=None, **kwds)
plt.show()
参数：
column: 待绘制箱线图的属性列。列名(字符串)、列表、容器。
fontsize: 图中文字大小。整形(int)或字符型(str)
rot: xlabels倾斜的角度。整形(int: 正负均可)、浮点型(float)、字符串(str)
grid: 是否显示图片中的网格。默认为True
figsize: 图片大小。元组 -> (长，宽)
import pandas as pd
import matplotlib.pyplot as pltdataFile = pd.read_csv("dataTest.csv", header=None, prefix="V")
dataFile = dataFile.iloc[:, 10:15]
dataFile.boxplot(column="V10", fontsize="22", rot=45)
plt.show()4.4 第三种方式实现
from pylab import *
boxplot(x, whis=None, labels=None)
参数：
x: 绘制箱线图的属性列数据。array
whis: 判断异常值时的权重 [Q1-whis * △Q, Q3+whis * △Q]
labels: xlabels的名称。列表，长度应当与绘图数据的属性个数相同
show()
from pylab import *
import matplotlib.pyplot as plt
import pandas as pddataFile = pd.read_csv("dataTest.csv", header=None, prefix="V")
dataFile = dataFile.iloc[:, 10:15]boxplot(dataFile.values, whis=0.5, labels=["V10", "V11", "V12", "V13", "V14"])
show()5. 平行坐标
平行坐标是一种比较常见的可视化方法，用于对高纬集合和多元数据的可视化。平行坐标为了表示在高纬空间中的一个点集，在N条平行的线的背景下（一般这N条线都竖直且等距），一个在高纬空间的点被表示为一条拐点在N条平行坐标轴的折线，在第K个坐标轴的位置就表示这个点在第K纬的值，平行坐标是信息可视化的一种重要技术。
import matplotlib.pyplot as plt
import pandas as pd
import numpy as npdf_features = pd.read_csv("dataTest.csv", encoding="utf-8", header=None, prefix="V")summary = df_features.describe()
minRings = -1
maxRings = 99
nrows = 10for i in range(nrows):dataRow = df_features.iloc[i, 1:10]labelColor = (df_features.iloc[i, 10] - minRings)/(maxRings - minRings)# dataRow.plot(colors=plt.cm.RdY1Bu(labelColor), alpha=0.5)dataRow.plot(alpha=0.5)plt.xlabel("Attribute")
plt.ylabel("Score")
plt.show()6.3D表面图
6.1 所需第三方库
from mpl_toolkits.mplot3d import Axes3D
mplot3d模块中的Axes3D绘图类
from matplotlib.ticker import LinearLocator, FormatStrFormatter
ticker模块主要提供“刻度的划分”和“刻度值的格式化”
matplotlib包中ticker模块中LinearLocator类（刻度划分）和FormatStrFormatter类（使用“%”来格式化轴刻度值）from matplotlib import cm
matplot内置的色彩映射模块
6.2 重点函数
①ax = Axes3D(fig)：将matplotlib.figure.Figure对象转换成rect=[left, bottom, width, height]的3D对象
②np.meshgrid(*xi, indexing, sparse, copy, **kwargs)：将坐标向量转换成坐标矩阵
【参数】
*xi：表示网格坐标的一维数组
indexing：设置输出索引的形式。（笛卡尔("xy")和矩阵("ij")）
sparse: 默认为False.若为True,则为节省内存返回稀疏网格
copy: 默认为True.若为False, 则为节省内存返回原始数组。(sparse=False, copy=False很有可能返回非连续数组)
【调整结果展示】
①x1：向下拓展
②x2:向右拓展
③组合成(x1, x2)坐标，并将其定位；
④将(x1, x2)带入f中求解出对应的Z轴数值
③Axes3d.plot_surface(x, y, z, rcount, ccount, rstride, cstride, color, cmap, facecolors, norm, vmin, vmax, shade, *kwargs): 创建表面图
【参数】
x, y, z: 二维数组
rcount, ccount: 每个方向上的最大样本数。默认为50
rstride, cstride: 同rcount 和 ccount的作用都是为了精简坐标轴不同方向的样本数量，因此不能同时设置。默认为10.
color: 表面贴片的颜色surface patches
cmap: 表面贴片的颜色映射 Colormap
facecolors: 每个小块的颜色（list形式）
norm, vmin, vmax: 颜色映射标准化,标准化的下限和上限
shade: 是否给表面的颜色打上阴影
linewidth: 线条的宽度
antialiased： 是否平滑(True or False)
# ==========python绘制3D表面图（3维图）
# class Axes3D: 3D绘图类
# module ticker： 提供 ”刻度的定位“ 及 ”刻度的格式化“
# class LinearLocator: 刻度划分
# class FormatStrFormatter: 使用“%”来格式化轴刻度值
# module cm: 内置的色彩映射模块
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
from matplotlib.ticker import LinearLocator, FormatStrFormatter
import numpy as np
from matplotlib import cmfig = plt.figure(figsize=(10, 8))# 将matplotlib.figure.Figure对象转换成rect=[left, bottom, width, height]的3D对象
ax = Axes3D(fig=fig)X = np.arange(-5, 5, step=0.1)
Y = np.arange(-5, 5, step=0.1)# np.meshgrid: 坐标向量转变为坐标矩阵
X, Y = np.meshgrid(X, Y, indexing="xy", sparse=True, )
R = np.sqrt(X**2 + Y**2)
Z = np.cos(R)# ax.plot_surface: 创建表面图
# ax.set_zlim: 设置3D图中z轴的数值
# ax.zaxis: 初始化3D轴
# LinearLocator(numticks=10): 将z轴刻度划分为10部分
# FormatStrFormatter("%.2f")：z轴刻度值表里路两位小数
surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.get_cmap("rainbow"), linewidth=0, antialiased=False)
ax.set_zlim(-1.01, 1.01)
ax.xaxis.set_major_locator(LinearLocator(numticks=10))
ax.xaxis.set_major_formatter(FormatStrFormatter("%.1f"))
ax.yaxis.set_major_locator(LinearLocator(numticks=10))
ax.yaxis.set_major_formatter(FormatStrFormatter("%.1f"))
ax.zaxis.set_major_locator(LinearLocator(numticks=10))
ax.zaxis.set_major_formatter(FormatStrFormatter("%.1f"))# fig.colorbar: 创建颜色栏
# shrink: 颜色条长度的收缩比
# aspect: 颜色条宽度
fig.colorbar(surf, aspect=5, shrink=0.5)
plt.show()7.绘制混淆矩阵
混淆矩阵是机器学习当中一中评价模型分类效果的方法，通过决策矩阵就可计算出单分类的准确率（accuracy）、查全率、查准率、召回率（recall_score）和F1-score等。
from sklearn.metrics import confusion_matrix # 生成混淆矩阵函数
import matplotlib.pyplot as plt # 绘图库
import numpy as np
import tensorflow as tfdef plot_confusion_matrix(cm, labels_name, title):# 归一化cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]# 在特定的窗口上显示图像plt.imshow(cm, interpolation='nearest')plt.title(title)# 标度条plt.colorbar()num_local = np.array(range(len(labels_name)))# 设定x轴标签# rotation:为标签的旋转角度 plt.xticks(num_local, labels_name, rotation=90)plt.yticks(num_local, labels_name) plt.ylabel('True label') plt.xlabel('Predicted label')plt.show()# 此处混淆矩阵为模型实际生成值，因此，此处只给出模型的计算结果
pred_y = session.run(tf.argmax(y_, 1), feed_dict={X: test_x})
cm = confusion_matrix(np.argmax(test_y, 1), pred_y,)
print(cm)
# [[100 1 0 1 6 0 0]
# [ 2 111 3 0 2 1 24]
# [ 0 2 68 5 4 3 2]
# [ 2 0 1 120 7 26 0]
# [ 2 5 3 2 120 11 14]
# [ 2 0 2 12 8 115 1]
# [ 2 25 0 1 14 4 302]]# 调用绘制混淆矩阵的函数
plot_confusion_matrix(cm, labels_name, "HAR Confusion Matrix")
8.饼状图
import matplotlib.pyplot as plt
import numpy as npplt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = Falselabels = ["鸭子", "狗子", "牛子", "猪子"]
values = [15, 30, 45, 10]
explode = (0, 0.1, 0, 0)plt.figure(figsize=(6, 3))
plt.pie(x=values, explode=explode, labels=labels, autopct="%1.1f")# 获取或设置轴属性的便捷方法
# equal: 保持图形的形状，不会随着x或者y的拉伸而拉伸
plt.axis("equal")plt.show()
9.3D散点图
from mpl_toolkits.mplot3d import Axes3D
mplot3d模块中的Axes3D绘图类
from matplotlib.ticker import LinearLocator, FormatStrFormatter
ticker模块主要提供“刻度的划分”和“刻度值的格式化”
matplotlib包中ticker模块中LinearLocator类（刻度划分）和FormatStrFormatter类（使用“%”来格式化轴刻度值）from matplotlib import cm
matplot内置的色彩映射模块
# ! /usr/bin/env python
# coding:utf-8
# python interpreter:3.6.2
# author: admin_maxin
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
from sklearn import preprocessing
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
plt.rcParams["font.sans-serif"] = ["SimHei"] # 设置显示字体
plt.rcParams["axes.unicode_minus"] = False # 设置正常显示符号data = pd.read_csv("data1.csv", encoding="utf-8", header=0, index_col=0)
X = data
# X = preprocessing.minmax_scale(X)
# X = pd.DataFrame(X)# 构造聚类模型
estimator = KMeans(n_clusters=3)
estimator.fit(X)
label_pred = estimator.labels_# 绘制k-means结果
x0 = X[label_pred == 0]
x1 = X[label_pred == 1]
x2 = X[label_pred == 2]
# x3 = X[label_pred == 3]# 绘制三维散点图
fig = plt.figure()
# ax = fig.add_subplot(111, projection='3d')
ax = Axes3D(fig)# x，y,s要求是list等的array_list类型的数据
ax.scatter(list(x0.iloc[:, 0]), list(x0.iloc[:, 1]), list(x0.iloc[:, 2]), c="red", marker='o', label='label0')
ax.scatter(list(x1.iloc[:, 0]), list(x1.iloc[:, 1]), list(x1.iloc[:, 2]), c="green", marker='*', label='label1')
ax.scatter(list(x2.iloc[:, 0]), list(x2.iloc[:, 1]), list(x2.iloc[:, 2]), c="blue", marker='+', label='label2')
# ax.scatter(list(x3.iloc[:, 0]), list(x3.iloc[:, 1]), list(x3.iloc[:, 2]), c="pink", marker='x', label='label3')ax.set_xlabel('属性个数')
ax.set_ylabel('标签个数')
ax.set_zlabel('样本量')data["label"] = "0"
for i in range(data.shape[0]):data.iloc[i, 3] = list(estimator.labels_)[i]
data.to_csv("mydata.csv", sep=",", header=True, index=True, encoding="utf-8")plt.legend()
plt.show()python3__绘图__常用数据分析图形（热力图，雷达图，箱线图，平行坐标，3D图，混淆矩阵，饼状图）相关推荐
- Python 数据分析三剑客之 Matplotlib（七）：饼状图的绘制
CSDN 课程推荐:<Python 数据分析与挖掘>,讲师刘顺祥,浙江工商大学统计学硕士,数据分析师,曾担任唯品会大数据部担任数据分析师一职,负责支付环节的数据分析业务.曾与联想.亨氏.网 ...
- matplotlib数据可视化实战——饼状图+雷达图+三维图
今天又学习了两种新的图形绘制方法,并且学会了全局设置中文字体的方法. 全局中文字体设置及负数显示问题 plt.rcParams['font.family'] = 'sans-serif' plt.rc ...
- matplotlib绘图（折线图，柱状图，饼状图，散点图，直方图）
matplotlib绘图 折线图 柱状图 叠加柱状图 并列柱状图 水平柱状图(条形图) 饼状图 散点图 直方图 折线图 x = [1,2,3,4,5] y = [1,2,3,4,5] # 调用绘制线性 ...
- Android之玩转MPAndroidChart让（折线图、柱形图、饼状图、散列图、雷达图）优雅的舞...
2019独角兽企业重金招聘Python工程师标准>>> 把开源项目MPAndroidChart里面的折线图.柱形图.饼状图.散列图.雷达图怎么使用和一些属性详细的介绍,当我们项目 g ...
- 用php怎么输出饼状图,php绘图之生成饼状图的方法_PHP
本文实例讲述了php绘图之生成饼状图的方法.分享给大家供大家参考.具体如下: 这里要实现的功能是人口分布比例图,由扇形组成一个圆,每个扇形颜色不一样. 代码如下: $array = array(&qu ...
- python excel数据分析画直方图 饼状图_Excel数据可视化应用（直方图、折线图、饼状图）...
直方图:对比关系 直方图是一种统计报告图,是表示资料变化情况的主要工具.直方图由一系列高度不等的的纵向条纹或线段表示数据分布的情况.一般用横轴表示数据类型,纵轴表示分布情况. 例1: 1.右键单击图表 ...
- 饼状图环形图数据信息PR图形模板MOGRT
Premiere Pro创建漂亮的饼状图环形图数据信息PR图形模板Mogrt 12个可完全自定义的数据驱动饼图模板.更改数据.颜色.大小.字体.持续时间等. 技术特点: Premiere Pro 20 ...
- 使用matplotlib绘制图形(条形图，饼状图，散点图，直方图)
安装 pip install matplotlib 图形的基础绘制 from matplotlib import pyplot as plt# 设置图形大小,figure图形图像的意思,在这里指的是我 ...
- python数据可视化 matplotlib(2) 小白 - 典型图形进阶版:堆积折线图/并列柱状图/阶梯图/箱线图
今天依然是matplotlib,在入门版的基础上加入了更多的组合和样式设置,matplotlib库是建立在Numpy基础上的绘图库. 典型统计图形对比 柱状图 堆积图:将若干统计图形堆叠起来的统计图形 ...
最新文章
- 开发时，尤其是最初的版本，只要保持有80%的功能即可
- Andriod anim translate中的属性介绍
- protect 继承_(转)public、protect、private继承方式 C++
- 哈佛大学计算机科学专,哈佛大学计算机科学专业
- python3 django连接mysql 数据库
- 微服务 注册中心_4.微服务架构的第二个组件：注册中心
- 计算机win7无法安装,新机装不了Win7？照这个方法5分钟搞定！
- LA 3523 圆桌骑士
- 浅谈Nginx性能调优
- python支持强大的科学计算功能_Python可以做什么——Python语言的一个简要导引
- 互联网企业安全高级指南3.7 如何看待SDL
- 框架设计知识点纵览（笔记）
- AB PLC 1769_L24ER_QB1B新机测试固件下载-程序下载
- Quartus破解成功，但出现不支持某些设备的问题解决
- UI设计---化繁为简
- windows环境下编译ACE+TAO问题及解决办法
- springcloud采坑-jason序列化中的Date对象
- IT行业的哪些岗位比较有前途？
- Activiti 学习笔记八：排他网关（ExclusiveGateWay）
- IIS服务器的安全保护措施