文章目录

1.可视化图形的简单分类
2.Python中常用的两个可视化工具
3.九种常用视图及其具体调用代码
- 1.散点图(Scatter Chart)
- 2.折线图（Line Chart）
- 3.条形图(Bar Chart)
- 4.箱线图(Boxplot)
- 5.饼图（Pie Chart）
- 6.热力图（Heatmap）
- 7.蜘蛛图（雷达图）(Radar map)
- 8.二元变量分布（双变量密度估计图）
- 9.成对关系图（ Pair Diagram）

1.可视化图形的简单分类

4种类别：
比较：展示事物的排列顺序，比如条图。
联系：查看两个变量之间关系，比如气泡图。
构成：每个部分所占整体的百分比，如饼图。
分布：关心各数值范围包含多少项目，如柱图

2.Python中常用的两个可视化工具

matplotlib和seaborn
调用方式：

import matplotlib.pyplot as plt
import seaborn as sns

区别：
Matplotlib是一个较为基础的工具，Seaborn的底层是基于Matplotlib的，
展开说一下：Seaborn是用户把自己常用到的可视化绘图过程进行了函数封装，形成的一个“快捷方式”，他相比Matplotlib的好处是代码更简洁，可以用一行代码实现一个清晰好看的可视化输出。主要的缺点则是定制化能力会比较差，只能实现固化的一些可视化模板类型；而Matplotlib是可以实现高度定制化绘图的，高度定制化可以让你获得最符合心意的可视化输出结果，但也因此需要设置更多的参数，因而代码更加复杂一些。

3.九种常用视图及其具体调用代码

seaborn画图函数，主要针对pandas的DataFrame或numpy数据，有以下几种主要形式：

sns.图名(x=‘X轴列名’, y=‘Y轴列名’, data=原始数据df对象)

sns.图名(x=‘X轴列名’, y=‘Y轴列名’, hue=‘分组绘图参数’, data=原始数据df对象)

sns.图名(x=np.array, y=np.array[, …])

1.散点图(Scatter Chart)

表现两个变量之间的关系

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 数据准备
N = 900
x = np.random.randn(N)
y = np.random.randn(N)
# 利用matplotlib绘制散点图
plt.scatter(x,y,marker = 'x')  # marker表示散点图的呈现方式为x,默认呈现方式为小圆点
plt.show()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 数据准备
N = 500
x = np.random.randn(N)
y = np.random.randn(N)# 用Seaborn画图，可以直接从DataFrame入手画图
df = pd.DataFrame({'x1':x,'y1':y})
# 指定x轴标签为x1,y轴标签为y1,加载数据到jointplot，指定jointplot画图类型为散点图
sns.jointplot(x = 'x1',y = 'y1',data = df,kind = 'scatter',marker = 'x')
plt.show()

2.折线图（Line Chart）

折线图适合二维的大数据集，尤其是那些趋势比单个数据点更重要的场合，它还适合多个二维数据集的比较

# 画折线图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
x = []
for i in range(1900,1911,1):x.append(i)
y = [265, 323, 136, 220, 305, 350, 419, 450, 560, 720, 830]# 用matplotlib画折线图
print('用matplotlib画折线图\n')
plt.plot(x,y)
plt.show()

# 画折线图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 加载数据
x = []
for i in range(1900,1911,1):x.append(i)
y = [265, 323, 136, 220, 305, 350, 419, 450, 560, 720, 830]# 用seaborn画折线图
print('用seaborn画折线图\n')
df = pd.DataFrame({'x':x,'y':y})

3.条形图(Bar Chart)

用于分类展示

# 画条形图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 数据加载
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签，设置为黑体
x = ['中国','意大利','日本','美国']
y = [12,34,56,77]# 用matplotlib画图
plt.bar(x,y)
plt.show()

# 画条形图
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns# 数据加载
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签，设置为黑体
x = ['中国','意大利','日本','美国']
y = [12,34,56,77]# 用seaborn画图
sns.barplot(x,y)
plt.show()

import matplotlib.pyplot as plt
%matplotlib inline
'''
操作时同时运行%matplotlibinline，那么绘图下方就能自动显示代码块，
否则用户每次绘图时都需要输入plt.show()来创建新图。
此功能是Jupyter Notebook / IPython独有的
'''
df = pd.DataFrame(np.random.rand(10,4), columns=['a','b','c','d'])
# 使用bar()生成直方图，barh()生成水平条形图（要生成一个堆积条形图，需要指定stacked=True）
print('条形图\n')
df.plot.bar()
plt.show()
print('水平条形图\n')
df.plot.barh()
plt.show()
print('堆积条形图\n')
df.plot.bar(stacked=True)
plt.show()
print('水平堆积条形图\n')
df.plot.barh(stacked=True)
plt.show()

4.箱线图(Boxplot)

展现数据的分布和关联情况
有上边缘，上四分位数，中位数，下四分位数，下边缘

#  箱线图：
# 数据准备
# 生成0-1之间的10*4维度数据
data=np.random.normal(size=(10,4))
lables = ['A','B','C','D']
# 用Matplotlib画箱线图
plt.boxplot(data,labels=lables)
plt.show()

#  箱线图：
# 数据准备
# 生成0-1之间的10*4维度数据
data=np.random.normal(size=(10,4))
lables = ['A','B','C','D']
# 用Seaborn画箱线图
df = pd.DataFrame(data, columns=lables)
sns.boxplot(data=df)
plt.show()

5.饼图（Pie Chart）

用于分类展示
P.S:目前为止，饼图只可以由matplotlib画，seaborn不可以画饼图

# 饼图（只可以由matplotlib画，seaborn不可以画饼图）
import matplotlib.pyplot as plt nums = [34,56,78,90]
nums_labels = ['china','usa','uk','eu']
# 采用matplotlib画出来
plt.pie(x= nums,labels = nums_labels)
plt.show()

6.热力图（Heatmap）

表可以展现多变量之间的相关系数

# 热力图
np.random.seed(33)
data = np.random.rand(3,3)
sns.heatmap(data)
plt.show()

7.蜘蛛图（雷达图）(Radar map)

#　蜘蛛图：
# 数据准备
labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"])　
＃　ｕ在这里的作用是表明编码用的是ｕｎｉｃｏｄｅ编码方式
stats=[76, 58, 67, 97, 86, 58]
# 画图数据准备，角度、状态值
angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)
stats=np.concatenate((stats,[stats[0]]))
angles=np.concatenate((angles,[angles[0]]))
# 用Matplotlib画蜘蛛图
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 设置中文字体
plt.rcParams['font.sans-serif']=['SimHei']
ax.set_thetagrids(angles * 180/np.pi, labels)
plt.show()

8.二元变量分布（双变量密度估计图）

展现数据的分布和关联情况，即用于统计相关性

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = sns.load_dataset('flights')
#  flights数据集是美国人在1950到1960年买飞机票的数据集，是seaborn自带的数据集
display(data)
# 用Seaborn画二元变量分布图（散点图，核密度图，Hexbin图）
sns.jointplot(x = data['year'],y = data['passengers'],kind = 'scatter')
sns.jointplot(x=data['year'],y = data['passengers'],kind ='kde')
sns.jointplot(x=data['year'],y=data['passengers'],kind = 'hex')
plt.show()

9.成对关系图（ Pair Diagram）

可以展现多个变量，两两之间的散点图，以及自身的分布规律，在seaborn中可以使用pairplot()绘制。

参数diag_kind：自身分布的展现类型（如：直方图，密度图）

参数markers：散点图中点的形状

参数plot_kws：调节点的大小，颜色，线的宽度等

参数diag_kws：展示形式的调整（如：密度图中十分填充）

参数data：可视化的数据对象

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns data = sns.load_dataset('flights')
sns.pairplot(data)
plt.show()

[小白系列][可视化基础]数据可视化视图从入门到不放弃，数据可视化视图都有哪些，怎么选用，我们一起来康康相关推荐

c mysql 视图_MySQL入门教程（七）之视图
相关阅读: 视图是从一个或多个表中导出来的虚拟表.视图就像一个窗口,通过这个窗口可以看到系统专门提供的数据. 1.视图简介 1.1 视图的含义视图是从一个或多个表中导出来的虚拟表,还可以从已经存在的 ...
数据可视化系列-01大数据可视化基础
文章目录 1.概述 2.大数据可视化基础 2.1 数据可视化基础知识 1.数据可视化简史: 2.数据可视化是什么: 3.数据可视化的分类: 4.数据可视化流程: 5.数据可视化的意义: 2.2 认识B ...
【Python数据科学快速入门系列 | 06】Matplotlib数据可视化基础入门(一)
这是机器未来的第52篇文章原文首发地址:https://robotsfutures.blog.csdn.net/article/details/126899226 <Python数据科学快速入 ...
这就是数据分析之数据可视化基础概念及工具
图片在内容表达上,要远胜于文字,它不仅能体现数据真实性,还能给人很大的想象空间.如果你想做一名数据分析师,那么掌握可视化技能是必不可少的,因为在大部分情况下,老板更关心呈现的结果. 数据可视化的视图都 ...
【PBL项目实战】户外智慧农场项目实战系列——7.Mind+Mixly双平台工业级多合一空气质量传感器数据上云及云端可视化展示
[PBL项目实战]户外智慧农场项目实战系列--7.Mind+Mixly双平台工业级多合一空气质量传感器数据上云及云端可视化展示原文链接 https://mp.weixin.qq.com/s/ZEU ...
Matplotlib【学习大礼包】数据可视化基础掌获绘图基础语法与常用参数、设置pyplot的动态rc参数、绘制散点图、折线图、直方图、饼图
文章目录如何查看完整版!!(代码+图片) 第3章 Matplotlib 数据可视化基础 3.1 掌获绘图基础语法与常用参数 3.1.1 掌获pyplot基础语法 1.创建画布与创建子图 2.添加画布 ...
python基础学习[python编程从入门到实践读书笔记(连载五)]：数据可视化项目第16章
文章目录下载数据制作全球地震散点图:JSON格式 end 几个实验结果: 每日最高气温: 地震图绘制: 下载数据 CSV文件格式在文本文件中存储数据,一个简单方式是将数据作为一系列以逗号分隔的值 ...
matplotlib 标签_matplotlib数据可视化基础设置
matplotlib数据可视化基础图形在jupyter notebook中显示图形 % # 中文和负号的正常显示 #plt.rcParams['font.sans-serif'] = ['Micro ...
数据科学与python语言——Matplotlib数据可视化基础
Matplotlib数据可视化基础一.读取数据与数据处理阶段 1.提取指定行中的数据 2.得到>指定数值的数据 3.得到=指定值得数据 4.整体的数据处理: 二.画图函数 1.plt.subp ...

[小白系列][可视化基础]数据可视化视图从入门到不放弃，数据可视化视图都有哪些，怎么选用，我们一起来康康