以下默认所有的操作都先导入了Numpy、pandas、matplotlib、seaborn
import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns
折线图
折线图可以用来表示数据随着时间变化的趋势
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019] y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]
- Matplotlib
plt.plot(x, y) plt.show()
- Seaborn
df = pd.DataFrame({'x': x, 'y': y})
sns.lineplot(x="x", y="y", data=df)
plt.show()
直方图
直方图是比较常见的视图，它是把横坐标等分成了一定数量的小区间，然后在每个小区间内用矩形条（bars）展示该区间的数值
a = np.random.randn(100) s = pd.Series(a)
- Matplotlib
plt.hist(s) plt.show()
- Seaborn
sns.distplot(s, kde=False) plt.show() sns.distplot(s, kde=True) plt.show()
垂直条形图
条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5'] y = [5, 4, 8, 12, 7]
- Matplotlib
plt.bar(x, y) plt.show()
- Seaborn
plt.show()
水平条形图
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5'] y = [5, 4, 8, 12, 7] plt.barh(x, y) plt.show()
饼图
nums = [25, 37, 33, 37, 6] labels = ['High-school','Bachelor','Master','Ph.d', 'Others'] plt.pie(x = nums, labels=labels) plt.show()
箱线图
箱线图由五个数值点组成：最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。
可以帮我们分析出数据的差异性、离散程度和异常值等。
- Matplotlib
# 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()
- Seaborn
# 用Seaborn画箱线图 df = pd.DataFrame(data, columns=lables) sns.boxplot(data=df) plt.show()
热力图
力图，英文叫 heat map，是一种矩阵表示方法，其中矩阵中的元素值用颜色来代表，不同的颜色代表不同大小的值。通过颜色就能直观地知道某个位置上数值的大小。
flights = sns.load_dataset("flights")
data=flights.pivot('year','month','passengers')
sns.heatmap(data)
plt.show()
通过 seaborn 的 heatmap 函数，我们可以观察到不同年份，不同月份的乘客数量变化情况，其中颜色越浅的代表乘客数量越多
散点图
散点图的英文叫做 scatter plot，它将两个变量的值显示在二维坐标中，非常适合展示两个变量之间的关系。
N = 1000 x = np.random.randn(N) y = np.random.randn(N)
- Matplotlib
plt.scatter(x, y,marker='x') plt.show()
- Seaborn
df = pd.DataFrame({'x': x, 'y': y})
sns.jointplot(x="x", y="y", data=df, kind='scatter');
plt.show()
蜘蛛图
蜘蛛图是一种显示一对多关系的方法，使一个变量相对于另一个变量的显著性是清晰可见
labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"]) stats=[83, 61, 95, 67, 76, 88] # 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 font = FontProperties(fname=r"/System/Library/Fonts/PingFang.ttc", size=14) ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font) plt.show()
二元变量分布
二元变量分布可以看两个变量之间的关系
tips = sns.load_dataset("tips")
tips.head(10)
#散点图
sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')
#核密度图
sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')
#Hexbin图
sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')
plt.show()
面积图
面积图又称区域图，强调数量随时间而变化的程度，也可用于引起人们对总值趋势的注意。
堆积面积图还可以显示部分与整体的关系。折线图和面积图都可以用来帮助我们对趋势进行分析，当数据集有合计关系或者你想要展示局部与整体关系的时候，使用面积图为更好的选择。
df = pd.DataFrame( np.random.rand(10, 4), columns=['a', 'b', 'c', 'd']) # 堆面积图 df.plot.area() # 面积图 df.plot.area(stacked=False)
六边形图
六边形图将空间中的点聚合成六边形，然后根据六边形内部的值为这些六边形上色。
df = pd.DataFrame( np.random.randn(1000, 2), columns=['a', 'b']) df['b'] = df['b'] + np.arange(1000) # 关键字参数gridsize；它控制x方向上的六边形数量，默认为100，较大的gridsize意味着更多，更小的bin df.plot.hexbin(x='a', y='b', gridsize=25)
来源：https://www.cnblogs.com/chenqionghe/p/12254085.html