用哪些库来画图? matplotlib

Python中最基本的作图库就是matplotlib，是一个最基础的Python可视化库，一般都是从matplotlib上手Python数据可视化，然后开始做纵向与横向拓展。

Seaborn

是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图。

Bokeh（是一个用于做浏览器端交互可视化的库，实现分析师与数据的交互）；Mapbox（处理地理数据引擎更强的可视化工具库）等等。

本篇文章主要使用matplotlib进行案例分析 第一步：确定问题，选择图形

业务可能很复杂，但是经过拆分，我们要找到我们想通过图形表达什么具体问题。分析思维的训练可以学习《麦肯锡方法》和《金字塔原理》中的方法。

这是网上的一张关于图表类型选择的总结。

在Python中，我们可以总结为以下四种基本视觉元素来展现图形：

点：scatter plot 二维数据，适用于简单二维关系；

线：line plot 二维数据，适用于时间序列；

柱状：bar plot 二维数据，适用于类别统计；

颜色：heatmap 适用于展示第三维度；

数据间存在 分布，构成，比较，联系以及变化趋势等 关系。对应不一样的关系，选择相应的图形进行展示。

第二步：转换数据，应用函数

数据分析和建模方面的大量编程工作都是用在数据准备的基础上的： 加载、清理、转换以及重塑 。我们可视化步骤也需要对数据进行整理，转换成我们需要的格式再套用可视化方法完成作图。

下面是一些常用的数据转换方法：

合并：merge，concat，combine_frist(类似于数据库中的全外连接)

重塑：reshape；轴向旋转：pivot（类似excel数据透视表）

去重：drop_duplicates

映射：map

填充替换：fillna,replace

重命名轴索引：rename

将分类变量转换‘哑变量矩阵’的get_dummies函数以及在df中对某列数据取限定值等等。

函数则根据第一步中选择好的图形，去找Python中对应的函数。

第三步：参数设置，一目了然

原始图形画完后，我们可以根据需求修改颜色（color），线型（linestyle），标记（maker）或者其他图表装饰项标题（Title），轴标签（xlabel，ylabel），轴刻度（set_xticks），还有图例（legend）等，让图形更加直观。

第三步是在第二步的基础上,为了使图形更加清晰明了，做的修饰工作。具体参数都可以在制图函数中找到。

可视化作图基础 Matplotlib作图基础

importnumpyasnp

importpandasaspd

importmatplotlib.pyplotasplt

Figure和Subplot

matplotlib的图形都位于Figure（画布）中，Subplot创建图像空间。不能通过figure绘图，必须用add_subplot创建一个或多个subplot。

figsize可以指定图像尺寸。

#创建画布

fig=plt.figure

<Figuresize 432 x288 with 0 Axes>

#创建subplot，221表示这是2行2列表格中的第1个图像。

ax1=fig.add_subplot( 221 )

#但现在更习惯使用以下方法创建画布和图像，2,2表示这是一个2*2的画布，可以放置4个图像

fig,axes=plt.subplots( 2 , 2 ,sharex= True ,sharey= True )

#plt.subplot的sharex和sharey参数可以指定所有的subplot使用相同的x，y轴刻度。

利用Figure的subplots_adjust方法可以调整间距。

subplots_adjust(left= None ,bottom= None ,right= None ,

top= None ,wspace= None ,hspace= None )

颜色color，标记marker，和线型linestyle

matplotlib的plot函数接受一组X和Y坐标，还可以接受一个表示颜色和线型的字符串缩写：**'g--'，表示颜色是绿色green，线型是'--'虚线。**也可以使用参数明确的指定。

线型图还可以加上一些标记（marker），来突出显示数据点的位置。标记也可以放在格式字符串中，但标记类型和线型必须放在颜色后面。

plt.plot(np.random.randn( 30 ),color= 'g' ,

linestyle= '--' ,marker= 'o' )

[<matplotlib.lines.Line2D at 0x8c919b0>]

刻度，标签和图例

plt的xlim、xticks和xtickslabels方法分别控制图表的范围和刻度位置和刻度标签。

调用方法时不带参数，则返回当前的参数值；调用时带参数，则设置参数值。

plt.plot(np.random.randn( 30 ),color= 'g' ,

linestyle= '--' ,marker= 'o' )

plt.xlim #不带参数调用，显示当前参数；

#可将xlim替换为另外两个方法试试

(-1.4500000000000002, 30.45)

img plt.plot(np.random.randn( 30 ),color= 'g' ,

linestyle= '--' ,marker= 'o' )

plt.xlim([ 0 , 15 ]) #横轴刻度变成0-15

(0, 15)

设置标题，轴标签，刻度以及刻度标签 fig=plt.figure;ax=fig.add_subplot( 1 , 1 , 1 )

ax.plot(np.random.randn( 1000 ).cumsum)

ticks=ax.set_xticks([ 0 , 250 , 500 , 750 , 1000 ]) #设置刻度值

labels=ax.set_xticklabels([ 'one' , 'two' , 'three' , 'four' , 'five' ]) #设置刻度标签

ax.set_title( 'MyfirstPlot' ) #设置标题

ax.set_xlabel( 'Stage' ) #设置轴标签

Text( 0.5 , 0 , 'Stage' )

图例legend是另一种用于标识图标元素的重要工具。可以在添加subplot的时候传入label参数。

fig=plt.figure(figsize=( 12 , 5 ));ax=fig.add_subplot( 111 )

ax.plot(np.random.randn( 1000 ).cumsum, 'k' ,label= 'one' ) #传入label参数，定义label名称

ax.plot(np.random.randn( 1000 ).cumsum, 'k--' ,label= 'two' )

ax.plot(np.random.randn( 1000 ).cumsum, 'k.' ,label= 'three' )

#图形创建完后，只需要调用legend参数将label调出来即可。

ax.legend(loc= 'best' )

#要求不是很严格的话，建议使用loc=‘best’参数来让它自己选择最佳位置

<matplotlib.legend.Legend at 0xa8f5a20>

除标准的图表对象之外，我们还可以自定义添加一些文字注解或者箭头。

注解可以通过text，arrow和annotate等函数进行添加。text函数可以将文本绘制在指定的x，y坐标位置，还可以进行自定义格式。

plt.plot(np.random.randn( 1000 ).cumsum)

plt.text( 600 , 10 , 'test' ,family= 'monospace' ,fontsize= 10 )

#中文注释在默认环境下并不能正常显示，需要修改配置文件，

#使其支持中文字体。具体步骤请自行搜索。

保存图表到文件

利用plt.savefig可以将当前图表保存到文件。例如，要将图表保存为png文件，可以执行。

文件类型是根据拓展名而定的。其他参数还有：

fname：含有文件路径的字符串，拓展名指定文件类型

dpi：分辨率，默认100 facecolor,edgcolor 图像的背景色，默认‘w’白色

format：显示设置文件格式（'png','pdf','svg','ps','jpg'等）

bbox_inches：图表需要保留的部分。如果设置为“tight”，则将尝试剪除图像周围的空白部分

plt.savefig( './plot.jpg' ) #保存图像为plot名称的jpg格式图像

<Figuresize432x288with0Axes>

Pandas中的绘图函数 Matplotlib作图

matplotlib是最基础的绘图函数，也是相对较低级的工具。组装一张图表需要单独调用各个基础组件才行。Pandas中有许多基于matplotlib的高级绘图方法，原本需要多行代码才能搞定的图表，使用pandas只需要短短几行。

我们使用的就调用了pandas中的绘图包。

import matplotlib.pyplot as plt

Series和DataFrame都有一个用于生成各类图表的plot方法。默认情况下，他们生成的是线型图。

s=pd.Series(np.random.randn( 10 ).cumsum,index=np.arange( 0 , 100 , 10 ))

s.plot #Series对象的索引index会传给matplotlib用作绘制x轴。

<matplotlib.axes._subplots.AxesSubplot at 0xf553128>

df=pd.DataFrame(np.random.randn( 10 , 4 ).cumsum( 0 ),

columns=[ 'A' , 'B' , 'C' , 'D' ])

df.plot #plot会自动为不同变量改变颜色，并添加图例

<matplotlib.axes._subplots.AxesSubplot at 0xf4f9eb8>

Series.plot方法的参数

label：用于图表的标签

style：风格字符串，'g--'

alpha：图像的填充不透明度（0-1）

kind：图表类型（bar，line，hist，kde等）

xticks：设定x轴刻度值

yticks：设定y轴刻度值

xlim，ylim：设定轴界限，[0,10]

grid：显示轴网格线，默认关闭

rot：旋转刻度标签

use_index：将对象的索引用作刻度标签

logy：在Y轴上使用对数标尺

DataFrame.plot方法的参数

DataFrame除了Series中的参数外，还有一些独有的选项。

subplots：将各个DataFrame列绘制到单独的subplot中

sharex，sharey：共享x，y轴

figsize：控制图像大小

title：图像标题

legend：添加图例，默认显示

sort_columns：以字母顺序绘制各列，默认使用当前顺序

在生成线型图的代码中加上kind=‘bar’或者kind=‘barh’，可以生成柱状图或水平柱状图。

fig,axes=plt.subplots( 2 , 1 )

data=pd.Series(np.random.rand( 10 ),index=list( 'abcdefghij' ))

data.plot(kind= 'bar' ,ax=axes[ 0 ],rot= 0 ,alpha= 0.3 )

data.plot(kind= 'barh' ,ax=axes[ 1 ],grid= True )

<matplotlib.axes._subplots.AxesSubplot at 0xfe39898>

柱状图有一个非常实用的方法：

利用value_counts图形化显示Series或者DF中各值的出现频率。

比如df.value_counts.plot(kind='bar')

Python可视化的基础语法就到这里，其他图形的绘制方法大同小异。

重点是遵循 三个步骤的思路来进行思考、选择、应用 。多多练习可以更加熟练。

- END -

由于公众号平台更改了推送规则，如果不想错过后续内容，记得点下 “赞” 和 “在看” ，这样下次有新文章推送，就会 第一时间 出现在你的订阅号列表里。

爱数据福利大放送

《Python核心知识高清思维导图》

回复 【318】 即可领取

点击【阅读原文】测一测你适合做数据分析吗？ 返回搜狐，查看更多

责任编辑：