Python数据可视化的3大步骤！

我们好，那时来谈谈，Python同时实现建模的四个关键步骤：

确认难题，优先选择绘图

切换统计数据，应用领域函数

参数增设，一清二楚

1、具体来说，要晓得他们用什么样程序库素描?

matplotlib

Python中最基本上的作Mundolsheim是matplotlib，是两个最此基础的Python建模库，通常都从matplotlib上手Python统计数据建模，接着已经开始做纵向与纵向开拓。

Seaborn

是两个如前所述matplotlib的高阶建模效用库，特别针对的点主要是统计数据预测和机器自学中的抒发式特点挑选出，seaborn能用粗短的标识符去绘出叙述更多方位统计数据的建模设计图

其它库还包括

Bokeh（是两个用作做应用领域程序端可视化建模的库，同时实现预测师与统计数据的可视化）；Mapbox（处置自然地理统计数据发动机大列佩季哈区的建模辅助工具库）之类

第一集该文主要就采用matplotlib展开事例预测

第二步：确认难题，优先选择绘图

销售业务可能将很繁杂，但历经分拆，他们要找出他们想透过绘图象达什么具体内容难题。预测观念的体能训练能自学《毕马威方式》和《圆顶基本原理》中的方式。

这是网路上的两张有关图象类别优先选择的归纳。

在Python中，他们能归纳为下列三种基本上听觉原素来展现出绘图：

点：scatter plot 二维统计数据，适用作简单二维关系；

线：line plot 二维统计数据，适用作时间序列；

柱状：bar plot 二维统计数据，适用作类别统计；

颜色：heatmap 适用作展示第三维度；

统计数据间存在分布，构成，比较，联系以及变化趋势等关系。对应不一样的关系，优先选择相应的绘图展开展示。

第二步：切换统计数据，应用领域函数

统计数据预测和建模方面的大量编程工作都是用在统计数据准备的此基础上的：加载、清理、切换以及重塑。他们建模关键步骤也需要对统计数据展开整理，切换成他们需要的格式再套用建模方式完成作图。

下面是一些常用的统计数据切换方式：

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

重塑：reshape；轴向旋转：pivot（类似excel统计数据透视表）

去重：drop_duplicates

映射：map

填充替换：fillna,replace

重命名轴索引：rename

将分类抒发式切换‘哑抒发式矩阵’的get_dummies函数以及在df中对某列统计数据取限定值之类。

函数则根据第二步中优先选择好的绘图，去找Python中对应的函数。

第三步：参数增设，一清二楚

原始绘图画完后，他们能根据需求修改颜色（color），线型（linestyle），标记（maker）或者其它图象装饰项标题（Title），轴标签（xlabel，ylabel），轴刻度（set_xticks），还有图例（legend）等，让绘图更加直观。

第三步是在第二步的此基础上,为了使绘图更加清晰明了，做的修饰工作。具体内容参数都能在制图函数中找出。

2、建模作图此基础

Matplotlib作图此基础

导入包import numpy as npimport pandas as pdimport matplotlib.pyplot as plt

Figure和Subplot

matplotlib的绘图都位于Figure（画布）中，Subplot创建图像空间。不能透过figure绘图，必须用add_subplot创建两个或多个subplot。

figsize能指定图像尺寸。

创建画布fig = plt.figure()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)但现在更习惯采用下列方式创建画布和图像，2,2表示这是两个2*2的画布，能放置4个图像fig , axes = plt.subplots(2,2,sharex=True,sharey=True)plt.subplot的sharex和sharey参数能指定所有的subplot采用相同的x，y轴刻度。

利用Figure的subplots_adjust方式能调整间距。

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，还能接受两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。也能采用参数明确的指定。

线型图还能加上一些标记（marker），来突出显示统计数据点的位置。标记也能放在格式字符串中，但标记类别和线型必须放在颜色后面。

plt.plot(np.random.randn(30),color=g,linestyle=–,marker=o)

刻度，标签和图例

plt的xlim、xticks和xtickslabels方式分别控制图象的范围和刻度位置和刻度标签。

调用方式时不带参数，则返回当前的参数值；调用时带参数，则增设参数值。

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替换为另外两个方式试试(-1.4500000000000002, 30.45)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)

增设标题，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]) 增设刻度值labels = ax.set_xticklabels([one,two,three,four,five]) 增设刻度标签ax.set_title(My first Plot) 增设标题ax.set_xlabel(Stage) 增设轴标签Text(0.5,0,Stage)

添加图例

图例legend是另一种用作标识图标原素的重要辅助工具。能在添加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)绘图创建完后，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，建议采用loc=‘best’参数来让它自己优先选择最佳位置

注解

除标准的图象对象之外，他们还能自定义添加一些文字注解或者箭头。

注解能透过text，arrow和annotate等函数展开添加。text函数能将文本绘出在指定的x，y坐标位置，还能展开自定义格式

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。具体内容关键步骤请自行搜索。

保存图象到文件

利用plt.savefig能将当前图象保存到文件。例如，要将图象保存为png文件，能执行

文件类别是根据开拓名而定的。其它参数还有：

fname：含有文件路径的字符串，开拓名指定文件类别

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

format：显示增设文件格式（png,pdf,svg,ps,jpg等）

bbox_inches：图象需要保留的部分。如果增设为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432×288 with 0 Axes>

3、Pandas中的绘图函数

Matplotlib作图

matplotlib是最此基础的绘图函数，也是相对较低级的辅助工具。组装两张图象需要单独调用各个此基础组件才行。Pandas中有许多如前所述matplotlib的高阶绘图方式，原本需要多行标识符才能搞定的图象，采用pandas只需要短短几行。

他们采用的就调用了pandas中的绘图包。

import matplotlib.pyplot as plt

线型图

Series和DataFrame都有两个用作生成各类图象的plot方式。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用作绘出x轴。df = pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=[A,B,C,D])df.plot() plot会自动为不同抒发式改变颜色，并添加图例

Series.plot方式的参数

label：用作图象的标签

style：风格字符串，g–

alpha：图像的填充不透明度（0-1）

kind：图象类别（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轴上采用对数标尺

DataFrame.plot方式的参数

DataFrame除了Series中的参数外，还有一些独有的选项。

subplots：将各个DataFrame列绘出到单独的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：以字母顺序绘出各列，默认采用当前顺序

柱状图

在生成线型图的标识符中加上kind=‘bar’或者kind=‘barh’，能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)0xfe39898>

柱状图有两个非常实用的方式：

利用value_counts绘图化显示Series或者DF中各值的出现频率。

比如df.value_counts().plot(kind=bar)

Python建模的此基础语法就到这里，其它绘图的绘出方式大同小异。

重点是遵循四个关键步骤的思路来展开思考、优先选择、应用领域。多多练习能更加熟练。

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至1936152778@qq.com举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.caopanquan.cn/3094.html

Python数据可视化的3大步骤！

相关推荐