目錄

• 一、折線圖
• 二、直方圖
• 三、垂直條形圖
• 四、水平條形圖
• 五、餅圖
• 六、箱線圖
• 七、熱力圖
• 八、散點圖
• 九、蜘蛛圖
• 十、二元變數分佈
• 十一、面積圖
• 十二、六邊形圖

以下預設所有的操作都先匯入了Numpy、pandas、matplotlib、seaborn

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
 

一、折線圖

折線圖可以用來表示資料隨著時間變化的趨勢

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()

二、直方圖

直方圖是比較常見的檢視，它是把橫座標等分成了一定數量的小區間，然後在每個小區間內用矩形條（bars）展示該區間的數值

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()

三、垂直條形圖

條形圖可以幫我們檢視類別的特徵。在條形圖中，長條形的長度表示類別的頻數，寬度表示類別。

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [5, 4, 8, 12, 7]

• Matplotlib

plt.bar(x, y)
plt.show()
 

• Seaborn

plt.show()

四、水平條形圖

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [5, 4, 8, 12, 7]
plt.barh(x, y)
plt.show()

五、餅圖

nums = [25, 37, 33, 37, 6]
labels = ['High-school','Bachelor','Master','Ph.d', 'Others']
plt.pie(x = nums, labels=labels)
plt.show()

六、箱線圖

箱線圖由五個數值點組成：最大值 (max)、最小值 (min)、中位數 (median) 和上下四分位數 (Q3, Q1)。
可以幫我們分析出資料的差異性、離散程度和異常值等。

• Matplotlib

# 生成0-1之間的10*4維度資料
data=np.random.normal(size=(10,4)) 
lables = ['A','B','C','D']
# 用Matplotlib畫箱線圖
plt.boxplot(data,labels=lables)
plt.show()

• Seaborn

# 用Seaborn畫箱線圖
df = pd.DataFrame(data, columns=lables)
sns.boxplot(data=df)
plt.show()

七、熱力圖

力圖，英文叫 heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。通過顏色就能直觀地知道某個位置上數值的大小。

flights = sns.load_dataset("flights")
data=flights.pivot('year','month','passengers')
sns.heatmap(data)
plt.show()

通過 seaborn 的 heatmap 函式，我們可以觀察到不同年份，不同月份的乘客數量變化情況，其中顏色越淺的代表乘客數量越多

八、散點圖

散點圖的英文叫做 scatter plot，它將兩個變數的值顯示在二維座標中，非常適合展示兩個變數之間的關係。

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()

九、蜘蛛圖

蜘蛛圖是一種顯示一對多關係的方法，使一個變數相對於另一個變數的顯著性是清晰可見

labels=np.array([u"推進","KDA",u"生存",u"團戰",u"發育",u"輸出"])
stats=[83, 61, 95, 67, 76, 88]
# 畫圖資料準備，角度、狀態值
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畫蜘蛛圖
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)   
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 設定中文字型
font = FontProperties(fname=r"/System/Library/Fonts/PingFang.ttc", size=14)  
ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)
plt.show()

十、二元變數分佈

二元變數分佈可以看兩個變數之間的關係

tips = sns.load_dataset("tips")
tips.head(10)
#散點圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')
#核密度圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')
#Hexbin圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')
plt.show()

十一、面積圖

面積圖又稱區域圖，強調數量隨時間而變化的程度，也可用於引起人們對總值趨勢的注意。
堆積面積圖還可以顯示部分與整體的關係。折線圖和麵積圖都可以用來幫助我們對趨勢進行分析，當資料集有合計關係或者你想要展示區域性與整體關係的時候，使用面積圖為更好的選擇。

df = pd.DataFrame(
np.random.rand(10, 4), 
columns=['a', 'b', 'c', 'd'])

# 堆面積圖
df.plot.area()

# 面積圖
df.plot.area(stacked=False)

十二、六邊形圖

六邊形圖將空間中的點聚合成六邊形，然後根據六邊形內部的值為這些六邊形上色。

df = pd.DataFrame(
np.random.randn(1000, 2), 
columns=['a', 'b'])
df['b'] = df['b'] + np.arange(1000)

# 關鍵字引數gridsize；它控制x方向上的六邊形數量，預設為100，較大的gridsize意味著更多，更小的bin
df.plot.hexbin(x='a', y='b', gridsize=25)

相關推薦