Python中的数据分析与可视化常用库及运用_for y in range(15, -15, -1): line = "" for x in ra-优快云博客

本文链接：https://blog.youkuaiyun.com/ST_LUOTY/article/details/146275836

一：Matplotlib

Matplotlib 是一个用于绘制图表和可视化数据的 Python 库。它提供了一种类似于 MATLAB 的绘图接口，使用户能够轻松地生成各种类型的图形，包括折线图、散点图、直方图、饼图等。Matplotlib 被广泛应用于数据分析、科学计算、工程和其他领域。

官网：https://matplotlib.org/

Python中matplotlib库的安装：

pip install matplotlib==3.8.2

图表的组成：

图表(Figure)

在 Matplotlib 中，Figure 是一个顶层容器，用于包含图表中的所有元素。比如坐标轴、图例、标题、等

轴(Axes)

一个 Matplotlib 图表可以包含一个或多个 Axes 对象，每个 Axes 对象都是一个独立的坐标系，可以理解成一个子图

轴(Axis)

在 Matplotlib 中，Axis 这个词可以指代坐标轴，即图表中的X轴和Y轴。这是用于定位和测量数据点位置的参考线

画家(Artist)

在 Matplotlib 中，Artist 是一个基础的图形元素对象，它代表了图表中的各种图形元素，如图形、文本、线条等。所有的图形元素，无论是图表本身、坐标轴、标签还是其他可见的部分，都是 Artist 对象

Matplotlib的基本使用

方法名	说明
title()	设置图表的名称
xlabel()	设置x轴名称
ylabel()	设置y轴名称
xticks(x,ticks,rotation)	设置x轴的刻度,rotation旋转角度
yticks()	设置y轴的刻度
plot()	绘制线性图表
show()	显示图表
legend()	显示图例
text(x,y,text)	显示每条数据的值 x,y值的位置
figure(name,figsize=(w,h),dpi=n)	设置图片大小

现在编写一个简单小程序：

import matplotlib.pyplot as plt
datas=[1,2,3,4,5]
squares=[1,4,9,16,25]
plt.plot(datas,squares,linewidth=5) #设置线条宽度
#设置图标标题，并在坐标轴上添加标签
plt.title('Numbers',fontsize=24)
plt.xlabel('datas',fontsize=14)
plt.ylabel('squares',fontsize=14)
plt.show()

怎么查看本机系统内的文字呢？可以通过matplotlib.font_manager 中的 fontManager 类查看

from matplotlib.font_manager import fontManager as fm

for f in fm.ttflist:
  if f.fname.find('simhei.ttf') != -1:
    print(f.name,'===',f.fname)

我们还可以临时增加字体：

from matplotlib.font_manager import fontManager as fm

fm.addfont('./ali.ttf')
for f in fm.ttflist:
  if f.fname.find('ali') != -1:
    print(f.name,'===',f.fname)

还可以通过设置rc参数进行字体的配置：

import matplotlib.pyplot as plt

#设置中文乱码问题
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['font.family']='SimHei'

现在我把字体单独运用到我们绘制的图上：

import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties

datas=[1,2,3,4,5]
squares=[1,4,9,16,25]
plt.plot(datas,squares) #设置线条宽度
#设置图标标题，并在坐标轴上添加标签
plt.title('标题设置',fontsize=24,fontdict={'fontproperties':FontProperties(fname='./ali.ttf')})
plt.xlabel('x轴',fontsize=14,fontdict={'family':'SimHei'})
plt.ylabel('y轴',fontsize=14,fontdict={'family':'SimHei'})

Matplotlib风格

关于风格设置我们可以通过官网查找，选择最合适的风格来绘制图形。

注意：设置风格时，有可能会让某些设置失效，需要重新设置。

from matplotlib import style

#风格的设置
#查看有哪些风格
print(style.available)
#设置风格
style.use('ggplot')

经典温度变化案例

from matplotlib.pyplot as plt
 # 构造数据
max_temperature = [26, 30, 31, 32, 33]
min_temperature = [12, 16, 16, 17, 18]
x = range(5)
plt.rcParams['font.family'] = 'SimHei'
x_ticks = ['星期{}'.format(i) for i in range(1, 6)]
plt.title('某年某周第N周的温度')
plt.xlabel('周')
plt.ylabel('温度：单位(℃)')
# 设置x轴标签
plt.xticks(x, x_ticks)
# 填充数据
plt.plot(x, max_temperature, label='最高温')
plt.plot(x, min_temperature, label='最低温')
# 显示图例
plt.legend(loc=2)

Matplotlib多图分布

如何在figure中设置多图分布呢？可以通过pyplot.subplot函数来实现，例子如下：

from matpyplotlib.pyplot as plt
# 获得画布
fig = plt.figure(figsize=(15, 8))
# 获得子图
ax1=plt.subplot(2, 2, 1)
ax2=plt.subplot(222)
ax3=plt.subplot(223)
ax4=plt.subplot(224)
#-------------------------------
fig = plt.figure(figsize=(15, 8))
# 获得子图
ax1=plt.subplot(2, 2, 1)
ax2=plt.subplot(222)
ax3=plt.subplot(212)
ax1.plot([1,2,3,4],[1,2,3,4])
# 给ax1设置标题
ax1.set_title('ax1')

或者使用pyplot.subplots()函数

fig = plt.figure()
ax = plt.subplots(2,2,figsize=(28, 8))
display(ax)
#--------------------------------
fig = plt.figure(figsize=(15, 8))
ax = fig.subplots(2,2)
display(ax)

Matplotlib嵌套图形

有时我们会在绘制的图形里在嵌套一个图形，丰富图像的信息，这时我们可以使用fig.add_subplot()函数来实现

fig = plt.figure(figsize=(15, 8))
ax = fig.add_subplot(1,1,1)
plt.plot([1,2,3,4],[1,2,3,4])
ax2 = fig.add_subplot(2,3,1)
ax2.plot([1,2,3,4],[1,2,3,4])

#---------------------------------

fig = plt.figure(figsize=(15, 8))
plt.plot([1,2,3,4],[1,2,3,4])
plt.axes([0.2,0.6,0.2,0.2])
fig.add_axes([0.6,0.2,0.2,0.2])

Matplotlib双轴显示

双轴显示就是两个y轴信息共用一个x轴变化量，我们可以使用axes.twinx()函数来实现：

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = 'SimHei'

times = range(12)
# 1天24小时气温变化
data1= [15, 13, 14, 17, 20, 22, 23, 22, 21, 19, 18, 16]
# 1天24小时湿度变化
data2= [40, 42, 45, 48, 50, 55, 60, 65, 70, 75, 80, 85]
fig, ax1 = plt.subplots()

ax1.set_xlabel('时间')
ax1.set_ylabel('温度')
ax1.plot(times, data1,label='温度',color='red')

ax2 = ax1.twinx()

ax2.set_ylabel('湿度')
ax2.plot(times, data2,label='湿度',color='blue')
fig.legend(loc=1)
fig.tight_layout()

import matplotlib.pyplot as plt

fig = plt.figure()
ax1 = plt.subplot(111)
ax2 = ax1.twinx()

ax1.set_xlabel("距离")
ax1.set_ylabel("密度")
ax2.set_ylabel("温度")

ax1.plot([0, 1, 2], [0, 1, 2], label="密度")
ax2.plot([0, 1, 2], [10, 13, 12], label="温度")

fig.legend()

Matplotlib绘图样式

绘制图线的线条有多种样式，有很多参数由我们调控配置

import matplotlib.pyplot as plt

'''
color        颜色

linewith     宽度

linestyle    样式

alpha        透明度

marker       标记

mfc:make face color 标记的背景颜色
'''

fig = plt.figure()
ax1 = plt.subplot(111)
ax2 = ax1.twinx()


ax1.set_xlabel("Distance")
ax1.set_ylabel("Density")
ax2.set_ylabel("Temperature")


ax1.plot([0, 1, 2], [0, 1, 2], label="Density",color='red',marker='o',linestyle='solid',mfc='b',markersize=10,markeredgecolor='g',markeredgewidth=1,)
ax2.plot([0, 1, 2], [10, 13, 12], label="Temperature",c='b',marker='v',alpha=0.3,)


fig.legend()

Matplotlib设置坐标轴

图表坐标轴是用来显示和表示数据的数值在图表中的位置的线性轴线。坐标轴有两个方向：水平轴（X轴）和垂直轴（Y轴）

单轴设置X与Y轴刻度

# 1. 准备数据
data = [1,3,5,7,9,11,13,15,17,19]
x = range(len(data))
# 2. 绘制图形
plt.plot(x,data)
# 3. 设置x轴刻度
x_tick = ['第{}天'.format(i) for i in range(1,11)]
plt.xticks(x,x_tick)
plt.yticks(range(0,20,2))
plt.show()

双轴设置y轴刻度

# 1. 准备数据
# 1天24小时的温度
data1 = [-5, 1, 3, 6, 8, 10, 12, 13, 12, 10, 8, 6, 5, 3, 2, 1]
# 1天24小时的湿度
data2 = [-8, -6, -3, 1, 4, 7, 9, 10, 9, 7, 4, 1, -2, -4, -6, -7]
x = range(0, len(data1))
# 2. 创建画布
fig,ax1 = plt.subplots()
# 3. 绘制图像
ax1.plot(x,data1,label='温度',c='tab:blue',linewidth=5,alpha=0.6,marker='v')
# 设置y轴刻度
ax1.set_yticks(range(min(data1),max(data1)+1,2))
# 4. 设置共享x轴
ax2 = ax1.twinx()
# 5. 绘制图像
ax2.plot(x,data2,label='湿度',color='r',marker='o',mfc='w',markersize=10,markeredgecolor='b',markeredgewidth=3)
ax2.set_yticks(range(min(data2),max(data2)+1,2))
# 6. 显示图例
fig.legend()

Matplotlib网格与标题

网格属性通过pyplot.grid来实现

# 1. 准备数据
# 1天的温度
data = [-5, 1, 3, 6, 9, 10, 8, 7, 4, 2]
# 时间
x = range(1, 11)
# 绘制图像
plt.plot(x, data)
plt.grid(axis='x',c='gray',lw=0.5,ls='--',alpha=0.5)

标题属性通过pyplot.title 与 pyplot.suptitle来实现

# 1. 准备数据
# 1天的温度
data = [-5, 1, 3, 6, 9, 10, 8, 7, 4, 2]
# 时间
x = range(1, 11)
# 绘制图像
plt.plot(x, data)
plt.title('1天的温度变化',fontsize=12)
plt.suptitle('2030年10月1日',fontsize=20)

Matplotlib绘制文本

绘制图形的时候会在图线上方添加一些文本以便更好的解释图线信息，通过pyplot.text方法实现

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1.设置网格
data = [-5,1,3,6,9,10,8,4,3,2,0,-2,-4]
x = range(1,len(data)+1)

plt.plot(x,data,marker='o',ls='--')
for i,j in zip(x,data):
  # ha水平对齐方式   va垂直对齐方式
  plt.text(i+0.3,j,j,fontsize=10,color='tab:red',ha='center',va='center')

Matplotlib注释的使用

通过pyplot.annotate方法来实现注释功能

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

data = [-5,1,3,6,9,10,8,4,3,2,0,-2,-4]
x = range(1,len(data)+1)

min_data = min(data)
min_index = data.index(min_data)+1

plt.plot(x,data,marker='o',linestyle='--')
plt.annotate('最小值',xy=(min_index,min_data),
       xytext=(min_index+1,min_data+1),   arrowprops=dict(facecolor='black',shrink=0.2,width=2,headwidth=6,headlength=5))

Matplotlib保存图表

通过pyplot.savefig方法来实现保存功能

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

data = [-5,1,3,6,9,10,8,4,3,2,0,-2,-4]
x = range(1,len(data)+1)

plt.plot(x,data,marker='o',ls='--')
plt.savefig('./img/line1.png')
plt.savefig('./img/line2.svg')
plt.savefig('./img/line3.jpeg')
plt.savefig('./img/line4.pdf')
plt.savefig('./img/line5.png',dpi=300)
plt.savefig('./img/line6.png',dpi=600,facecolor='gray')
plt.savefig('./img/line6.png',pad_inches=2)

折线图

折线图是一种常用的数据可视化工具，它主要用于展示随时间或有序类别变化的数据趋势。以下是折线图的主要作用和适用场景：

显示趋势： 折线图非常适合展示数据随时间变化的趋势。通过将数据点连接起来，可以清晰地看到数据的增长、下降或波动趋势，帮助观察者理解数据的发展过程
突出波动和变化： 折线图可以有效地显示数据的波动和变化。观察者可以通过折线的上下波动来了解数据的不稳定性或周期性变化
比较多组数据： 如果你想比较多组数据在相同时间或条件下的变化趋势，折线图是一个有用的工具。通过在同一图表上绘制多条折线，可以清晰地比较它们之间的差异
突出异常值： 折线图有助于识别数据中的异常值。当有一个数据点与其周围的趋势不一致时，很容易在折线图中看到这种异常
预测趋势： 基于历史数据的趋势，折线图可以用于预测未来的趋势。这对于业务决策和规划具有重要意义
显示周期性变化： 如果数据具有周期性的变化，例如季节性变化或周期性事件，折线图可以很好地展示这种周期性

案例：

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1.准备数据
data=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun']
x = [1,2,3,4,5,6,7]
max_data = [10, 11, 13, 11, 12, 12, 9]
min_data = [1, -2, 2, 5, 3, 2, 0]

# 绘制图表
plt.plot(x,max_data,label='最高温度',marker='o',mfc='w',linestyle='--',markeredgecolor='tab:orange')
plt.plot(x,min_data,label='最低温度',marker='*',mfc='w',linestyle=':',markeredgecolor='tab:green')
# 后续设置x轴刻度
plt.xticks(x,data)
# 显示图例
plt.legend()
# 设置网格
plt.grid(axis='y',linestyle='--',alpha=0.5)
# 设置y轴刻度
plt.yticks(range(-2,15,2))
# 设置标题
plt.title('一周温度变化图')

条形(柱形)图

条形图是一种常见的数据可视化工具，它主要用于比较不同类别之间的数据。以下是条形图的主要作用和适用场景：

比较类别之间的大小： 条形图适用于展示不同类别的数据量或大小，通过条形的长度直观地比较它们之间的差异
展示排名和排序： 条形图可以用于显示数据的排名顺序，使观察者能够很容易地识别出最大值、最小值以及中间的排名
展示分布情况： 当你想了解不同类别在整体中所占的比例或分布情况时，条形图是一种有效的选择。每个条形的长度代表相应类别的数据量，总和即为整体的总量
呈现时间趋势： 虽然折线图更适合显示时间趋势，但条形图也可用于呈现时间点上的数据，例如某个特定时间内的销售额或收益
对比多组数据： 类似于折线图，条形图也能用于对比多组数据，但通常是在不同类别上进行比较，而非随时间变化
突出异常值： 条形图可以突出显示数据的异常值，观察者可以很容易地识别出高于或低于平均水平的类别

方法

bar(x,y,color,width) 纵向条形图

barh(x,y,color,height) 横向条形图

普通条图：

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

fruits = ['苹果', '蓝莓', '草莓', '橘子']
counts = [40, 100, 30, 55]

bar_labels = ['青红色', '蓝色', '红色', '橙色']
bar_colors = ['tab:red', 'tab:blue', 'orangered', 'tab:orange']

container = ax.bar(fruits, counts, label=bar_labels, color=bar_colors)
ax.bar_label(container)
ax.set_ylabel('水果数量')
ax.set_title('按种类和颜色划分的水果供应')
ax.legend(title='水果颜色')

横向条图：

import matplotlib.pyplot as plt

fig, ax = plt.subplots()

fruits = ['苹果', '蓝莓', '草莓', '橘子']
counts = [40, 100, 30, 55]

bar_labels = ['青红色', '蓝色', '红色', '橙色']
bar_colors = ['tab:red', 'tab:blue', 'orangered', 'tab:orange']

container = ax.barh(fruits, counts, label=bar_labels, color=bar_colors)

ax.bar_label(container)
ax.set_xlabel('水果数量')
ax.set_title('按种类和颜色划分的水果供应')
ax.legend(title='水果颜色')

多组条图：

import matplotlib.pyplot as plt

species = ("苹果","蓝莓","橘子")
weight_counts = {
  "第1季度": [70, 39, 58],
  "第2季度": [82, 37, 66],
}
x = range(len(species))
x1 =[_+width for _ in x]
width = 0.2
container = plt.bar(x, weight_counts["第1季度"],color='tab:red',label='第1季度',width=width)
plt.bar_label(container)
container2 = plt.bar(x1, weight_counts["第2季度"],color='tab:blue',label='第2季度',width=width)
plt.bar_label(container2)
plt.xticks([_+width/2 for _ in x], species)
plt.legend(loc=1)

堆叠条图：

import matplotlib.pyplot as plt

species = ("苹果","蓝莓","橘子")
weight_counts = {
  "第1季度": [70, 39, 58],
  "第2季度": [82, 37, 66],
}
x = range(len(species))
container = plt.bar(x, weight_counts["第1季度"],color='tab:red',label='第1季度')
plt.bar_label(container,label_type='center')
container2 = plt.bar(x, weight_counts["第2季度"],color='tab:blue',label='第2季度',bottom=weight_counts["第1季度"])
plt.bar_label(container2,label_type='center')
plt.xticks([_+width/2 for _ in x], species)
plt.legend(loc="upper right")

直方图

直方图是一种用于展示数据分布情况的图表，主要用于描述数值型数据的频数分布。以下是直方图的主要作用和适用场景：

展示数据分布： 直方图可用于呈现数值型数据的分布情况，帮助观察者了解数据集中在哪个范围内、是否存在偏斜以及分布的形状
观察数据的集中趋势和离散程度： 通过直方图，你可以直观地看到数据的中心位置（集中趋势）和数据的分散程度（离散程度），从而更好地理解数据的整体特征
识别异常值： 直方图能够帮助你发现数据集中的异常值，即明显偏离主体的数值，这对于数据清理和异常值处理很有帮助
判断数据的对称性： 直方图的形状可以显示数据集的对称性或偏斜程度，有助于了解数据是正态分布还是偏斜分布
比较不同数据集之间的差异： 当你有多个数据集需要比较时，直方图可以清晰地展示它们的分布情况，帮助观察者理解它们之间的差异
确定数据的分组间隔： 在构建直方图时，选择适当的分组间隔对于准确地反映数据分布至关重要

概念：

组距：每组数据的分割区域，例如1-5一组5-10一组。我们可以称数据的组距为5

组数：(最大数据-最小数据)/组距一般会100条数据可分5-12组

方法

hist(data,bins,density)

data 所有的数据

bins 分几组

density 显示概率

普通直方图：

from matplotlib import pyplot as plt
from random import randint

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 1.准备数据
data = [randint(1, 100) for _ in range(100)]
# 2.绘制图表
plt.hist(data,20)

修改样式：

# 1.准备数据
data = [randint(1, 100) for _ in range(100)]
# 2.绘制图表 修改样式
plt.hist(data,20,facecolor='tab:orange',edgecolor='white',alpha=0.5)

显示概率：

# 1.准备数据
data = [randint(1, 100) for _ in range(100)]
# 2.绘制图表 修改样式
plt.hist(data,20,facecolor='tab:orange',edgecolor='white',alpha=0.5)

箱图(盒图)

箱图（Box Plot），又称为箱形图、箱线图、盒式图、盒状图或盒须图，是一种用于展示数据分布情况的统计图表

箱图通过显示数据的中位数、上下四分位数（Q1和Q3）、异常值和数据的分布范围，提供了对数据整体特征的直观认识。以下是箱图的主要组成部分和特点：

箱体（Box）： 箱体代表数据集的四分位距，即上四分位数（Q3）和下四分位数（Q1）之间的区域。箱体的长度表示数据的分布范围，越长表示数据的变异性越大

中位数线（Median Line）： 在箱体内部通常有一条横线，表示数据的中位数，即将数据集分为两半的位置

须（Whiskers）： 须是延伸自箱体的线段，用于表示数据的整体范围。通常，须的长度限制在1.5倍的四分位距之内。超过这个范围的数据点被认为是潜在的异常值

异常值（Outliers）： 箱图中的异常值是须之外的数据点，它们可能是数据中的极端值。异常值可以帮助识别数据中的离群观测

以下是箱图的一些主要用途和适用场景：

展示数据分布： 箱图可以清晰地展示数据集的整体分布情况，包括中位数、上下四分位数和异常值，提供了对数据分布形状的直观认识

观察中心位置和离散度： 通过箱图，可以轻松地识别数据的中位数和四分位数，帮助观察者了解数据的中心位置和变异性

检测异常值： 箱图有助于识别数据中的异常值，这些值可能是与数据集的整体分布不同的极端值

比较不同组别的数据分布： 箱图可以用于比较不同类别或组别的数据分布情况，从而观察它们之间的差异

评估对称性和偏斜： 箱图的形状有助于观察数据的对称性或偏斜，这对于了解数据的分布特征非常有用

用于统计分析和质量控制： 箱图常用于统计学分析和质量控制中，帮助决策者识别问题、制定策略和改进流程

方法：boxplot(data) 绘制盒图

单盒子：

# 显示
data = [randint(1,100) for i in range(100)]
data.append(-60)
plt.boxplot(data)

多盒子：

data = [randint(1,100) for i in range(100)]
data2 = [randint(1,100) for i in range(100)]
data.append(-60)
# vert=False 水平显示 默认是True
# notch=True 显示缺口
plt.boxplot([data,data2],notch=True,labels=['随机数','随机数2'],sym='yo')

散点图

散点图是一种用于显示两个变量之间关系的图表，每个点代表数据集中的一个观测值。以下是散点图的主要作用和适用场景：

展示变量之间的关系： 散点图适用于展示两个变量之间的关系，帮助观察者了解它们之间的趋势、相关性或模式
识别趋势： 通过观察散点图中的点的分布，可以判断是否存在线性或非线性的趋势。这有助于理解变量之间的关联性
发现异常值： 散点图可以用于识别数据集中的异常值，即与其他数据点明显不同的观测值
比较不同群体或类别的关系： 如果数据可以按照不同的群体或类别划分，散点图可以用于比较这些群体或类别之间的变量关系
显示数据的分布： 在散点图中，密集的点集中通常表示较高的数据密度，反之表示较低的密度，从而有助于观察数据的分布情况
用于回归分析： 散点图是回归分析的重要工具，可以用于评估两个变量之间是否存在趋势，并用最佳拟合线（回归线）来描述这种趋势

方法：scatter(x,y) 绘制散点图

案例：

from matplotlib import pyplot as plt


plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


x = [161.2, 167.5, 159.5, 157.0, 155.8, 170.0, 159.1, 166.0, 176.2, 160.2, 172.5, 170.9, 172.9, 153.4, 160.0, 147.2, 168.2, 175.0, 157.0, 167.6, 159.5, 175.0, 166.8, 176.5, 170.2, 174.0, 173.0, 179.9, 170.5, 160.0, 154.4, 162.0, 176.5, 160.0, 152.0, 162.1, 170.0, 160.2, 161.3, 166.4, 168.9, 163.8, 167.6, 160.0, 161.3, 167.6, 165.1, 160.0, 170.0, 157.5, 167.6, 160.7, 163.2, 152.4, 157.5, 168.3, 180.3, 165.5, 165.0, 164.5, 156.0, 160.0, 163.0, 165.7, 161.0, 162.0, 166.0, 174.0, 172.7, 167.6, 151.1, 164.5, 163.5, 152.0, 169.0, 164.0, 161.2, 155.0, 170.0, 176.2, 170.0, 162.5, 170.3, 164.1, 169.5, 163.2, 154.5, 159.8, 173.2, 170.0, 161.4, 169.0, 166.2, 159.4, 162.5, 159.0, 162.8, 159.0, 179.8, 162.9, 161.0, 151.1, 168.2, 168.9, 173.2, 171.8, 178.0, 164.3, 163.0, 168.5, 166.8, 172.7, 163.5, 169.4, 167.8, 159.5, 167.6, 161.2, 160.0, 163.2, 162.2, 161.3, 149.5, 157.5, 163.2, 172.7, 155.0, 156.5, 164.0, 160.9, 162.8, 167.0, 160.0, 160.0, 168.9, 158.2, 156.0, 160.0, 167.1, 158.0, 167.6, 156.0, 162.1, 173.4, 159.8, 170.5, 159.2, 157.5, 161.3, 162.6, 160.0, 168.9, 165.1, 162.6, 165.1, 166.4, 160.0, 152.4, 170.2, 162.6, 170.2, 158.8, 172.7, 167.6, 162.6, 167.6, 156.2, 175.2, 172.1, 162.6, 160.0, 165.1, 182.9, 166.4, 165.1, 177.8, 165.1, 175.3, 154.9, 158.8, 172.7, 168.9, 161.3, 167.6, 165.1, 175.3, 157.5, 163.8, 167.6, 165.1, 165.1, 168.9, 162.6, 164.5, 176.5, 168.9, 175.3, 159.4, 160.0, 170.2, 162.6, 167.6, 162.6, 160.7, 160.0, 157.5, 162.6, 152.4, 170.2, 165.1, 172.7, 165.1, 170.2, 170.2, 170.2, 161.3, 167.6, 167.6, 165.1, 162.6, 152.4, 168.9, 170.2, 175.2, 175.2, 160.0, 165.1, 174.0, 170.2, 160.0, 167.6, 167.6, 167.6, 154.9, 162.6, 175.3, 171.4, 157.5, 165.1, 160.0, 174.0, 162.6, 174.0, 162.6, 161.3, 156.2, 149.9, 169.5, 160.0, 175.3, 169.5, 160.0, 172.7, 162.6, 157.5, 176.5, 164.4, 160.7, 174.0, 163.8]
y = [51.6, 59.0, 49.2, 63.0, 53.6, 59.0, 47.6, 69.8, 66.8, 75.2, 55.2, 54.2, 62.5, 42.0, 50.0, 49.8, 49.2, 73.2, 47.8, 68.8, 50.6, 82.5, 57.2, 87.8, 72.8, 54.5, 59.8, 67.3, 67.8, 47.0, 46.2, 55.0, 83.0, 54.4, 45.8, 53.6, 73.2, 52.1, 67.9, 56.6, 62.3, 58.5, 54.5, 50.2, 60.3, 58.3, 56.2, 50.2, 72.9, 59.8, 61.0, 69.1, 55.9, 46.5, 54.3, 54.8, 60.7, 60.0, 62.0, 60.3, 52.7, 74.3, 62.0, 73.1, 80.0, 54.7, 53.2, 75.7, 61.1, 55.7, 48.7, 52.3, 50.0, 59.3, 62.5, 55.7, 54.8, 45.9, 70.6, 67.2, 69.4, 58.2, 64.8, 71.6, 52.8, 59.8, 49.0, 50.0, 69.2, 55.9, 63.4, 58.2, 58.6, 45.7, 52.2, 48.6, 57.8, 55.6, 66.8, 59.4, 53.6, 73.2, 53.4, 69.0, 58.4, 56.2, 70.6, 59.8, 72.0, 65.2, 56.6, 105.2, 51.8, 63.4, 59.0, 47.6, 63.0, 55.2, 45.0, 54.0, 50.2, 60.2, 44.8, 58.8, 56.4, 62.0, 49.2, 67.2, 53.8, 54.4, 58.0, 59.8, 54.8, 43.2, 60.5, 46.4, 64.4, 48.8, 62.2, 55.5, 57.8, 54.6, 59.2, 52.7, 53.2, 64.5, 51.8, 56.0, 63.6, 63.2, 59.5, 56.8, 64.1, 50.0, 72.3, 55.0, 55.9, 60.4, 69.1, 84.5, 55.9, 55.5, 69.5, 76.4, 61.4, 65.9, 58.6, 66.8, 56.6, 58.6, 55.9, 59.1, 81.8, 70.7, 56.8, 60.0, 58.2, 72.7, 54.1, 49.1, 75.9, 55.0, 57.3, 55.0, 65.5, 65.5, 48.6, 58.6, 63.6, 55.2, 62.7, 56.6, 53.9, 63.2, 73.6, 62.0, 63.6, 53.2, 53.4, 55.0, 70.5, 54.5, 54.5, 55.9, 59.0, 63.6, 54.5, 47.3, 67.7, 80.9, 70.5, 60.9, 63.6, 54.5, 59.1, 70.5, 52.7, 62.7, 86.3, 66.4, 67.3, 63.0, 73.6, 62.3, 57.7, 55.4, 104.1, 55.5, 77.3, 80.5, 64.5, 72.3, 61.4, 58.2, 81.8, 63.6, 53.4, 54.5, 53.6, 60.0, 73.6, 61.4, 55.5, 63.6, 60.9, 60.0, 46.8, 57.3, 64.1, 63.6, 67.3, 75.5, 68.2, 61.4, 76.8, 71.8, 55.5, 48.6, 66.4, 67.3]
plt.scatter(x, y,color='tab:blue',alpha=0.5)

from matplotlib import pyplot as plt
from random import randint

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

x = []
y = [randint(1,100) for i in range(len(x))]
size = [i//10 for i in y]
color = [randint(1,100) for i in range(len(x))]
plt.scatter(x, y,c=color,s=y,alpha=0.5)

饼图

饼图（Pie Chart）是一种常见的数据可视化图表，主要用于展示数据的相对比例。饼图通过将整体分割成扇形，每个扇形的角度大小表示相应类别的数据占总体的比例。以下是饼图的主要作用和适用场景：

显示相对比例： 饼图最主要的作用是显示不同类别或部分的数据在整体中所占的相对比例，通过扇形的大小直观地表达这些比例关系
强调部分与整体的关系： 饼图适用于突出各部分数据在整体中的比重，使观察者更容易理解每个类别对总体的贡献程度
用于少量类别的数据： 饼图通常适用于展示少量（2-7个）类别的数据，因为过多的扇形会使图表复杂难以解读
比较各类别的重要性： 饼图允许观察者直观比较各类别的相对重要性，即使这些类别的数值较小也能清晰呈现

方法 pie(data) 绘制饼图

常规饼图

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]
plt.pie(data,labels=labels,autopct='%1.1f%%',colors=['tab:red','tab:blue','tab:green','tab:orange'])
plt.legend()

设置字体

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]
plt.pie(data,labels=labels,autopct='%1.1f%%',
    textprops={'fontsize':20,'color':'tab:blue'})
plt.legend()

互换内容位置

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]
plt.pie(data,labels=labels,
    pctdistance=1.2,  # 设置值距离圆心的距离
    labeldistance=0.6, # 设置标签距离圆心的距离
    autopct='%1.1f%%',colors=['tab:red','tab:blue','tab:green','tab:orange'])
plt.legend()

分离扇区

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]

explode = (0, 0.1, 0.1, 0)
plt.pie(data,labels=labels,
    explode=explode, # 设置扇形的偏移量
    autopct='%1.1f%%',colors=['tab:red','tab:blue','tab:green','tab:orange'])
plt.legend(loc='best')

空心饼图

explode = (0, 0.1, 0.1, 0)
plt.pie(data,labels=labels,
    wedgeprops={'width':0.4},# 设置空心
    pctdistance=0.8, # 设置标签距离圆心的距离
    explode=explode, # 设置扇形的偏移量
    autopct='%1.1f%%',colors=['tab:red','tab:blue','tab:green','tab:orange'])
plt.legend(loc='best')

热力图

热力图（Heatmap）是一种通过颜色编码来显示数据矩阵中各元素相对值的图表，它主要用于呈现数据的相对密度、强度或关联程度。以下是热力图的主要作用和适用场景：

显示数据矩阵的模式： 热力图适用于显示数据矩阵中各元素之间的相对关系，通过颜色的深浅反映元素的相对值大小
可视化关联程度： 热力图能够清晰地表达不同元素之间的关联程度，特别是在表示相关性矩阵或相似性矩阵时，颜色的变化可以直观地展示变量之间的相关性
观察趋势和模式： 热力图在时间序列分析中常用于观察数据的趋势和模式。时间和另一个维度的数据可以在热力图中以两个轴展示，颜色则表示数据的强度
聚类分析： 热力图可用于辅助聚类分析，帮助观察者识别数据集中的分组或模式，尤其是在生物学、金融和市场研究等领域
异常值检测： 通过热力图，可以识别数据中的异常值，因为异常值通常在热力图中表现为与其他元素不同颜色的点
地理信息可视化： 热力图可以用于可视化地理信息数据，如人口密度、温度分布等，通过颜色的变化呈现不同地区的相对值
可视化深度学习中的权重： 在深度学习中，热力图常被用于可视化神经网络的权重，以便更好地理解网络的学习过程

方法 imshow(data) 绘制热力图

常规热力图：

days = [
  'Saturday', 'Friday', 'Thursday',
  'Wednesday', 'Tuesday', 'Monday', 'Sunday'
]
hours = [
  '12a', '1a', '2a', '3a', '4a', '5a', '6a',
  '7a', '8a', '9a', '10a', '11a',
  '12p', '1p', '2p', '3p', '4p', '5p',
  '6p', '7p', '8p', '9p', '10p', '11p'
]
data = [
   [5, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2, 4, 1, 1, 3, 4, 6, 4, 4, 3, 3, 2, 5], 
   [7, 0, 0, 0, 0, 0, 0, 0, 0, 0, 5, 2, 2, 6, 9, 11, 6, 7, 8, 12, 5, 5, 7, 2], 
   [1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 3, 2, 1, 9, 8, 10, 6, 5, 5, 5, 7, 4, 2, 4],
   [7, 3, 0, 0, 0, 0, 0, 0, 1, 0, 5, 4, 7, 14, 13, 12, 9, 5, 5, 10, 6, 4, 4, 1], 
   [1, 3, 0, 0, 0, 1, 0, 0, 0, 2, 4, 4, 2, 4, 4, 14, 12, 1, 8, 5, 3, 7, 3, 0], 
   [2, 1, 0, 3, 0, 0, 0, 0, 2, 0, 4, 1, 5, 10, 5, 7, 11, 6, 0, 5, 3, 4, 2, 0], 
   [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 2, 1, 3, 4, 0, 0, 0, 0, 1, 2, 2, 6]
]
# 绘制热力图
plt.imshow(data)

带样式：

# 创建画布
plt.figure(figsize=(20,10))
# 绘制热力图
plt.imshow(data,cmap='rainbow')
# 设置x轴刻度
plt.xticks(range(24),hours)
# 设置y轴刻度
plt.yticks(range(7),days)
# 显示颜色条
plt.colorbar()
# 显示数值
for i,d in enumerate(data):
  for j,h in enumerate(d):
    plt.text(j,i,data[i][j],ha='center',va='center',color='w')

3D图表

设置画布为3D：

# 绘制图形
fig = plt.figure()
ax = fig.add_subplot(projection='3d')

3D折线图：

# 绘制3D折线图
# 准备数据
x = [1, 2, 3, 4, 5, 6, 7]
y = [3, 5, 6, 15, 17, 18, 2]
z = [1, 2, 3, 4, 5, 6, 7]


# 绘制图形
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
plt.plot(x, y, z)

3D散点图：

x = [randint(1,20) for i in range(100)]
y = [randint(1,20) for i in range(100)]
z = [randint(1,20) for i in range(100)]
# 绘制图形
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
plt.scatter(x, y, z, color='tab:red', marker='*')

3D条图

x = range(3)


# 绘制条图
fig = plt.figure()
ax = fig.add_subplot(projection='3d')
colors = ['tab:red', 'tab:blue', 'tab:green']


for i in x:
  y = [randint(1,20) for i in range(6)]
  z = [randint(5,20) for i in range(6)]
  plt.bar(y, z, zs=i,zdir='x', alpha=0.8,width=1.8,color=[colors[i] for _ in range(6)])
  plt.xticks(range(0,3,1))
  ax.set_xlabel('x轴')
  ax.set_ylabel('y轴')
  ax.set_zlabel('z轴')

二：Seaborn

Seaborn 是以 matplotlib为底层，更容易定制化作图的Python库。官网http://seaborn.pydata.org/

Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易。

在大多数情况下使用Seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图，换句话说，matplotlib更加灵活，可定制化，而seaborn像是更高级的封装，使用方便快捷。

应该把Seaborn视为matplotlib的补充，而不是替代物。

安装seaborn：

pip install seaborn==0.13.1

seaborn的简单使用：

import matplotlib.pyplot as plt
import seaborn as sns
sns.set()
plt.plot([1,5,10],[1,3,5])
plt.show()

seaborn内置数据集

seaborn有许多内置数据集，通过方法load_dataset()调用

import seaborn as sns

data = sns.load_dataset('tips')
print(data)

seaborn设置风格主题

除了各种绘图方式外，图形的美观程度可能是我们最关心的了。将它放到第一部分，因为风格设置是一些通用性的操作，对于各种绘图方法都适用。

Seaborn 支持的风格有5种：

darkgrid 黑背景-白格

whitegrid 白背景-白格

dark 黑背景

white 白背景

ticks

设置风格的方法：

set(style='')

set_style(value) 统一设置

axes_style(value) 单一设置

注意:修改样式要在填充数据之前

import seaborn as sns
from matplotlib import pyplot as plt

# 支持直接修改matplotlib的样式
sns.set_style('whitegrid')
plt.plot([1,5,10],[1,3,5])

data = sns.load_dataset('tips')

# 5种样式
sns.set_style('whitegrid')
sns.barplot(x='sex', y='size', data=data)
sns.set_style('white')
sns.barplot(x='sex', y='size', data=data)
sns.set_style('darkgrid')
sns.barplot(x='sex', y='size', data=data)
sns.set_style('dark')
sns.barplot(x='sex', y='size', data=data)
sns.set_style('ticks')
sns.barplot(x='sex', y='size', data=data)

# set方法实现
sns.set(style='whitegrid')
sns.barplot(x='sex', y='size', data=data)

# 单独设置
with sns.axes_style('darkgrid'):
  sns.lineplot(x='total_bill', y='tip', data=data)

seaborn调色板的使用

颜色比图形样式的其他方面更重要，因为如果有效使用颜色可以更凸显示数据的结果与重要

Seaborn可以轻松选择和使用适合您正在使用的数据类型的调色板以及您可视化的目标

支持的方法

color_palette() 能传入任何Matplotlib所支持的颜色

color_palette() 不写参数则,默认颜色 deep, muted, pastel, bright, dark, colorblind

color_palette() ["#9b59b6", "#3498db", "#95a5a6", "#e74c3c", "#34495e", "#2ecc71"]

light_palette()

dark_palette()

set_palette()设置所有图的颜色

调色板

current_palette = sns.color_palette()
sns.palplot(current_palette)

current_palette = sns.color_palette('dark')
sns.palplot(current_palette) #10个色块
sns.palplot(sns.color_palette('hls',8))#8个颜色，色度比较亮

连续的调色板

sns.palplot(sns.color_palette('Blues'))
sns.palplot(sns.color_palette('Greens_r')) #参数里可以输入数字，指定颜色的块数,_r由深到浅

自定义连续调色板

sns.palplot(sns.light_palette('green'))
sns.palplot(sns.dark_palette('purple'))

xkcd_rgb 颜色:从xkcd_rgb这产生了一组颜色https://xkcd.com/color/rgb/，可以使用xkcd_rgb在seaborn中引用它们.

sns.xkcd_palette(['dark pink','algae','spring green','greyish blue'])

色板的应用:

x = range(5,11)
plt.bar(x,x,color=sns.color_palette('Reds'))
sns.barplot(x='sex', y='size', data=data,palette=sns.color_palette(n_colors=2),hue='sex')

seaborn条形图

常见方法

barplot方法单独绘制条形图

catplot方法可以条形图、散点图、盒图、小提亲图、等

countplot方法统计数量

常规条图

import seaborn as sns
# 示例数据
tips = sns.load_dataset("tips")
# 单变量柱状图
sns.barplot(x="day", y="total_bill", data=tips)
# 显示图表
plt.show()


sns.catplot(data=tips,kind="bar",x="day", y="total_bill")

横向条图

import seaborn as sns
# 示例数据
tips = sns.load_dataset("tips")
# 单变量柱状图
sns.barplot(x="total_bill", y="day", data=tips)
# 显示图表
plt.show()

分组条图

import seaborn as sns
# 示例数据
tips = sns.load_dataset("tips")
# 分组柱状图
sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
# 显示图表
plt.show()

设置颜色

import seaborn as sns
# 示例数据
tips = sns.load_dataset("tips")
# 设置颜色
sns.barplot(x="day", y="total_bill", data=tips,color='salmon')
sns.barplot(x="day", y="total_bill", hue="sex", data=tips,palette='dark:salmon')
# 显示图表
plt.show()

统计数量

import seaborn as sns
import matplotlib.pyplot as plt


# 示例数据
tips = sns.load_dataset("tips")
display(tips.groupby('day').count())
# 使用countplot绘制单变量柱状图
sns.countplot(x="day", data=tips)
# 显示图表
plt.show()

seaborn直方图

方法

histplot方法绘制单变量或双变量直方图来显示数据集的分布

displot方法绘制直方图、核密度图。可以比较多个变量分布情况

常规

import seaborn as sns


# 示例数据
tips = sns.load_dataset("tips")


# 基本直方图
sns.histplot(tips['total_bill'])
sns.displot(tips['total_bill'])

额外设置

import seaborn as sns


# 示例数据
tips = sns.load_dataset("tips")


# 直方图 + KDE 核密度估计
# 核密度估计的作用是用来估计概率密度函数的，它可以用来描述随机变量的密度分布
sns.histplot(tips['total_bill'],kde=True)
sns.displot(tips['total_bill'], kde=True)


# 多变量直方图
multiple='layer' # 默认值，以层叠的形式展示
multiple='dodge' # 以并列的形式展示
multiple='stack' # 以堆叠的形式展示
multiple='fill' # 以百分比堆叠的形式展示


sns.histplot(x='total_bill', hue='sex', data=tips)
sns.histplot(x='total_bill', hue='sex', data=tips, multiple='stack')
sns.histplot(x='total_bill', hue='sex', data=tips, multiple='dodge')
sns.histplot(x='total_bill', hue='sex', data=tips, multiple='fill')


sns.displot(x='total_bill', hue='sex', data=tips, multiple='stack')
sns.displot(x='total_bill', hue='sex', data=tips, multiple='dodge')
sns.displot(x='total_bill', hue='sex', data=tips, multiple='fill')


# 定制直方图
sns.histplot(x='total_bill', data=tips, bins=20, color='skyblue', edgecolor='black', linewidth=1.2)
sns.displot(x='total_bill', data=tips, bins=20, color='skyblue', edgecolor='black', linewidth=1.2)


# 累积直方图
sns.histplot(x='total_bill', data=tips, element='step')
sns.displot(x='total_bill', data=tips, element='step',col='time')

seaborn折线图

方法

lineplot方法单独绘制折线图

relplot方法绘制折线图、散点图

常规

import seaborn as sns


# 使用lineplot绘制折线图
sns.lineplot(x=[1,2,3,4,5],y=[1,2,3,4,5])
sns.relplot(x=[1,2,3,4,5],y=[1,2,3,4,5],kind='line')

额外设置

import seaborn as sns
# 示例数据
tips = sns.load_dataset("tips")


sns.lineplot(x="day", y="total_bill", data=tips)
sns.relplot(x="day", y="total_bill", data=tips, kind='line')


# 多变量折线图
sns.lineplot(x="day", y="total_bill", data=tips,hue='time')
sns.relplot(x="day", y="total_bill", data=tips,hue='time',kind='line')


# 使用relplot绘制折线图
sns.relplot(x="day", y="total_bill", data=tips,
      kind='line',# 图像类型
      hue='sex',# 分类变量
      col='time') # 分图变量

seaborn散点图

方法

scatterplot方法主要用于绘制两个数值变量之间的散点图

relplot方法可以绘制多种类型的关系图，包括散点图

常规：

import seaborn as sns


# 加载数据
tips = sns.load_dataset('tips')
# 常规散点图
sns.scatterplot(data=tips,x='total_bill', y='tip')
sns.relplot( data=tips, x='total_bill', y='tip',kind='scatter')
# 多组散点图
sns.scatterplot(data=tips,x='total_bill', y='tip', hue='smoker')
sns.relplot(data=tips,x='total_bill', y='tip', hue='smoker')
# 多变量散点图
sns.relplot(data=tips,x='total_bill', y='tip', hue='smoker',col='time')

seaborn分类散点图

方法

stripplot方法利用抖动功能绘制分类散点图，以减少过度绘图

swramplot方法绘制分类散点图，并将点调整为不重叠

catplot方法可以绘制以上2种图，并且可以分图

常规：

import seaborn as sns


tips = sns.load_dataset("tips")


# 绘制分类散点图
# sns.stripplot(x="total_bill", data=tips)
# sns.stripplot(x="total_bill", y="day", data=tips)
# sns.stripplot(y="total_bill", x="day", data=tips)
# sns.stripplot(y="total_bill", x="day", data=tips,hue='sex')
# sns.stripplot(y="total_bill", x="day", data=tips,hue='sex',dodge=True)
# sns.stripplot(y="total_bill", x="day", data=tips,hue='sex',dodge=True)
sns.catplot(y="total_bill", x="day", data=tips,hue='sex',dodge=True,marker="D",col='smoker')


# 绘制展开的散点图
# sns.swarmplot(y="total_bill", x="day", data=tips,hue='sex',marker="v")
sns.catplot(y="total_bill", x="day", data=tips,hue='sex',marker="v",col='smoker',kind='swarm')

seaborn盒图

方法

boxplot方法

catplot方法

常规：

import seaborn as sns


# 示例数据
tips = sns.load_dataset("tips")


sns.boxplot(x="day", y="total_bill", data=tips)
sns.boxplot(x="day", y="total_bill", data=tips,hue="smoker")
sns.boxplot(x="day", y="total_bill", data=tips,hue="smoker",
      fill=False, # 填充箱体,默认为True
      gap=0.1,  # 箱体间隔
      width=0.5, # 箱体宽度
      notch=True # 箱体是否缺口
       )
sns.catplot(x="day", y="total_bill", data=tips,kind="box")
sns.catplot(x="day", y="total_bill", data=tips,kind="box",col="sex")

seaborn小提琴图

提琴图的作用与箱形须线图类似。它显示了数据点按一个（或多个）变量分组后的分布情况。与箱图不同的是，每一个小提琴图都是通过对基础分布的核密度估计来绘制的。

方法

violinplot方法绘制单图小提琴图

catplot方法绘制多图小提琴图

常规：

sns.violinplot(x="day", y="total_bill", data=tips)
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker")
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False)  # 空心
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False,split=True)  # 拼接成1个
sns.violinplot(x="day", y="total_bill", data=tips,hue="smoker",fill=False,split=True,gap=0.1)  # 设置间隔
sns.catplot(x="day", y="total_bill", data=tips,hue="smoker",kind="violin",col="sex")

seaborn热力图

方法

heatmap方法

常规：

import seaborn as sns
import matplotlib.pyplot as plt


# 示例数据
flights = sns.load_dataset("flights")
flights


data=flights.pivot(index='month',columns='year',values='passengers')
data


sns.heatmap(data)
sns.heatmap(data,annot=True,fmt='d')  # annot:是否显示数值，fmt:数值显示格式
sns.heatmap(data,annot=True,fmt='d',linewidths=.5) # linewidths:线宽
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=False) # cbar:是否显示颜色条
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=False,cmap='YlGnBu') # cmap:颜色条样式
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=False,cmap='Blues') # cmap:颜色条样式
sns.heatmap(data,annot=True,fmt='d',linewidths=.5,cbar=False,vmin=200,vmax=400) # vmin,vmax:设置颜色条的最大最小值

seaborn点图

点图用于探索和比较两个分类变量之间的关系

主要特点和使用场景包括：

中心趋势的表示： 点图通过在坐标轴上的点表示每个组别的中心趋势，通常是均值。这使得你可以直观地比较不同组别的中心位置。
不确定性的展示： 除了点的位置表示中心趋势外，点图还通过垂直线（误差棒）表示中心趋势的不确定性，通常是置信区间。这有助于了解估计值的精度。
适用于两个分类变量： 点图的主要用途是比较两个分类变量之间的关系。一个分类变量通常用于横轴，另一个分类变量用于纵轴

方法

pointplot方法

catplot方法

常规：

import seaborn as sns
import matplotlib.pyplot as plt


# 示例数据
tips = sns.load_dataset("tips")


# 使用pointplot绘制点图
sns.pointplot(x="day", y="total_bill", data=tips)
# 分组
sns.pointplot(x="day", y="total_bill", data=tips,hue='sex')
# 设置标记
sns.pointplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'])
# 设置dodge,偏离图形中心的距离
sns.pointplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True)
# 设置catplot
sns.catplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True,kind='point')
# 分图
sns.catplot(x="day", y="total_bill", data=tips,hue='sex',markers=['o','s'],linestyles=['-','--'],dodge=True,kind='point',col='smoker')

seaborn核密度图

核密度估计图是一种用于估计概率密度函数的非参数方法

核密度估计图可以帮助理解数据的分布情况，尤其在连续变量的情况下，它提供了一种平滑的、连续的概率密度估计

主要特点和作用包括：

连续概率密度估计： 核密度估计图通过在每个数据点周围放置核（通常是高斯核）来估计连续概率密度函数。这样，我们可以看到整个变量范围内的概率密度变化
平滑曲线： 生成的图表是一条平滑的曲线，反映了数据的整体趋势。相对于直方图，核密度估计提供了更连续、更平滑的概率密度表示
用于多变量分布： 核密度估计图也可以用于可视化多个变量的联合分布情况

方法

kdeplot方法核密度图

displot方法支持多组、多图

常规：

import seaborn as sns


tips = sns.load_dataset("tips")


sns.kdeplot(data=tips, x="total_bill")  # 单变量密度图
sns.kdeplot(data=tips, x="total_bill", hue="time")    # 分组
sns.kdeplot(data=tips, x="total_bill", hue="time",multiple="stack")  # 堆叠
sns.kdeplot(data=tips, x="total_bill", hue="size",multiple="stack",alpha=.5,linewidth=0,palette="Blues") # 修改样式
sns.kdeplot(data=tips, x="total_bill", y="tip") # 双变量密度图
sns.kdeplot(data=tips, x="total_bill", y="tip",hue='sex') # 分组
sns.kdeplot(data=tips, x="total_bill", y="tip",fill=True)  # 填充


sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde')  # 填充
sns.displot(data=tips, x="total_bill", y="tip",fill=True,kind='kde',col='time')  # 填充

seaborn回归图

线性回归图是用于可视化线性回归分析结果的图表。它通常包括散点图、回归线和误差条，以便直观地展示自变量和因变量之间的线性关系。线性回归图的主要组成部分包括：

散点图（Scatter Plot）： 在图中绘制了自变量和因变量的散点，每个点代表一个观测数据。散点图帮助我们直观地观察变量之间的分布和可能的关系
回归线（Regression Line）： 通过回归分析，得到了一条最佳拟合的直线，它代表了自变量和因变量之间的线性关系。回归线的斜率表示了这种关系的方向和强度
误差条（Error Bars）： 误差条通常在每个点附近绘制，用于表示每个观测值的误差范围。这有助于了解拟合程度和数据的离散程度
回归方程信息： 可能包括回归方程、截距、斜率等信息，以提供更详细的模型解释

方法

sns.regplot方法

sns.lmplot方法支持分组、分图
注意

可能需要安装 statsmodels模块,安装完模块要重启当前的ipynb文件环境
pip install statsmodels==0.14.1

# sns.regplot(data=tips,x='tip',y='total_bill')
# sns.regplot(data=tips,x='tip',y='total_bill',lowess=True)  # lowess=True 会显示出更平滑的曲线
# sns.regplot(data=tips,x='tip',y='total_bill',robust=True)  # robust=True 降低异常值的影响
sns.regplot(data=tips,x='tip',y='total_bill',
      scatter_kws={'s':50,'alpha':0.3,'color':'skyblue'},
      marker='s'
       ) # 修改样式


# sns.lmplot(data=tips,x='tip',y='total_bill',hue='sex',col='time')

seaborn联合图

方法

jointplot方法

sns.jointplot(data=tips,x='tip',y='total_bill')
sns.jointplot(data=tips,x='tip',y='total_bill',kind='scatter') # kind='scatter' 散点图 默认
sns.jointplot(data=tips,x='tip',y='total_bill',kind='kde') # 盒密度
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hist') # 直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='reg') # 回归图+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='hex') # 六角+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',kind='resid') # 残差+直方图
sns.jointplot(data=tips,x='tip',y='total_bill',hue='sex')  # 分组
sns.jointplot(data=tips,x='tip',y='total_bill',hue='sex',marker='s',palette='dark:red')  # 修改样式
sns.jointplot(data=tips,x='tip',y='total_bill',hue='sex',
       palette='dark:red',kind='hist',marginal_kws={'fill':False,'bins':10})  # 修改样式

seaborn成队绘图

方法:pairplot方法

sns.pairplot(tips)
sns.pairplot(data=tips,vars=["total_bill","tip"]) # 设置指定变量
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker") # 设置指定变量,并且按照smoker分类
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='scatter') # 设置指定变量,并且按照smoker分类
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",kind='hist')
sns.pairplot(data=tips,vars=["total_bill","tip"],hue="smoker",
       kind='hist',  # 设置除中线图形类型
       diag_kind='kde', # 设置中线图形类型
       )

seaborn绘制图表到子图

import seaborn as sns
from matplotlib import pyplot as plt


tips = sns.load_dataset("tips")


# 获取单一子图
ax1 = plt.subplot(2,2,1)
ax2 = plt.subplot(2,2,2)
# 绘制内容到指定子图
sns.lineplot(x="total_bill", y="tip", data=tips, ax=ax1)
sns.lineplot(x="size", y="tip", data=tips, ax=ax2)


# 获取批量子图
fig,ax= plt.subplots(2,2,figsize=(20,8)) 
# 绘制内容到指定子图
fig,ax= plt.subplots(2,2,figsize=(20,8)) 
sns.lineplot(x="total_bill", y="tip", data=tips, ax=ax[0,0])
sns.lineplot(x="size", y="tip", data=tips, ax=ax[0][1])

seaborn网络对象的使用

图表参数

参数	描述	对应使用了FacetGrid函数
plt.plot/sns.lineplot	折线图	sns.relplot(kind='line')
plt.hexbin	六边形图	sns.jointplot(kind='hex')
plt.hist/sns.histplot	直方图	sns.distplot()
plt.scatter/sns.scatterplot	散点图	sns.relplot(kind='scatter')
sns.stripplot	分类散点图	sns.catplot(kind='strip')
sns.swarmplot	分散分类散点图	sns.catplot(kind='swarm')
sns.boxplot	箱图	sns.catplot(kind='box')
sns.violinplot	小提琴图	sns.catplot(kind='violin')
sns.pointplot	点线图	sns.catplot(kind='point')
sns.barplot	条图	sns.catplot(kind='bar')
sns.countplot	数量统计条图	sns.catplot(kind='count')
sns.regplot	回归线图	sns.lmplot()
其它

# 绘制单图表
g = sns.FacetGrid(tips)
g.map(sns.scatterplot, "total_bill", "tip")
g.map(sns.regplot, "total_bill", "tip")
# 绘制多组图表
g = sns.FacetGrid(tips,col="time",row="smoker")
g.map(sns.regplot, "total_bill", "tip")
# 分组
g = sns.FacetGrid(tips,col="time",row="smoker",hue='sex')
g.map(sns.regplot, "total_bill", "tip")
# 修改样式
g = sns.FacetGrid(tips,col="time",row="smoker",hue='sex',
         palette="Set1", # 设置颜色
         height=4, aspect=1.5, # 设置大小
         hue_kws={"marker": ["*", "s"]}, # 设置标记
          ) 
g.map(sns.regplot, "total_bill", "tip")

# 修改样式
g = sns.FacetGrid(tips,row='sex',col='time',hue='smoker',
         height=4,# 设置图表的高度
         aspect=1.5, # 设置图表的宽高比
         palette='Set1', # 设置调色板
        #  hue_kws={'marker':['*','*']}, # 设置标记的样式
          )
g.map(sns.regplot,'tip','total_bill')
g.add_legend(label_order=['Yes','No']) # 添加图例,并设置图例的顺序
# 修改图例的标签
new_labels = ['是','否']
# 修改图例的文本
for text,label in zip(g._legend.texts,new_labels):
  text.set_text(label)
g.set_axis_labels('小费','账单') # 设置坐标轴的标签
g.set_titles(row_template='{row_name}',col_template='{col_name}') # 设置标题
g.set(xticks=[1,2,3,4,5,6,7,8,9,10]) # # 设置x轴的刻度
g.set(yticks=[0,5,10,15,20,25,30,35,40,45,50]) # 设置y轴的刻度

三：PyEcharts

概况：
        Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可，而 Python 是一门富有表达力的语言，很适合用于数据处理。当数
据分析遇上数据可视化时，pyecharts 诞生了
特性：
        简洁的 API 设计，使用如丝滑般流畅，支持链式调用
        囊括了 30+ 种常见图表，应有尽有
        支持主流 Notebook 环境，Jupyter Notebook 和 JupyterLab
        可轻松集成至 Flask，Django 等主流 Web 框架
        高度灵活的配置项，可轻松搭配出精美的图表
        详细的文档和示例，帮助开发者更快的上手项目
        多达 400+ 地图文件以及原生的百度地图，为地理数据可视化提供强有力的支持

官网
        官网文档：https://pyecharts.org
        官方画廊：https://gallery.pyecharts.org
        GitHub: https://github.com/pyecharts/pyecharts
        Echarts官网：https://echarts.apache.org/examples/zh/index.ht

python安装pyecharts：

pip install pyecharts==2.0.4

#查看pyecharts版本
import pyecharts
print(pyecharts.__version__)

基础运用

绘制图表

from pyecharts.charts import Bar
bar = Bar()
bar.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
bar.add_yaxis("商家 A", [5, 20, 36, 10, 75,90])
# render 会生成本地 HTML 文件，默认会在当前目录生成
render.html 文件
# 也可以传入路径参数，如
bar.render("mycharts.html")
bar.render()
bar.render_notebook()

链式写法

from pyecharts.charts import Bar
bar = (
Bar()
.add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
.add_yaxis("商家A", [5, 20, 36, 10, 75,90])
)
bar.render()

数据集与主题

数据集

from pyecharts.charts import Bar
from pyecharts.faker import Faker
c = (
Bar()
.add_xaxis(Faker.choose())
.add_yaxis("商家A", Faker.values())
.add_yaxis("商家B", Faker.values())
.render_notebook()
)

pyecharts 内置提供了 10+ 种不同的风格，另外也提供了便捷的定制主题的方法
主题：https://pyecharts.org/#/zh-cn/themes

from pyecharts.charts import Bar
from pyecharts.faker import Faker
from pyecharts.globals import ThemeType
bar = (
Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
.add_xaxis(Faker.choose())
.add_yaxis("商家A", Faker.values())
.add_yaxis("商家B", Faker.values())
.render_notebook()
)

全局配置项

地址：https://pyecharts.org/#/zh-cn/global_options
全局配置可以配置很多功能，可以理解成主要配置配合图表数据的工具

from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.faker import Faker
#全局配置
bar = (
Bar()
.add_xaxis(Faker.choose())
.add_yaxis("商家 A",Faker.values())
.add_yaxis("商家 B",Faker.values())
)
#设置全局配置调用方法set_global_opts
bar.set_global_opts(
title_opts=opts.TitleOpts(title='主标
题',subtitle="副标题",pos_left="left"), # 标题
设置
legend_opts=opts.LegendOpts(is_show=False),
#设置图例
tooltip_opts=opts.TooltipOpts(is_show=True)
, # 是否显示提示框
toolbox_opts=opts.ToolboxOpts(), # 是
否显示工具箱
visualmap_opts=opts.VisualMapOpts(range_col
or=[Faker.rand_color(),Faker.rand_color()]),
# 是否显示视觉映射配置
xaxis_opts=opts.AxisOpts(is_show=True,is_in
verse=False,min_=2,max_=5), # x轴配置
yaxis_opts=opts.AxisOpts(is_show=True,max_=
200), # y轴配置
)
bar.render_notebook()

系列配置项

地址：https://pyecharts.org/#/zh-cn/series_options
系列配置项可以配置很多功能，可以理解成主要配置配合图表数据的工具

#设置系列配置项
bar = Bar()
bar.add_xaxis(Faker.choose())
bar.add_yaxis("",Faker.values())
bar.set_series_opts(
itemstyle_opts=opts.ItemStyleOpts(color=Fak
er.rand_color(),opacity=0.8), # 设置图元样式
label_opts=opts.LabelOpts(is_show=True),
# 是否显示标签
markline_opts=opts.MarkLineOpts(data=[
opts.MarkLineItem(type_="min",name="最小
值"),
opts.MarkLineItem(type_='max',name="最大
值"),
opts.MarkLineItem(type_="average",name="平均
值")
]),
)
bar.render_notebook()

#设置系列配置项
from pyecharts.globals import ThemeType
bar =
Bar(init_opts=opts.InitOpts(theme=ThemeType.
DARK))
bar.add_xaxis(Faker.choose())
bar.add_yaxis("",Faker.values())
bar.set_series_opts(
label_opts=opts.LabelOpts(is_show=False),
markpoint_opts=opts.MarkPointOpts(data=[
opts.MarkPointItem(type_="max",name="最大
值"),
opts.MarkPointItem(type_="min",name="最小
值"),
opts.MarkPointItem(type_="average",name="平
均值")
])
)
bar.render_notebook()