Python常用可视化实例集

DataFrame.hist(column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, backend=None, legend=False, **kwargs)[source]

# 方法一：df.hist()
features = ["Total day minutes","Total intl calls"]
df[features].hist(figsize=(10,4))

# 方法二：df.plot()
df[features].plot(kind="hist")

上图表明，变量 Total day minutes 每日通话时长呈高斯分布，而 Total intl calls 总国际呼叫数显著右倾（它右侧的尾巴更长）。

2.1.2 seaborn的distploy()实现

sns.distplot(df['Total intl calls'],kde=False,bins=8)

2.1.3 matplotlib的dist()方法

plt.hist(df['Total intl calls'])

2.2 密度图@数值特征

密度图（density plots），也叫核密度图（KDE）是理解数值变量分布的另一个方法。它可以看成是直方图平滑的版本。相比直方图，它的主要优势是不依赖于柱的尺寸，更加清晰。

2.2.1 DataFrame的plot()实现

df[features].plot(kind="density",subplots=True,layout=(1, 2),
                  sharex=False,figsize=(10,4),legend=False,title=features)

2.2.2 seaborn的distploy()实现

使用 seaborn 的 distplot() 方法观测数值变量的分布。默认情况下，该方法将同时显示直方图和密度图。

seaborn.distplot(a=None, bins=None, hist=True, kde=True, rug=False, fit=None, hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None, vertical=False, norm_hist=False, axlabel=None, label=None, ax=None, x=None)

2.3 箱型图@数值特征-sns.boxplot()

箱形图的主要组成部分是箱子（box），须（whisker）和一些单独的数据点（离群值），分别简单介绍如下：

箱子显示了分布的四分位距，它的长度由 25𝑡ℎ（Q1，下四分位数）和 75𝑡ℎ（Q3，上四分位数）决定，箱中的水平线表示中位数（50%）。
须是从箱子处延伸出来的线，它们表示数据点的总体散布，具体而言，是位于区间（Q1−1.5⋅IQR,Q3+1.5⋅IQR）的数据点，其中 IQR=Q3−Q1，也就是四分位距。
离群值是须之外的数据点，它们作为单独的数据点，沿着中轴绘制。

使用 seaborn 的 boxplot() 方法绘制箱形图

sns.boxplot(x='Total intl calls', data=df)

sns.boxplot(df["Total intl calls"])

上图表明，在该数据集中，大量的国际呼叫是相当少见的。

sns.boxplot(x="International plan",y="Total intl calls",data=df,
            hue="Voice mail plan",palette="Set3")

2.4 提琴形图@数值特征-sns.violinplot()

提琴形图和箱形图的区别是，提琴形图聚焦于平滑后的整体分布，而箱形图显示了单独样本的特定统计数据。

使用 violinplot() 方法绘制提琴形图。下图左侧是箱形图，右侧是提琴形图。

_, axes = plt.subplots(1,2,sharey=True, figsize=(6,4))
sns.boxplot(data=df["Total intl calls"], ax=axes[0])
sns.violinplot(data=df["Total intl calls"], ax=axes[1])

一般来说，小提琴图是一种绘制连续型数据的方法，可以认为是箱形图与核密度图的结合体

2.5 条形图@类别特征-sns.countplot()

频率表的图形化表示是条形图。创建条形图最简单的方法是使用 seaborn的 countplot() 函数。让我们来画出两个分类变量的分布。

seaborn.countplot(*, x=None, y=None, hue=None, data=None, order=None, hue_order=None, orient=None, color=None, palette=None, saturation=0.75, dodge=True, ax=None, **kwargs)

_, axes = plt.subplots(nrows=1,ncols=2,figsize=(12,4))
sns.countplot(x="Churn",data=df,ax=axes[0])
sns.countplot(x="Customer service calls

最低0.47元/天解锁文章

200万优质内容无限畅学