3.数据可视化入门介绍

数据可视化库:1.matplotlib; 2.seabron(辅助的库,更强大更丰富更好看); 3.Axes3D …
1.导包

复制代码
1 import numpy as np
2 import pandas as pd
3
4 import matplotlib.pyplot as plt
5
6 import seaborn as sns
7 ​
8 #去除执行当中报警告提示的库
9 import warnings
10 warnings.filterwarnings(“ignore”)
11 ​
复制代码
2.图形初始化设置

 1 # 全局样式,style样式,use使用figure身材,figsize(x,y)大小,单位是英寸
 2 plt.style.use({'figure.figsize':(20,10)})
 3 
 4 # 显示问题冲突 
 5 plt.show()               # 强制显示
 6 
 7 #在pycharm中使用,图片打印不出来的时候,使用魔法方法,在行里显示,只能在jupyter中使用
 8 %matplotlib inline  
 9  
10 #国外的库都不支持中文
11 from pylab import mpl   # 使得默认支持中文 需要引入pylab库中的mpl
12 mpl.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
13 mpl.rcParams['axes.unicode_minus'] = False

3.seaborn库基本设置

数据可视化库:1.matplotlib; 2.seabron(辅助的库,更强大更丰富更好看); 3.Axes3D …
1.导包

 1 import numpy as np
 2 import pandas as pd
 3 
 4 import matplotlib.pyplot as plt
 5 
 6 import seaborn as sns
 7 ​
 8 #去除执行当中报警告提示的库
 9 import warnings
10 warnings.filterwarnings("ignore")

2.图形初始化设置

 1 # 全局样式,style样式,use使用figure身材,figsize(x,y)大小,单位是英寸
 2 plt.style.use({'figure.figsize':(20,10)})
 3 
 4 # 显示问题冲突 
 5 plt.show()               # 强制显示
 6 
 7 #在pycharm中使用,图片打印不出来的时候,使用魔法方法,在行里显示,只能在jupyter中使用
 8 %matplotlib inline  
 9  
10 #国外的库都不支持中文
11 from pylab import mpl   # 使得默认支持中文 需要引入pylab库中的mpl
12 mpl.rcParams['font.sans-serif'] = ['SimHei']  # 设置字体
13 mpl.rcParams['axes.unicode_minus'] = False

3.seaborn库基本设置

 1 sns.set_style('darkgrid') # sns设置背景颜色  white(默认)  dark暗色  darkgrid暗网
 2 
 3 sns.set_style()           # 设置样式
 4 
 5 sns.set_context('paper')  # 控制刻度
 6 
 7 # 调色板
 8 sns.color_palette()       # 设置颜色
 9 sns.set_palette()         # 设置颜色
10 sns.palplot()             # 显示颜色,在数据可视化中,带有plot的都是显示作用
11 ​
12 # h=0.01, l=0.6 (亮度), s=0.65(饱和度)
  13 # 调色板 cool hot rainbow hls spring...

  14 Sns.palplot(sns.color_palette(‘hls’,7))

线性图:plt.plot(x,y)

x 表示x轴数据点,y 表示y轴数据点

网格线:plt.grid(color=‘black’,axis=‘both’,alpha=0.3)

color颜色;alpha 透明度 ;axis轴,x或y。

坐标界限:plt.axis(‘auto’) 随着横纵坐标轴的数据自动设置

plt.axis([-15,15,-5,5]) 表示x轴界限是【-15,15】,y轴界限是【-5,5】

取消样式:plt.axis(‘off’)

标题:plt.title()

plt.title(‘this is sun!’)

x轴的标记:xlabel()

plt.xlabel(‘X’,fontsize=20,color=‘orange’)

y轴的标记:ylabel()

plt.ylabel(‘f(x)’,fontsize=20,color=‘cyan’,rotation=0) # rotation角度,f(x)旋转90度

设置图例: plt.legend()

注意:画图的时候指定好图例名字才有效,如 label=‘top’

指定图例的位置:loc参数

plt.legend(loc=0):loc=0代表最适合的位置,计算机自动识别

plt.legend(loc=[0,1]):表示在图片的左上角,将图例放在画布的外面,是x或者y的倍数 ,这里是x的0倍 y的1倍

设置图片大小(局部的)

plt.figure(figsize=(20,10))

点 ,线,颜色的属性

线 linestyle:(简写ls), ①:②-- ③-.④-

宽度 linewidth:(简写lw)

字体 fontsize:(单位px)

透明度 alpha :百分比

角度 rotation

点 marker: o(圆点) s(方形) p(五边形) d(小菱形) 1 2 3 4 8(八边)'*'

点颜色color:c

点的大小 markersize

点边缘的宽度 markeredgewidth

点边缘面的颜色 markeredgecolor

点中间面的颜色 markerfacecolor

1 plt.plot(x,y,label=‘top’,ls=’:’,lw=3,c=‘c’,marker=1,markersize=100)
2
3 plt.plot(x,-y,label=‘bottom’,ls=’–’,lw=2,marker=‘s’,markersize=7,color=’#0FF0FFF0’)
4
5 plt.axis(‘equal’)
更换刻度

1 x = np.arange(10)
2 y = x + 10
3 plt.plot(x,y,c='orange',lw=10,marker='o',markersize=100,markerfacecolor='r',markeredgecolor='g',markeredgewidth=10)
4 
5 #第一个参数是坐标的范围  第二格参数是要替换的字符  映射
6 plt.xticks(np.arange(0,9),list('abcdefghi'),fontsize=20)
7 plt.yticks(np.arange(0,9),list('abcdefghi'),fontsize=20)

plt 中的实体标识 :碰到特殊符号不好打印的时候 如pi(3.14)

 1 # subplot代表的是画布  
 2 axes = plt.subplot()
 3 
 4 # 画布中的用axes调用
 5 axes.set_xticks([-pi,-pi/2,0,pi/2,pi])
 6 axes.set_xticklabels(['-$\pi$','-$\pi$/2','0','$\pi$/2','$\pi$'],fontsize=20,color='orange',rotation=30)
 7 
 8 axes.set_yticks([-1,0,1])
 9 axes.set_yticklabels(['min',0,'max'],fontsize=20,color='orange',rotation=30)
10 
11 # 画布中设置标题
12 axes.set_title('abc')

直方图 plt.hist()

1 # 针对一维数据进行统计的,统计出现次数    
2 a = np.random.randint(0,10,10)   
3 a                    # 得到 array([8, 3, 2, 3, 5, 3, 4, 5, 6, 1])
4 plt.hist(a,bins=20)  # bins 调节直方的宽度
5 
6 # seabron当中的直方图
7 sns.distplot(a,bins=20,color='r')

柱状图plt.barh()

描述的是二维数据的

matplotlib里面的柱状图,纵向的:plt.bar(X,Y)

matplotlib里面的柱状图,横向的:plt.barh(X,Y)

seabron里面的柱状图(推荐使用),hue匹配条件

1 sns.barplot(data=titanic,x=‘sex’,y=‘survived’,hue=‘class’)

饼图 plt.pie()

 1 plt.figure(figsize=(14,8))
 2 gdp = np.array([2794696,20513000,2689992,13457267,5070626,4029140,2808899])
 3 label=['fr','usa','ind','ch','jp','ge','uk']
 4 
 5 explode = [0,0,0.1,0,0,0,0.2]  # 图片分离ind uk
 6 # textprops={'fontsize':30}      设置字体大小
 7 plt.pie(gdp,labels=label,textprops={'fontsize':30},explode=explode,colors=sns.color_palette('hls',7))
 9 
10 plt.axis('equal')

箱图plt.boxplot()

主要是检查数据的分布,查看异常值

plt.boxplot(data)

使用seabron画的箱图

sns.boxplot(data)

散布图(散点图)plt.scatter()

主要作用:查看数据的分布情况 越乱的数据越不利于做机器学习

复制代码
1 # 使用sns里的鸢尾花数据集
2 iris = sns.load_dataset(‘iris’)
3
4 plt.scatter(iris.iloc[:,0],iris.iloc[:,1],c=target,cmap=‘rainbow’) # c=target会自动给每种类别分配颜色的,使用seabron里面自带的鸢尾花数据集
5
6 # seabron中的散布图
7 # 1.散步密度图
8 sns.jointplot(data=iris,x=‘sepal_length’,y=‘sepal_width’,color=‘orange’,kind=‘hex’) # kind:{“scatter”|“reg”|“resid”|“kde”|“hex”}散点|带有回归的线|带有回归的线(考虑到行了)|密度图(像遥感)|六角形
9
10 # 2.回归散布图
11 sns.regplot(data=iris,x=‘sepal_length’,y=‘sepal_width’) # 拟合曲线 根据花萼的 没有什么规律
12
13 sns.regplot(data=iris,x=‘petal_length’,y=‘petal_width’,) # 根据花瓣的回归散布图,比较有线性规律
14
15 # 3.线性分类散布图
16 sns.lmplot(data=iris,x=‘petal_length’,y=‘petal_width’,hue=‘species’,markers=[‘o’,‘x’,‘d’]) # 每一种的趋势单独的预测出;hue='species’条件,根据种类;markers=[‘o’,‘x’,‘d’] 点的形状 圆 x 棱形
17
18 # 4.散布图矩阵
19 sns.pairplot(data=iris,hue=‘species’,kind=‘scatter’,diag_kind=‘auto’) # diag_kind : {‘hist’, ‘kde’},对角线上图形类型的选择 hist直方图 kde 密度图
复制代码

3D图形

复制代码
1 # 绘制3D图
2 from mpl_toolkits.mplot3d.axes3d import Axes3D # 引入3d库
3 fig = plt.figure(figsize=(16,10))
4
5 #实例化Axes3D
6 axes3d = Axes3D(fig)
7
8 #调用对象scatter3D
9 axes3d.scatter3D(iris.iloc[:,0],iris.iloc[:,1],iris.iloc[:,2],c=target,s=60,cmap=‘hot’)
10
11 # 保存
12 plt.savefig(‘sca.png’,dpi=100)
复制代码

最值得欣赏的风景,是自己奋斗的足迹!
1 sns.set_style(‘darkgrid’) # sns设置背景vb.net教程颜色 white(默认) dark暗色 darkgrid暗网
2
3 sns.set_style() # 设置样式
4
5 sns.set_context(‘paper’) # 控制刻度
6
7 # 调色板
8 sns.color_palette() # 设置颜色
9 sns.set_palette() # 设置颜色
10 sns.palplot() # 显示颜色,在数据可视化中,带有plot的都是显示作用
11 ​
12 # h=0.01, l=0.6 (亮度), s=0.65(饱和度)
13 # 调色板 cool hot rainbow hls spring…

14 Sns.palplot(sns.color_palette(‘hls’,7))

复制代码
线性图:plt.plot(x,y)

x 表示x轴数据点,y 表示y轴数据点

网格线:plt.grid(color=‘black’,axis=‘both’,alpha=0.3)

color颜色;alpha 透明度 ;axis轴,x或y。

坐标界限:plt.axis(‘auto’) 随着横纵坐标轴的数据自动设置

plt.axis([-15,15,-5,5]) 表示x轴界限是【-15,15】,y轴界限是【-5,5】

取消样式:plt.axis(‘off’)

标题:plt.title()

plt.title(‘this is sun!’)

x轴的标记:xlabel()

plt.xlabel(‘X’,fontsize=20,color=‘orange’)

y轴的标记:ylabel()

plt.ylabel(‘f(x)’,fontsize=20,color=‘cyan’,rotation=0) # rotation角度,f(x)旋转90度

设置图例: plt.legend()

注意:画图的时候指定c#教程好图例名字才有效,如 label=‘top’

指定图例的位置:loc参数

plt.legend(loc=0):loc=0代表最适合的位置,计算机python基础教程自动识别

plt.legend(loc=[0,1]):表示在图片的左上角,将图例放在画布的外面,是x或者y的倍数 ,这里是x的0倍 y的1倍

设置图片大小(局部的)

plt.figure(figsize=(20,10))

点 ,线,颜色的属性

线 linestyle:(简写ls), ①:②-- ③-.④-

宽度 linewidth:(简写lw)

字体 fontsize:(单位px)

透明度 alpha :百分比

角度 rotation

点 marker: o(圆点) s(方形) p(五边形) d(小菱形) 1 2 3 4 8(八边)'*'

点颜色color:c

点的大小 markersize

点边缘的宽度 markeredgewidth

点边缘面的颜色 markeredgecolor

点中间面的颜色 markerfacecolor

1 plt.plot(x,y,label=‘top’,ls=’:’,lw=3,c=‘c’,marker=1,markersize=100)
2
3 plt.plot(x,-y,label=‘bottom’,ls=’–’,lw=2,marker=‘s’,markersize=7,color=’#0FF0FFF0’)
4
5 plt.axis(‘equal’)
更换刻度

复制代码
1 x = np.arange(10)
2 y = x + 10
3 plt.plot(x,y,c=‘orange’,lw=10,marker=‘o’,markersize=100,markerfacecolor=‘r’,markeredgecolor=‘g’,markeredgewidth=10)
4
5 #第一个参数是坐标的范围 第二格参数是要替换的字符 映射
6 plt.xticks(np.arange(0,9),list(‘abcdefghi’),fontsize=20)
7 plt.yticks(np.arange(0,9),list(‘abcdefghi’),fontsize=20)
复制代码
plt 中的实体标识 :碰到特殊符号不好打印的时候 如pi(3.14)

复制代码
1 # subplot代表的是画布
2 axes = plt.subplot()
3
4 # 画布中的用axes调用
5 axes.set_xticks([-pi,-pi/2,0,pi/2,pi])
6 axes.set_xticklabels([’- π \pi π’,’- π \pi π/2’,‘0’,’ π \pi π/2’,’ π \pi π’],fontsize=20,color=‘orange’,rotation=30)
7
8 axes.set_yticks([-1,0,1])
9 axes.set_yticklabels([‘min’,0,‘max’],fontsize=20,color=‘orange’,rotation=30)
10
11 # 画布中设置标题
12 axes.set_title(‘abc’)
复制代码

直方图 plt.hist()

复制代码
1 # 针对一维数据进行统计的,统计出现次数
2 a = np.random.randint(0,10,10)
3 a # 得到 array([8, 3, 2, 3, 5, 3, 4, 5, 6, 1])
4 plt.hist(a,bins=20) # bins 调节直方的宽度
5
6 # seabron当中的直方图
7 sns.distplot(a,bins=20,color=‘r’)
复制代码

柱状图plt.barh()

描述的是二维数据的

matplotlib里面的柱状图,纵向的:plt.bar(X,Y)

matplotlib里面的柱状图,横向的:plt.barh(X,Y)

seabron里面的柱状图(推荐使用),hue匹配条件

1 sns.barplot(data=titanic,x=‘sex’,y=‘survived’,hue=‘class’)

饼图 plt.pie()

复制代码
1 plt.figure(figsize=(14,8))
2 gdp = np.array([2794696,20513000,2689992,13457267,5070626,4029140,2808899])
3 label=[‘fr’,‘usa’,‘ind’,‘ch’,‘jp’,‘ge’,‘uk’]
4
5 explode = [0,0,0.1,0,0,0,0.2] # 图片分离ind uk
6 # textprops={‘fontsize’:30} 设置字体大小
7 plt.pie(gdp,labels=label,textprops={‘fontsize’:30},explode=explode,colors=sns.color_palette(‘hls’,7))
9
10 plt.axis(‘equal’)
复制代码

箱图plt.boxplot()

主要是检查数据的分布,查看异常值

plt.boxplot(data)

使用seabron画的箱图

sns.boxplot(data)

散布图(散点图)plt.scatter()

主要作用:查看数据的分布情况 越乱的数据越不利于做机器学习

复制代码
1 # 使用sns里的鸢尾花数据集
2 iris = sns.load_dataset(‘iris’)
3
4 plt.scatter(iris.iloc[:,0],iris.iloc[:,1],c=target,cmap=‘rainbow’) # c=target会自动给每种类别分配颜色的,使用seabron里面自带的鸢尾花数据集
5
6 # seabron中的散布图
7 # 1.散步密度图
8 sns.jointplot(data=iris,x=‘sepal_length’,y=‘sepal_width’,color=‘orange’,kind=‘hex’) # kind:{“scatter”|“reg”|“resid”|“kde”|“hex”}散点|带有回归的线|带有回归的线(考虑到行了)|密度图(像遥感)|六角形
9
10 # 2.回归散布图
11 sns.regplot(data=iris,x=‘sepal_length’,y=‘sepal_width’) # 拟合曲线 根据花萼的 没有什么规律
12
13 sns.regplot(data=iris,x=‘petal_length’,y=‘petal_width’,) # 根据花瓣的回归散布图,比较有线性规律
14
15 # 3.线性分类散布图
16 sns.lmplot(data=iris,x=‘petal_length’,y=‘petal_width’,hue=‘species’,markers=[‘o’,‘x’,‘d’]) # 每一种的趋势单独的预测出;hue='species’条件,根据种类;markers=[‘o’,‘x’,‘d’] 点的形状 圆 x 棱形
17
18 # 4.散布图矩阵
19 sns.pairplot(data=iris,hue=‘species’,kind=‘scatter’,diag_kind=‘auto’) # diag_kind : {‘hist’, ‘kde’},对角线上图形类型的选择 hist直方图 kde 密度图
复制代码

3D图形

复制代码
1 # 绘制3D图
2 from mpl_toolkits.mplot3d.axes3d import Axes3D # 引入3d库
3 fig = plt.figure(figsize=(16,10))
4
5 #实例化Axes3D
6 axes3d = Axes3D(fig)
7
8 #调用对象scatter3D
9 axes3d.scatter3D(iris.iloc[:,0],iris.iloc[:,1],iris.iloc[:,2],c=target,s=60,cmap=‘hot’)
10
11 # 保存
12 plt.savefig(‘sca.png’,dpi=100)
复制代码

最值得欣赏的风景,是自己奋斗的足迹!

上一篇:机器学习笔记01. K-近邻算法


下一篇:鸢尾花(Iris)数据集下载保存到Excel文件