Python----数据分析（Matplotlib三：绘图二：箱图，散点图，饼图，热力图，3D图）

一、箱图

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。

boxplot(data) 

1.1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

1.2、用途和适用场景

1. 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

2. 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

3. 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

4. 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

5. 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

6. 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

import matplotlib.pyplot as plt
data = [randint(1,100) for i in range(100)]
data.append(-60)
plt.boxplot(data)

二、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。

scatter(x,y)

主要作用和适用场景

1. 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

2. 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

3. 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

4. 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

5. 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

6. 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

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)

三、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。

pie(data)

主要作用和适用场景

1. 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

2. 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

3. 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

4. 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

3.1、常规饼图

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

3.2、设置字体

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

3.3、互换内容位置

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]
plt.pie(sizes,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()

3.4、分离扇区

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


explode = (0, 0.1, 0.1, 0)
plt.pie(sizes,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')

3.5、 空心饼图

labels = '鱼', '猫', '狗', '鹦鹉'
sizes = [15, 30, 45, 10]
explode = (0, 0.1, 0.1, 0)
plt.pie(sizes,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')

四、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。

imshow(data)

主要作用和适用场景

1. 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

2. 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

3. 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

4. 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

5. 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

6. 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

7. 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

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')

五、3D图

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

x = np.linspace(-20, 20, 20)
y = np.linspace(-20, 20, 20)
x, y = np.meshgrid(x, y)

z = x**2 + y**2

# 创建3D图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 绘制曲面图
ax.plot_surface(x, y, z, cmap='viridis')

# 设置标签
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')

# 显示图形
plt.show(block=True)

5.1、置画布为3D

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

5.2、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)

5.3、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='*')

5.4、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')