文章目录
一、seaborn库绘图
seaborn是一个基于matplotlib，且数据结构与pandas统一的统计图制作库。
1、matplotlib与seaborn折线图对比
matplotlib作图：
python
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0, 10, 500)
# np.cumsum()计算累加和，每一行元素都是其及其上所有行元素之和
# axis=0表示沿着列方向计算，即在同一列，逐行元素相加
y = np.cumsum(np.random.randn(500, 6), axis=0)
with plt.style.context("classic"):
plt.plot(x, y)
plt.legend("ABCDEF", ncol=2, loc="upper left") # ncol=2 表示图例中有2列
plt.show()
seaborn作图：
python
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
x = np.linspace(0, 10, 500)
# np.cumsum()计算累加和，每一行元素都是其及其上所有行元素之和
# axis=0表示沿着列方向计算，即在同一列，逐行元素相加
y = np.cumsum(np.random.randn(500, 6), axis=0)
sns.set() # 使用 Seaborn 的默认样式设置
plt.plot(x, y)
plt.legend("ABCDEF", ncol=2, loc="upper left")
plt.show()
2、matplotlib与seaborn柱形图对比
matplotlib作图：
python
import matplotlib.pyplot as plt
import numpy as np
x = ["G" + str(i) for i in range(1, 6)]
y = 2 * np.arange(1, 6)
plt.figure(figsize=(8, 4))
plt.barh(x, y, align="center", height=0.5, alpha=0.8, color="blue")
plt.tick_params(axis="both", labelsize=13)
plt.show()
seaborn作图：
注： 在 Seaborn 2.0 版本 之后，sns.barplot() 不再支持仅靠位置参数传递 x, y，必须使用关键字参数。
Seaborn 默认：
垂直柱状图 ：类别变量在 X 轴，数值变量在 Y 轴（默认 sns.barplot(x=类别, y=数值)）。
水平柱状图：类别变量在 Y 轴，数值变量在 X 轴（sns.barplot(x=数值, y=类别)）。
python
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
x = ["G5", "G4", "G3", "G2", "G1"]
y = 2 * np.arange(5, 0, -1)
sns.barplot(x=y, y=x, linewidth=5)
plt.show()
3、以鸢尾花数据集为例
python
import matplotlib.pyplot as plt
import seaborn as sns
# 加载 Seaborn 自带的 iris 数据集
# 返回的变量iris为pandas的DataFrame类型
iris = sns.load_dataset("iris")
# sns.pairplot()生成的每个子图，都是数据集中两两特征组合的可视化
# 对角线上的图 是该变量本身的分布（默认是直方图）
# hue="species" 让不同物种以不同颜色显示。
sns.pairplot(data=iris, hue="species")
plt.show()
查看数据集iris前5行数据：
python
import seaborn as sns
iris = sns.load_dataset("iris")
print(iris.head())二、pandas库绘图
1、线形图
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(1000,4).cumsum(axis=0),
columns=list("ABCD"),
index=np.arange(1000))
# print(df.head())
# 使用 Pandas 提供的 plot() 方法生成折线图
# 每一列产生一条折线
df.plot()
plt.show()
2、柱形图
多组数据竖图：
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10,4),
columns=list("ABCD"))
print(df.head())
# 每一列产生一个柱形图
df.plot.bar()
plt.show()
多组数据累加竖图：
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10,4),
columns=list("ABCD"))
print(df.head())
# 每一列产生一个柱形图
df.plot.bar(stacked=True)
plt.show()
多组数据累加横图：
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10,4),
columns=list("ABCD"))
print(df.head())
# 每一列产生一个柱形图
df.plot.barh(stacked=True)
plt.show()
3、直方图和密度图
普通直方图：
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame({"A": np.random.randn(1000) + 3,
"B": np.random.randn(1000),
"C": np.random.randn(1000) - 3})
print(df.head())
df.plot.hist(bins=20)
plt.show()
累加直方图：
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame({"A": np.random.randn(1000) + 3,
"B": np.random.randn(1000),
"C": np.random.randn(1000) - 3})
print(df.head())
# 这里只画了A数据的图
# 在 x 轴上，显示 "A" 数据的数值范围；
# 在 y 轴上，表示每个区间值的累积频数。
df["A"].plot.hist(cumulative=True)
plt.show()
概率密度图：
注：用核密度估计（Kernel Density Estimation, KDE） 来画图，这种图形方式展示的是数据的平滑概率密度函数，可以让你看到数据分布的形态。
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame({"A": np.random.randn(1000) + 3,
"B": np.random.randn(1000),
"C": np.random.randn(1000) - 3})
print(df.head())
# 这里只画了A数据的图
df["A"].plot(kind="kde")
plt.show()
4、散点图
housing.csv文件：
链接: https://pan.baidu.com/s/1Gj51eGj1G_X8TL4-v2gm7Q
提取码: 2adm
python
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
housing = pd.read_csv("housing.csv") # housing为DataFrame类型
print(housing.head())
# 基于地理数据的人口、房价可视化
with sns.axes_style("white"):
housing.plot(kind="scatter", x="longitude", y="latitude", alpha=0.6,
s=housing["population"]/100, label="population",
c="median_house_value", cmap="jet", colorbar=True)
plt.legend()
plt.axis([-125, -113.5, 32, 43]) # 设置图表的坐标轴范围
plt.show()
5、多子图
python
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(1000,4).cumsum(axis=0),
columns=list("ABCD"),
index=np.arange(1000))
print(df.head())
# sharex=False：每个子图的 x 轴独立，即每个子图都有自己的 x 轴。
df.plot(subplots=True, figsize=(6, 16),layout=(2,2),sharex=False)
plt.show()