python全栈-数据可视化

python全栈-数据可视化

文章目录

• Matplotlib
• • [实操1 根据三组数据，画到一个条形图里面](#实操1 根据三组数据，画到一个条形图里面)
• Seaborn
• pyecharts
• • 词云图wordcloud
  • [雷达图 Rader](#雷达图 Rader)
• [地图 Map](#地图 Map)
• 坐标+地图geo
• [组合图 overlap](#组合图 overlap)
• 时间坐标图timeline

Matplotlib

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

• 直线 plt.plot(0,2,1,4)

• 折线

  x=[1,2,3,4,5]
  squares=[1,4,9,16,25]
  plt.plot(x,squares)

• 标签文字和线条粗细

  • plt.plot(datas,squares,linewidth=5) linewidth折线的粗细
  • plt.title('Numbers',fontsize=24) fontsize文字字号

• 设置中文标题

  • plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签

• 查看matplotlib有哪些风格 print(plt.style.available)

• 设置风格 plt.style.use('ggplot') 必须在绘图之前设置

• 显示图例

  • plt.legend(loc=2) loc是图例在图片上的位置，在官网上有对应的数字
  • plt.plot(x, max_temperature, label='最高温') label是线在图例的名称

• 双折线

  • 使用两次 plt.plot()

  plt.plot(x, max_temperature, label='最高温')
  plt.plot(x, min_temperature, label='最低温')

• 保存图片 plt.savefig('result.jpg') 需要在plt.plot(x,y)绘图之后

  • 如果直接写成 plt.savefig('cos') 会生成cos.png

• 绘制曲线 还是使用plot方法，数据量越大越好

• 在获取数值的时候，使用Numpy模块快速生成

  • 生成x的坐标（0到10的100个等差数列的数） x=np.linspace(0,10,100)
  • 正弦曲线 sin_y=np.sin(x) plt.plot(x,sin_y)
  • 余弦曲线 cos_y=np.cos(x) plt.plot(x,cos_y)

• 画布分区

  • subplot分区
    • plt.subplot(x,y,n) x行y列，n是选中第一个作为下一次绘制的位置
    • 将画布分为2行2列，将图画到画布的1区域 plt.subplot(2,2,1) 简写 plt.subplot(221)
  • subplots分区
    • fig,ax=plt.subplots(nrows=2,ncols=2) 参数是行数和列数
    • ax01.plot(x,np.sin(x)) ax是二维数组，指定绘图位置
    • fig是把画布的内容保存为图片

• 散点图

  • plt.scatter(x,y) 传入xy坐标即可

  import matplotlib.pyplot as plt
  import numpy as np
  # 绘制不同大小不同颜色的散点图
  np.random.seed(0)
  x=np.random.rand(100)
  y=np.random.rand(100)
  colors=np.random.rand(100)
  size=np.random.rand(100)*1000
  plt.scatter(x,y,c=colors,s=size,alpha=0.7)
  plt.show()

  • plt.scatter(x,y,c=colors,s=size,alpha=0.7)
  • c是指定每个点颜色
  • s是指定每个点的大小
  • alpha是点的透明度，有透明度可以看到相邻两个点的互相遮盖情况 1是不透明
  • plt.plot(x,y,'o') 给plot第三个参数赋值字母o，就是散点图

• 不同种类不同颜色的线

  作为线性图的替代，可以通过向 plot() 函数添加格式字符串来显示离散值

  • plt.plot(x,x,'--c') #虚线 浅蓝色

字符	描述
'-'	实线样式
'--'	短横线样式
'-.'	点划线样式
':'	虚线样式
'.'	点标记
','	像素标记
'o'	圆标记
'v'	倒三角标记
'^'	正三角标记
'1'	下箭头标记
'2'	上箭头标记
'3'	左箭头标记
'4'	右箭头标记
's'	正方形标记
'p'	五边形标记
'*'	星形标记
'h'	六边形标记 1
'H'	六边形标记 2
'+'	加号标记
'x'	X 标记
'D'	菱形标记
'd'	窄菱形标记
'_'	水平线标记

• 颜色的缩写

字符	颜色
'b'	蓝色
'g'	绿色
'r'	红色
'c'	青色
'm'	品红色
'k'	黑色
'w'	白色

• 条形图

  • bar(x,y,color,width) 函数来生成纵向条形图
  • barh(x,y,color,height) 函数来生成条形图
  • bar函数的宽度并不是像素宽度。bar函数会根据二维坐标系的尺寸，以及x坐标值的多少，自动确定每一个柱的宽度，而width指定的宽度就是这个标准柱宽度的倍数。该参数值可以是浮点数，如0.5，表示柱的宽度是标准宽度的0.5倍。
  • color参数可以省略

• 对部分条形图，使用颜色区分

  • v_bar=plt.bar(x,y,color='lightblue') plt.bar会返回每一个柱的值

  for bar,height in zip(v_bar,y):
      if height<0:
        bar.set(color='lightgreen',linewidth='3')

  • 使用zip遍历 柱和高度y，并使用y作为判断依据，给柱设置颜色bar.set()

• 带方差的条形图 就是顶部中间有一个直线，代表方差/波动

  • ax.bar(x,y,yerr=variance,alpha=0.3) yerr代表上下浮动值
  • ylim 方法用于设置y轴的显示范围，控制图表中y轴的最小值和最大值。

• fill_between的使用

  x=np.linspace(0,10,200)
  y1=2*x+1
  y2=3*x+1.5
  fig,ax=plt.subplots()
  ax.fill_between(x,y1,y2,color='red')

  • 就是在两个y值之间填补颜色

实操1 根据三组数据，画到一个条形图里面

import matplotlib.pyplot as plt

real_names=['电影1','电影2','电影3']
real_num1=[5453,7548,6543]
real_num2=[1840,4013,3421]
real_num3=[1080,1673,2342]

width=0.3
x=range(len(real_names))

x_label = [f'星期{i+1}' for i in x]

plt.rcParams['font.sans-serif']=['SimHei']
plt.xticks([i+width for i in x],x_label)
plt.title('3天的票房数')
plt.bar(x,real_num1,color='g',width=width,label='电影一')
plt.bar([i+width for i in x],real_num2,color='b',width=width,label='电影二')
plt.bar([i+(2*width) for i in x],real_num3,color='r',width=width,label='电影三')
plt.legend(loc=1)
plt.show()

• 在条形图的每一个柱上面显示具体数据
  • 使用plt.text方法，提供x和y坐标，然后给一个要填写的内容

x=range(1,4)
y = [2,3,4]
plt.bar(x,y)
for a,b in zip(x,y):
    plt.text(a,b,b)

改良版的实操1

import matplotlib.pyplot as plt

real_names=['电影1','电影2','电影3']
real_num1=[5453,7548,6543]
real_num2=[1840,4013,3421]
real_num3=[1080,1673,2342]
width=0.3
x=range(len(real_names))

x_label = [f'星期{i+1}' for i in x]

plt.rcParams['font.sans-serif']=['SimHei']
plt.xticks([i+width for i in x],x_label)
plt.title('3天的票房数')
plt.bar(x,real_num1,color='g',width=width,label='电影一')
plt.bar([i+width for i in x],real_num2,color='b',width=width,label='电影二')
plt.bar([i+(2*width) for i in x],real_num3,color='r',width=width,label='电影三')
plt.legend(loc=1)
# 给条形图加具体数值
for i,j in enumerate(real_num1):
 plt.text(x[i]-0.1,real_num1[i]*1.01,j)   # 注意计算的坐标
for i,j in enumerate(real_num2):
 plt.text([i+width for i in x][i]-0.1,real_num2[i]*1.01,j)
for i,j in enumerate(real_num3):
 plt.text([i+(2*width) for i in x][i]-0.1,real_num3[i]*1.01,j)
plt.show()

enumerate方法是给两个返回值，第一个是序号，第二个是具体内容

• 饼图 pie()

  • 参数

  • paches,texts,autotexts=plt.pie([a,b],labels=labels,colors=colors,explode=(0,0.05),autopct='%0.1f%%')

    • autopct='%0.1f%%'控制精度
    • labels 传入饼图每一块的名称
    • colors 指定每一块的颜色
    • explode=分裂距离 相邻两块之间的间隙

  • 返回值

    • paches

    • texts 遍历这个变量修改的是标签，是饼图外面对应每一块的那个字体的属性 和autotexts 一样

    • autotexts 遍历这个变量，然后使用set_color方法设置字体颜色，set_fontsize设置字体大小

      #设置饼状图中的字体颜色
      for text in autotexts:
          text.set_color('white')
          text.set_fontsize(20)

• 直方图 hist(data,bins,normed)

  • data 所有的数据
  • bins 分几组
  • normed y轴是否显示成百分比
  • 就是把所有的数据data直接给hist方法，然后使用bins指定分成几组，比如100个随机数，分成10组，就是bins=10.

Seaborn

是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。

应该把 Seaborn 视为 matplotlib 的补充，而不是替代物

• 直线

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

• 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='') sns.set(style='dark')
  • set_style(value) 统一设置 sns.set_style('ticks')
  • axes_style(value) 单一设置 with sns.axes_style('darkgrid'):

• 移除轴脊柱

  • 就是绘图的时候，那个框架，最外边那个框，可以移除
  • matplotlib 参数是做不到这一点的，但是你可以使用 seaborn 的despine() 方法来移除它们
  • 移除轴脊柱要在 填充数据之后，在显示图表之前

• 图像风格 set_context()

  • 标签的大小，线条和绘图的其他元素，但不会影响整体样式
  • 四个预设是 paper ，notebook ，talk ，poster 。该 notebook 样式是默认的
  • sns.set_context('notebook')
  • sns.set_context(rc={"lines.linewidth":5}) 线条粗细
  • sns.set_context(rc={"xtick.labelsize":20}) x 轴刻度字号

• 直方图 distplot

  • sns.distplot(x,bins=20, kde=False) bins是分几组，kde是数据分布曲线，默认是False

• 条形图 barplot

• 加载数据 就是读文件 titanic = sns.load_dataset('titanic')

  • 读的是csv文件，不用写后缀
  • 读完文件之后可以直接绘图，可以自动识别x轴标签，坐标等等各种数据都可以
  • sns.barplot(x='sex', y='survived',data=titanic, hue='class') 绘制条形图

• 盒图 boxplot

  • 盒图也叫盒须图或者箱图。用于表示分布状态
  • sns.boxplot(x='day', y='total_bill',data=tips, hue='time')

• 小提琴图 是箱图和密度图的一种结合图形

  • sns.violinplot(x='day', y='total_bill',data=tips, hue='sex')

• 分布散点图 stripplot

  • sns.stripplot(x='day', y='total_bill',data=tips, jitter=True)
  • jitter默认也是True，会把点集中到一条线上

• 分簇散点图 swarmplot

  • sns.swarmplot(x='day', y='total_bill',data=tips,hue='sex') 可以使用hue分组
  • color='k' 可以指定颜色
  • alpha=1.0 透明度也可以使用

• 散点图 scatterplot

  • sns.scatterplot(y='tip',x='total_bill',data=tips)

• 双轴密度图 kdeplot

  • sns.kdeplot(x='x',y='y',data=df)
  • 参数shade=True 可以上色，不上色就是等高线的效果，只有线

• 联合图 jointplot 就是两种图的结合版，看起来很牛逼

  • sns.jointplot(x='x', y='y',data=df)

• 点图 pointplot 和折线图类似，花里胡哨的

  • sns.pointplot(x='sex', y='survived',data=titanic, hue='class')

• 热力图 heatmap

  • 热力图（heatmap）是以矩阵的形式表示

  • 数据值在图形中以颜色的深浅来表示数量的多少

  • 并可以快速到到大值的与最小值所在位置。

  • 在机器学习的分类中经常用来作混淆矩阵的比较。

  • sns.heatmap(uniform_data)

  • 设置参数vmin vmax的值，这样大于vmax值得就变成同一个颜色，就是这两个参数之间的数据会有色差表示。超过两端的数据用统一颜色表示

  • 参数 annot=True 在图上写上值，但是看不清

    • 再加上fmt=d 以整数的形式写上去

  • linewidths=0.5 将每个格子之间留有缝隙

  • cbar=False 将右边的图例去掉

  • 修改色系cmap='YIGnBu' 就是颜色类型

• 散布图矩阵 pairplot

  • 会同时绘制数据中所有特征两两之间的关系图。
  • 对角线是直方图，其余地方是散点图
  • 参数
    • kind参数设置对角线之外的图形 hist kde rge
      • kde把散点图变成双轴密度图，就是那个有颜色的等高线图
      • hist是一种散点图，但是以像素的形式表示，就跟我的世界画风一样
      • rge 就是在散点图的基础上加了一条直接，就是数据模拟的那个直线

• 线型图 lineplot

  • 就是把变化大的地方取平均值，连成一条线。为了看出变化的范围有浅浅的背景进行表示

• 回归分析图 就是根据散点图找到回归线

  • 线性回归图通过大量数据找到模型拟合线性回归线。就是高中做题的时候，经常画的线，根据点图画线。
  • sns.lmplot() 功能多，规范多
  • sns.regplot() 推荐，支持的参数与数据类型比较多一些
  • 这俩方法都可以绘制同样效果的图

• 网格图

  • catplot() 分类图，可通过指定kind参数来绘制其它图形，如散点图，箱图、小提琴图等

    • 就是之前绘图有分组，但是在同一个图上展示，现在可以把每一组独立成另一张图
    • sns.catplot(x='total_bill',y='tip',data=tips,hue='time',col='sex') 意思是以列的形式，按性别分组，还可以使用row参数再次分组

  • FacetGrid()

    • 常用参数：
    • height 高
    • aspect 宽
    • palette 色板，就是点的颜色，按照分类上色
    • col 分图属性(列)
    • row 分图属性(行)
    • hue 属性分类
    • margin_titles
    • size 图的大小，已被height 替代
    • row_order 显示分图的数据
    • hue_kws 显示图标记的形状(散点) 三角啊啥的
    • s 点的大小
    • linewidth 点的边框粗细
    • wspace hspace 相邻两图之间的距离

pyecharts

有良好的交互性 最受欢迎

from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.globals import ThemeType

bar = (
    Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))  # 修改主题
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"]) # x轴数据
    .add_yaxis("商家 A", [5, 20, 36, 10, 75, 90])   # y轴数据
    .set_global_opts(title_opts=opts.TitleOpts(title='标题'))  # 标题
)
bar.render()

使用 options 配置项，在 pyecharts 中，一切皆 Options。

导入pyecharts里面的faker模块，可以自动生成数据方便对图表进行练习

• TitleOpts：标题配置项
• AxisOpts：坐标轴配置项
• AxisLineOpts: 坐标轴轴线配置项
• AxisTickOpts: 坐标轴刻度配置项
• AxisPointerOpts: 坐标轴指示器配置项
• InitOpts：初始化配置项
• AnimationOpts：Echarts 画图动画配置项
• TooltipOpts：提示框配置项
• ItemStyleOpts：图元样式配置项
• LabelOpts：标签配置项

词云图wordcloud

使用add方法添加数据，数据的格式是序列（字符串+权重），需要有多个这样的序列

参数shape设置词云图的轮廓

def add(
    # 系列名称，用于 tooltip 的显示，legend 的图例筛选。
    series_name: str,
    # 系列数据项，[(word1, count1), (word2, count2)]
    data_pair: Sequence, # 词 云 图 轮 廓 ， 有 'circle', 'cardioid', 'diamond', 'triangle-forward', 'triangle', 'pentagon', 'star' 可选
    shape: str = "circle", # 自定义的图片（目前支持 jpg, jpeg, png, ico 的格式，其他的图片格式待测试）
    # 该参数支持：
    # 1、 base64 （需要补充 data 头）；
    # 2、本地文件路径（相对或者绝对路径都可以）
    # 注：如果使用了 mask_image 之后第一次渲染会出现空白的情况，再刷新一次就可以了
    （Echarts 的问题）
    # Echarts Issue: https://github.com/ecomfe/echarts-wordcloud/issues/74
    mask_image: types.Optional[str] = None, # 单词间隔
    word_gap: Numeric = 20, # 单词字体大小范围
    word_size_range=None,
    # 旋转单词角度
    rotate_step: Numeric = 45, # 距离左侧的距离
    pos_left: types.Optional[str] = None, # 距离顶部的距离
    pos_top: types.Optional[str] = None, # 距离右侧的距离
    pos_right: types.Optional[str] = None, # 距离底部的距离
    pos_bottom: types.Optional[str] = None, # 词云图的宽度
    width: types.Optional[str] = None, # 词云图的高度
    height: types.Optional[str] = None, # 允许词云图的数据展示在画布范围之外
    is_draw_out_of_bound: bool = False, # 提示框组件配置项，参考 `series_options.TooltipOpts` tooltip_opts: Union[opts.TooltipOpts, dict, None] = None, # 词云图文字的配置
    textstyle_opts: types.TextStyle = None, # 词云图文字阴影的范围
    emphasis_shadow_blur: types.Optional[types.Numeric] = None, # 词云图文字阴影的颜色
    emphasis_shadow_color: types.Optional[str] = None, 
)

雷达图 Rader

就是那种所谓的五边形战士，六边形战士那种效果图

首先是设置每一个角的名称和最大值，然后导入数据，给一个列表，对应每一条边的值

地图 Map

默认是中国地图，以省为界限划分板块，导入数据的方式就是省名，数值的方式

还可以以市为界限划分，由于默认显示名称，市的界限太小，字就很密集，可以设置参数只有鼠标移上去的时候，才显示名称

也可以修改参数，切换到某一个省，以市为界限划分，以市名和数值填充

坐标+地图geo

就是动态的地图，给地图上加上点，也就是坐标，这个点可以设置成动态效果

还可以模拟飞行路线，输出出发地和目的地，就能生成一个向量的轨迹图，修改参数使线弯曲，再加上别的图片，就是动态轨迹图了

组合图 overlap

直接绘制两个图，然后'bar.overlap(line)' 使用overlap这个方法，就可以把两个图合并显示在一个图上

时间坐标图timeline

就是那种汇报图，一年一个图，有很多年的时候，可以合并显示，下面一个时间坐标轴，点击哪一年就显示哪一年，也可以循环播放，自动切换等等

创建一个timeline对象之后，再创建其他图，折线图等等，然后添加到timeline对象，就可以实现了