如何在Python中生成图形和图表

在本章中，我们将学习如何在Python中生成图形和图表，同时将使用函数和面向对象的方法来可视化数据。

Python中常用的一些可视化数据包括以下几种。

• Matplotlib。

• Seaborn。

• ggplot。

• Geoplotlib。

• Bokeh。

• Plotly。

在本章中将使用Matplotlib可视化数据包。此外，还将学习其他有用库的编码。

1　折线图

折线图（Line Chart）是将一系列数据点通过直线连接起来的图表，它提供了一个参数对另一个参数的简单行为，常用于显示随着时间推移的趋势。可以使用折线图来比较相关的特征。

在Jupyter Notebook中生成第一张图表。

首先导入所需要的库。

默认情况下， Matplotlib打开新的窗口以显示结果。如果想在当前Notebook页面看到结果，可以使用如下所示的命令。

其次需要设置两个轴的数据。在x

轴上获取1～15的数据， y

轴选取平均值为50且标准差为10的随机数据。

现在，只需运行下方的绘图命令，折线图就会出现，结果如图1所示。

图1

也可以使用下面的代码改变线条的颜色，结果如图2所示。

图2

通过ls和lw变量可以改变线的类型及其宽度，结果如图3所示。

图3

通过下面的命令可以在每个数据点上添加标记，结果如图4所示。

图4

也可以绘制Pandas DataFrame中的折线图。

为了绘制折线图，可以使用以下命令。 xticks和yticks用于设置数轴上的有效范围，结果如图5所示。

图5

为不同的线条定义颜色，结果如图6所示。

图6

2　条形图

条形图（Bar Chart）常用于分析分组数据，它一般与分类数据一起使用，用来可视化其他变量对每一类别的影响。条形图为每个类别创建一个矩形。例如，有3个类别的城市，我们希望了解这些城市中的车辆数量。通过使用条形图，可以生成3个矩形（每个矩形代表一个城市），同时高度表示车辆数量。条形图显示了在每个类别的观察次数。

使用下面的代码绘制条形图，结果如图7所示。

图7

也可以从Pandas中生成条形图。默认情况下， plot函数生成折线图。可以指示函数生成条形图，结果如图8所示。

图8

3　饼图

饼图（Pie Chart）将整个数据表示为一个圆。根据不同类别的比例沿圆圈制作切片。例如，对3个城市的车辆进行分析，饼图中展示了一个城市相比于其他城市的车辆比例。如果想在一个统一的规模下比较每个类别，饼图是非常合适的。

通过使用以下命令生成饼图，结果如图9所示。

图9

定义每个切片的颜色，结果如图10所示。

图10

4　直方图

直方图（Histograms）是统计学中广泛应用的图形之一，它能使我们确定连续数据的形状。通过直方图可以检测数据的分布、数据中的离群值和其他有用的属性。

要通过连续数据构造直方图，首先需要创建箱子（bin）并将数据放入适当的箱子中。这不同于与分类变量一起使用的条形图。

例如，有以下数据。

Data = [23, 12, 34, 56, 43, 26, 13, 39, 58, 32, 44 ]

可以按照表1这样定义箱子。

表1

使用matplotlib创建直方图。

这将产生以下直方图，结果如图11所示。

图11

5　散点图

散点图（Scatter Plot）能够表示两组数据点之间的关系。例如，任何人的体重和身高、交通强度和汽车数量、发表的论文数和多年的论文查看量等均可以通过散点图来呈现。

使用下面的代码生成散点图，结果如图12所示。

图12

6　箱线图

箱线图（Box Plot）可以用来理解变量的扩展传播。在箱线图中，矩形顶部边界代表上四分位数（third quantile），底部边界代表下四分位数（first quantile），而盒子中的直线表示中位数(median)。

顶部的垂直线表示最大值，底部的垂直线表示最小值。

通过下面的代码生成方框图，结果如图13所示。

图13

7　采用面向对象的方式绘图

除了使用函数生成图形之外，还可以使用面向对象的方法来生成这种图形。我们定义一个图形对象并不断地添加图元素来丰富它。

首先，创建一个空白图形对象并向其添加轴。然后，在对象内生成绘图并为其指定参数，结果如图14所示。

下面是该方法的代码。

图14

在上面的代码中进行了如下的操作。

（1）使用plt.figure()创建了图形对象。

（2）使用add_axes定义数轴。

（3）使用grid()启用网格。

（4）定义了数轴标签。

（5）定义数轴上的值axes (xticks, yticks)。

（6）添加了数轴的下限和上限。

（7）使用plot生成绘图。

也可以创建子图，通过子图对其进行比较。

生成图15所示的图形。

图15

8　Seaborn

Seaborn是基于Matplotlib的Python程序包，它提供了一些高层次的统计图形方法。下面会介绍到一些Seaborn中常用的绘图。

首先导入Seaborn。

然后创建一些随机数据。

8.1　分布图

分布图（Distplot）对于探索单变量分布是相当有用的。可以建立一个直方图并对其进行核密度估计。核密度估计是一种获得随机变量概率函数的非参数方法。核密度估计与直方图相比，平滑且没有任何端点，结果如图16所示。

图16

8.2　双变量分布

双变量分布（Jointplot）对双变量分析是很有用的。它与Matplotlib中的散点图相似，结果如图17所示。

图17

8.3　二元分布的核密度估计

可以在jointplot()中提供一个参数kind ="kde"来执行内核密度估计，结果如图18所示。

图18

8.4　成对双变量分布

成对双变量分布的结果如图19所示。

图19

8.5　分类散点图

分类散点图（Categorical Scatterplot）是分析分类变量的方法，结果如图20所示。

图20

8.6　小提琴图

散点图给出的基础分布与分类变量的信息很少，因此可以使用小提琴图（Violinplots）来分析数据。图21所示为用核密度估计的箱线图。

图21

8.7　点图

点图（Point Plot）可用来显示沿轴高度，连接它们的是类变量，结果如图22所示。

图22

本文摘自由人民邮电出版社异步社区出版的《Python机器学习》 作者：[印]阿布舍克·维贾亚瓦吉亚（Abhishek Vijayvargia）译者：宋格格

《Python机器学习》通过解释数学原理和展示编程示例对机器学习进行了系统、全面的解析。《Python机器学习》共分为12章，内容涵盖了机器学习以及Python语言的基础知识、特征工程的概念与操作技术、数据可视化技术的实现、监督学习及无监督学习算法、文本分析、神经网络和深度学习、推荐系统的构建方法以及预测处理时间序列的方法等。阅读《Python机器学习》能够加深读者对机器学习的认识和理解，从而达到理论与实践相结合、学以致用的目的。 《Python机器学习》适合Python程序员、数据分析人员、对机器学习感兴趣的读者以及机器学习领域的从业人员阅读。

本文转载自异步社区

原文链接：https://www.epubit.com/articleDetails?id=N270db0ed-3a27-4ab1-9d57-85e37bba497c