【100天精通Python】Day61：Python 数据分析_Pandas可视化功能：绘制饼图，箱线图，散点图，散点图矩阵，热力图，面积图等（示例+代码）

2023-10-20 03:20
文章标签 python 代码 精通 功能 可视化 100 绘制 示例 矩阵 pandas 数据分析 面积 散点图 线图 力图 day61

本文主要是介绍【100天精通Python】Day61：Python 数据分析_Pandas可视化功能：绘制饼图，箱线图，散点图，散点图矩阵，热力图，面积图等（示例+代码），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

1 Pandas 可视化功能

2 Pandas绘图实例

2.1 绘制线图

2.2 绘制柱状图

2.3 绘制随机散点图

2.4 绘制饼图

2.5 绘制箱线图A

2.6 绘制箱线图B

2.7 绘制散点图矩阵

 2.8 绘制面积图

2.9 绘制热力图

 2.10 绘制核密度估计图

1 Pandas 可视化功能

pandas是一个强大的数据分析库，提供了一些可视化工具来帮助用户更好地理解和展示数据。以下是pandas可视化工具的一些常见功能：

1. 折线图：通过plot()函数可以绘制折线图，展示数据随时间或其他变量的变化趋势。

2. 散点图：使用scatter()函数可以绘制散点图，在二维平面上展示两个变量之间的关系。

3. 条形图：使用bar()函数可以绘制条形图，用于比较不同类别或组的数值大小。

4. 直方图：使用hist()函数可以绘制直方图，用于展示数值型数据的分布情况。

5. 饼图：使用pie()函数可以绘制饼图，展示不同类别的占比情况。

6. 箱线图：使用boxplot()函数可以绘制箱线图，展示数值型数据的分布特征、离群值等。

Pandas 是一个用于数据处理和分析的流行库，它提供了一些内置的可视化功能，通常基于 Matplotlib 这个底层库。

  • 绘制线图：

df['column_name'].plot(kind='line')

绘制柱状图：

df['column_name'].plot(kind='bar')

绘制散点图：

df.plot(x='x_column', y='y_column', kind='scatter')

hist()函数：hist()函数用于绘制直方图，以显示数据的分布和频率。

df['column_name'].hist(bins=10)

boxplot()函数：boxplot()函数用于绘制箱线图，显示数据的分位数和离群值。

df.boxplot(column='column_name')

scatter_matrix()函数：scatter_matrix()函数用于绘制多个变量之间的散点图矩阵，有助于了解变量之间的关系。

from pandas.plotting import scatter_matrixscatter_matrix(df, alpha=0.5, figsize=(8, 8), diagonal='hist')

plotting.scatter_matrix()函数：这是一个更高级的散点图矩阵绘制函数，可以自定义每个子图的属性。

from pandas.plotting import scatter_matrixscatter_matrix(df, alpha=0.5, figsize=(8, 8), diagonal='kde', color='red')

plot.barh()函数：plot.barh()函数用于绘制水平柱状图。

df['column_name'].plot(kind='barh')

plot.pie()函数：plot.pie()函数用于绘制饼图，用于显示数据的占比。

df['column_name'].plot(kind='pie', autopct='%1.1f%%')

plot.area()函数：plot.area()函数用于绘制堆叠面积图，显示数据的累积变化趋势。

df.plot.area()

plot.kde()函数：plot.kde()函数用于绘制核密度估计图，显示数据的概率密度分布。

2 Pandas绘图实例

2.1 绘制线图

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
# 创建数据
data = {'年份': [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017],'销售额': [100, 150, 120, 180, 200, 250, 300, 280]}# 转换为DataFrame格式
df = pd.DataFrame(data)# 绘制折线图
plt.plot(df['年份'], df['销售额'], marker='o')# 设置x轴和y轴标签、标题
plt.xlabel('年份')
plt.ylabel('销售额')
plt.title('销售额变化趋势')# 添加图例
plt.legend(['销售额'])# 显示图形
plt.show()

当使用Pandas绘制柱状图、散点图和饼图时，您可以使用plot()函数的不同kind参数来指定要绘制的图表类型。

2.2 绘制柱状图

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换为您系统中支持的字体
# 创建一个示例DataFrame
data = {'Category': ['A', 'B', 'C', 'D'],'Values': [10, 15, 7, 12]}df = pd.DataFrame(data)# 绘制柱状图
df.plot(x='Category', y='Values', kind='bar', title='柱状图')
plt.xlabel('类别')
plt.ylabel('数值')
plt.show()

2.3 绘制随机散点图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换为您系统中支持的字体
# 生成随机数据
np.random.seed(0)  # 设置随机种子以确保可重复性
num_points = 100
x = np.random.rand(num_points)  # 随机生成x坐标
y = np.random.rand(num_points)  # 随机生成y坐标
colors = np.random.rand(num_points)  # 随机生成颜色值# 创建DataFrame
data = {'X': x, 'Y': y, 'Color': colors}
df = pd.DataFrame(data)# 绘制散点图
plt.figure(figsize=(8, 6))  # 设置图形大小
plt.scatter(x='X', y='Y', c='Color', data=df, cmap='viridis', alpha=0.7)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('随机散点图')
plt.colorbar(label='颜色')
plt.show()

上述示例中，我们首先使用NumPy生成了一些随机的x和y坐标数据，以及随机的颜色值。然后，我们将这些数据放入一个Pandas DataFrame 中，并使用Matplotlib绘制了散点图。颜色使用了色彩映射（cmap），并添加了颜色条（colorbar）以显示颜色映射的对应关系。

2.4 绘制饼图

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换为您系统中支持的字体# 创建一个示例DataFrame，包含不同类别的值
data = {'Category': ['A', 'B', 'C', 'D'],'Values': [10, 15, 7, 12]}df = pd.DataFrame(data)# 指定用于饼图的数值列和标签列
values = df['Values']
labels = df['Category']# 绘制饼图
plt.figure(figsize=(6, 6))  # 设置图形大小
df.plot(y='Values', kind='pie', labels=df['Category'], autopct='%1.1f%%', title='饼图')  # 绘制饼图
plt.title('饼图')  # 设置图表标题# 显示图表
plt.axis('equal')  # 使饼图保持圆形
plt.show()

在上述示例中，首先创建了一个包含类别和对应数值的DataFrame。然后，使用plt.pie()函数来绘制饼图，其中values包含数值数据，labels包含饼图的标签。autopct参数用于显示百分比标签，startangle参数用于指定饼图的起始角度。最后，使用plt.axis('equal')确保饼图保持圆形。

2.5 绘制箱线图A

import pandas as pd
import matplotlib.pyplot as plt
import random
plt.rcParams['font.sans-serif'] = ['SimHei']# 创建示例数据集
data = {'Product_A': [random.randint(50, 100) for _ in range(50)],'Product_B': [random.randint(40, 90) for _ in range(50)],'Product_C': [random.randint(60, 110) for _ in range(50)],'Product_D': [random.randint(30, 70) for _ in range(50)],'Product_E': [random.randint(20, 80) for _ in range(50)],'Product_F': [random.randint(70, 120) for _ in range(50)]
}df = pd.DataFrame(data)# 使用boxplot()函数绘制箱线图
df.boxplot(column=['Product_A', 'Product_B', 'Product_C', 'Product_D', 'Product_E', 'Product_F'])# 添加标题和标签
plt.title('不同产品销售数据箱线图')
plt.ylabel('销售数量')# 显示图形
plt.show()

         在这个示例中，我们创建了一个包含6种产品的示例DataFrame df，每种产品有50个销售数据点。然后，我们使用boxplot()函数绘制了这6种产品的箱线图。

        箱线图将展示每种产品的销售数量分布情况，包括中位数、四分位数、离群值等信息。通过比较不同产品的箱线图，您可以更好地了解它们的销售数据分布，以便进行进一步的分析和决策。这种可视化方法可以帮助您分析潜在的销售趋势和异常情况。

2.6 绘制箱线图B

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #替换为系统中支持的字体# 创建一个示例数据集，包括三个组的数据
data = pd.DataFrame({'Group1': np.random.normal(0, 1, 100),'Group2': np.random.normal(2, 1, 100),'Group3': np.random.normal(1, 1, 100),'Group4': np.random.normal(3, 1, 100)
})# 使用boxplot()函数绘制箱线图，指定显示的列和参数
data.boxplot(column=['Group1', 'Group2', 'Group3', 'Group4'],notch=True,  # 添加缺口以估计中位数的不确定性sym='o',  # 设置异常值标记为圆圈vert=False,  # 水平显示箱线图patch_artist=True,  # 填充箱体颜色showmeans=True,  # 显示均值点meanline=True,  # 显示均值线widths=0.5  # 箱体宽度)# 添加标题和标签
plt.title('箱线图示例')
plt.xlabel('值')
plt.ylabel('分组')# 显示图形
plt.show()

在这个示例中，我们创建了一个包含四个组的示例DataFrame data，每个组有100个随机数。然后，我们使用boxplot()函数绘制箱线图，并自定义了多个参数：

  • notch=True：在箱体中添加缺口以估计中位数的不确定性。
  • sym='o'：将异常值标记为圆圈。
  • vert=False：水平显示箱线图。
  • patch_artist=True：填充箱体颜色。
  • showmeans=True：显示均值点。
  • meanline=True：显示均值线。
  • widths=0.5：设置箱体宽度。

其中每个箱体表示一个组的数据分布情况。箱线图还显示了中位数、均值点和异常值。这种可视化工具有助于比较多个组的数据分布，并检测异常值。

2.7 绘制散点图矩阵

pandas.plotting.scatter_matrix()函数用于绘制多个变量之间的散点图矩阵，帮助您了解各个变量之间的关系。这个函数可以自定义每个子图的属性，包括颜色、标记、直方图和核密度估计等。下面是一个详细的示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pandas.plotting import scatter_matrix
plt.rcParams['font.sans-serif'] = ['SimHei']
# 创建一个包含多个变量的示例数据集
data = pd.DataFrame(np.random.randn(100, 4), columns=['A', 'B', 'C', 'D'])# 使用scatter_matrix()函数绘制散点图矩阵
# 主要参数包括DataFrame对象，alpha（透明度），diagonal（对角线上的图表类型），color（颜色），marker（标记类型）等
scatter_matrix(data, alpha=0.8, figsize=(8, 8), diagonal='hist', color='blue', marker='o')# 添加标题
plt.suptitle('散点图矩阵示例')# 显示图形
plt.show()

在这个示例中，我们首先创建了一个包含四个随机变量的示例DataFrame data。然后，我们使用scatter_matrix()函数绘制散点图矩阵，指定了一些参数：

  • alpha参数设置透明度，这样可以看到重叠点。
  • figsize参数设置图形的大小。
  • diagonal参数设置对角线上的图表类型，这里使用直方图。
  • color参数设置散点的颜色。
  • marker参数设置散点的标记类型。

最后，我们添加了标题并显示图形。

 2.8 绘制面积图

面积图 (Area Plot)

面积图用于可视化时间序列或有序数据的变化趋势，通常用于显示数据的累积变化

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']# 创建示例数据集
data = {'Year': [2000, 2001, 2002, 2003, 2004],'Product_A': [100, 120, 140, 160, 180],'Product_B': [80, 90, 110, 130, 150]
}df = pd.DataFrame(data)# 使用plot()函数创建面积图
plt.figure(figsize=(8, 6))
plt.stackplot(df['Year'], df['Product_A'], df['Product_B'], labels=['Product_A', 'Product_B'], alpha=0.7)
plt.xlabel('年份')
plt.ylabel('销售数量')
plt.title('面积图示例')
plt.legend(loc='upper left')
plt.show()

         在上述示例中，我们首先创建了一个包含年份和两种产品销售数量的示例DataFrame。然后，使用stackplot()函数创建面积图，alpha参数设置透明度，labels参数设置图例标签，legend()函数用于显示图例。 

2.9 绘制热力图

热力图 (Heatmap)

热力图用于可视化矩阵数据中各个元素之间的关系，通常通过颜色来表示数值的大小。

要在Pandas中绘制热力图，通常需要使用辅助库，最常见的是Seaborn和Matplotlib。Seaborn提供了高级的热力图绘制函数，而Matplotlib用于显示图形。以下是如何在Pandas中使用Seaborn和Matplotlib绘制热力图的示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as snsplt.rcParams['font.sans-serif'] = ['SimHei'] #替换为系统中支持的字体# 创建示例数据集
data = np.random.rand(5, 5)  # 5x5的随机矩阵# 转换为DataFrame
df = pd.DataFrame(data, columns=['A', 'B', 'C', 'D', 'E'])# 使用seaborn的heatmap()函数创建热力图
plt.figure(figsize=(8, 6))
sns.heatmap(df, annot=True, cmap='coolwarm', linewidths=.5)
plt.title('热力图示例')
plt.show()

 在上述示例中，我们首先创建了一个随机矩阵，并将其转换为Pandas DataFrame。然后，使用Seaborn的heatmap()函数来绘制热力图。参数annot=True用于在图表上显示数值标签，cmap用于设置颜色映射，linewidths用于设置单元格之间的间隔线宽度。

 2.10 绘制核密度估计图

 plot.kde()函数：plot.kde()函数用于绘制核密度估计图，显示数据的概率密度分布。

import pandas as pd
import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] #替换为系统中支持的字体# 创建示例数据集
data = {'Values': [10, 15, 13, 18, 25, 12, 22, 27, 16, 21]}df = pd.DataFrame(data)# 使用plot.kde()函数创建核密度估计图
df['Values'].plot.kde()
plt.xlabel('数值')
plt.ylabel('概率密度')
plt.title('核密度估计图示例')
plt.show()

在这个示例中，我们首先创建了一个包含示例数据的DataFrame df，然后使用plot.kde()函数绘制核密度估计图。这个图表显示了数据的概率密度分布，它是一个平滑的曲线，代表了数据在不同数值上的概率密度。

这篇关于【100天精通Python】Day61：Python 数据分析_Pandas可视化功能：绘制饼图，箱线图，散点图，散点图矩阵，热力图，面积图等（示例+代码）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/244313。

相关文章

Python基础文件操作方法超详细讲解(详解版)

Python基础文件操作方法超详细讲解(详解版)

《Python基础文件操作方法超详细讲解(详解版)》文件就是操作系统为用户或应用程序提供的一个读写硬盘的虚拟单位,文件的核心操作就是读和写,：本文主要介绍Python基础文件操作方法超详细讲解的相... 目录一、文件操作1. 文件打开与关闭1.1 打开文件1.2 关闭文件2. 访问模式及说明二、文件读写1.
阅读更多...
C++中std::distance使用方法示例

C++中std::distance使用方法示例

《C++中std::distance使用方法示例》std::distance是C++标准库中的一个函数,用于计算两个迭代器之间的距离,本文主要介绍了C++中std::distance使用方法示例,具... 目录语法使用方式解释示例输出：其他说明：总结std::distance&n编程bsp;是 C++ 标准
阅读更多...
前端高级CSS用法示例详解

前端高级CSS用法示例详解

《前端高级CSS用法示例详解》在前端开发中，CSS（层叠样式表）不仅是用来控制网页的外观和布局，更是实现复杂交互和动态效果的关键技术之一,随着前端技术的不断发展，CSS的用法也日益丰富和高级,本文将深... 前端高级css用法在前端开发中，CSS（层叠样式表）不仅是用来控制网页的外观和布局，更是实现复杂交
阅读更多...
Python将博客内容html导出为Markdown格式

Python将博客内容html导出为Markdown格式

《Python将博客内容html导出为Markdown格式》Python将博客内容html导出为Markdown格式,通过博客url地址抓取文章,分析并提取出文章标题和内容,将内容构建成html,再转... 目录一、为什么要搞？二、准备如何搞？三、说搞咱就搞！抓取文章提取内容构建html转存markdown
阅读更多...
Python获取中国节假日数据记录入JSON文件

Python获取中国节假日数据记录入JSON文件

《Python获取中国节假日数据记录入JSON文件》项目系统内置的日历应用为了提升用户体验,特别设置了在调休日期显示“休”的UI图标功能,那么问题是这些调休数据从哪里来呢？我尝试一种更为智能的方法：P... 目录节假日数据获取存入jsON文件节假日数据读取封装完整代码项目系统内置的日历应用为了提升用户体验，
阅读更多...
Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整
阅读更多...
Python Websockets库的使用指南

Python Websockets库的使用指南

《PythonWebsockets库的使用指南》pythonwebsockets库是一个用于创建WebSocket服务器和客户端的Python库,它提供了一种简单的方式来实现实时通信,支持异步和同步... 目录一、WebSocket 简介二、python 的 websockets 库安装三、完整代码示例1.
阅读更多...
揭秘Python Socket网络编程的7种硬核用法

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器：探测开放端口2.简易 HTTP 服务器：10 秒搭个网页3.局域网游戏：多人联机对战4.
阅读更多...
springboot循环依赖问题案例代码及解决办法

springboot循环依赖问题案例代码及解决办法

《springboot循环依赖问题案例代码及解决办法》在SpringBoot中,如果两个或多个Bean之间存在循环依赖（即BeanA依赖BeanB,而BeanB又依赖BeanA）,会导致Spring的... 目录1. 什么是循环依赖？2. 循环依赖的场景案例3. 解决循环依赖的常见方法方法 1：使用 @La
阅读更多...
使用Python实现快速搭建本地HTTP服务器

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》：本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2