一、柱状图
1.通过obj.plot()
柱状图用bar表示，可通过obj.plot(kind=’bar’)或者obj.plot.bar()生成；在柱状图中添加参数stacked=True，会形成堆叠图。
fig,axes = plt.subplots(2,2,figsize=(10,6)) s = pd.Series(np.random.randint(0,10,15),index = list('abcdefghijklmno')) df = pd.DataFrame(np.random.rand(10,3),columns = ['A','B','C']) s.plot(kind = 'bar',ax = axes[0,0]) #kind表示图表类型 df.plot(kind = 'bar',ax = axes[0,1]) df.plot.bar(ax = axes[1,0],stacked = True) #stacked = True表示显示为堆叠样式 df.plot.barh(ax = axes[1,1]) #横向的柱状图
2.通过plt.bar(x,y)
直接使用plt.bar()时，需要在参数中指定x轴和y轴表示的数据。
plt.figure(figsize=(8,6)) x = np.arange(10) y1 = np.random.rand(10) y2 = -np.random.rand(10) plt.bar(x,y1,yerr = 0.1 * y1) for i,j in zip(x,y1): plt.text(i-0.3,j+0.05,'%.2f'%j) #添加标签-0.3和+0.05是为了让标签的位置更合理 plt.bar(x,y2)
柱状图外嵌图表
通过plt.table()可以实现在柱状图下方附上表格的功能。
plt.table(cellText=data.T,cellLoc=’center’,cellColours=None,rowLabels=cols,rowLoc=’center’,colLabels=rows,colLoc=’center’,loc=’bottom’)
cellText：表格内容，通常为DataFrame的values部分
cellLoc：表格内容的对齐方式，通常为center居中对齐
cellColours：表格内容背景颜色
rowLabels：行标签
rowLoc：行标签的对齐方式
colLabels：行标签的背景颜色
colLoc：列标签的对齐方式
loc：表格位置，常用bootom，
data = np.array([[1,2,3,1,2],[3,4,5,3,4],[2,3,4,2,3],[4,5,6,3,4]]) rows = ['x','y','z','w'] cols = ['a','b','c','d','e'] df = pd.DataFrame(data,index = rows,columns=cols) df.plot(kind='bar',stacked=True,colormap='Blues_r') plt.xticks([]) #去掉x轴的刻度标签，避免与下方的表格的列标签重合 plt.table(cellText=data.T,cellLoc='center',cellColours=None,rowLabels=cols,rowLoc='center', rowColours=plt.cm.BuPu(np.linspace(0,0.5,5))[::-1],colLabels=rows,colLoc='center',colColours=None,loc='bottom')
二、面积图
面积图使用obj.plot(kind=’area’)或者obj.plot.area()生成，没有plt.area()方法。
面积图默认是堆叠的，并且要求值必须同时为正值或同时为负值；如果既有正值也有负值，不能堆叠，需要使用参数stacked=False。
fig,axes = plt.subplots(1,2,figsize=(10,6)) df1 = pd.DataFrame(np.random.rand(10,3),columns=['A','B','C']) df2 = pd.DataFrame(np.random.randn(10,3),columns=['a','b','c']) df1.plot.area(colormap='summer',ax = axes[0]) df2.plot(kind='area',stacked = False,ax = axes[1])
三、填图
填充x轴与一个y轴之间的空间：需要y轴与x轴有交叉，否则不会显示
填充两个y轴之间的空间：相当于两个y轴的差
fig,axes = plt.subplots(1,2,figsize=(10,4)) x = np.linspace(0,1,500) y1 = np.sin(4*np.pi*x) y2 = -np.sin(4*np.pi*x) # y1 = 2*x # y2 = -x #调成y1和y2都没有效果 axes[0].fill(x,y1,'lightblue',label='y1') axes[0].fill(x,y2,'pink',label='y2') axes[1].fill_between(x,y1,y2,color = 'lightblue',label='y1-y2')#此处需要用color指定颜色，直接写颜色会报错
四、饼图
plt.pie(s,explode=None,labels=None,colors=None,autopct=None,pctdistance=0.6,labeldistance=1.1,shadow=False,startangle=None,radius=None,frame=False)
s：一个Seris
explode：突出的饼块位置及突出大小
labels：饼块的标签
colors：饼块的颜色
autopct：饼块的值的显示格式
pctdistance：饼块的值距离圆心的距离，相对于半径来说
labeldistance：标签距离圆心的距离，相对于半径来说
shadow：是否显示阴影
startangle：第一个饼开始的地方，默认从水平线开始逆时针方向进行，30表示从水平方向逆时针旋转30°的地方开始
radius：半径的长度
s = pd.Series(np.random.rand(4),index=['a','b','c','d']) plt.axis('equal') # plt.pie(s,explode=[0.1,0,0,0],labels=s.index,colors=['r','g','b','y'],autopct='%.2f%%',pctdistance=0.5, labeldistance=1.2,shadow=False,startangle=0,radius=1.2,frame=False)
五、直方图
柱状图是用于展示数值的，而直方图是用来统计频率的。
hist(x, bins=None, range=None, density=None, weights=None,cumulative=False, bottom=None, histtype=’bar’, align=’mid’,orientation=’vertical’, rwidth=None,
log=False, color=None,label=None, stacked=False, normed=None, *, data=None,**kwargs)
bins柱子的数量，即将样本分为多少个组进行统计
histtype：直方图的风格，默认为bar，其他还有step、stepfilled、barstacked(有时候对于df不起作用，堆叠直方图一般不用s.hist())
align：对齐方式，默认为mid居中对齐，其他还有left和right
orientation：方向，默认为vertical竖直方向，其他horizontal
mormed：密度，默认为False，y轴显示数量，True表示y轴显示为0-1的区间，与密度图类似
grid：直方图默认有网格
fig,axes = plt.subplots(1,2,figsize=(10,5)) s = pd.Series(np.random.randn(1000)) s.hist(bins=20,histtype='bar',align='right',orientation='vertical',alpha=0.8,density=False,grid=True,ax=axes[0])#四种方式 # s.plot(kind='hist') # s.plot.hist() # plt.hist(s,bins=30) s.hist(bins=20,alpha=0.8,density=True,ax=axes[1]) #直方图形式的密度图 s.plot(kind='kde',ax=axes[1] )#密度图
堆叠直方图，由于直方图的histtype设置为batstacked经常不生效，生成多系列的堆叠直方图常使用df.plot()或df.plot.hist()来生成
df = pd.DataFrame({'A':np.random.randn(1000),'B':np.random.randn(1000),'C':np.random.randn(1000)})
df.plot.hist(stacked=True)
# df.plot(kind='hist',stacked=True)
# df.hist(stacked=True,histtype='barstacked') #不起作用，生成3个独立的直方图
# plt.hist(df) #无法使用
六、散点图
plt.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, plotnonfinite=False, data=None, **kwargs) # x和y分别表示x轴和y轴数据 # s表示点的大小，可以为一个数值，也可为一变量，为变量则s可表示除x和y的另一个维度 # c表示点的颜色，可以为一具体颜色，也可为一变量，为变量则c可表示除x和y的另一个维度
# vmin和vmax表示亮度的最小和最大值，是一个具体的数值
plt.figure(figsize=(8,5)) x = np.random.randn(1000) y = np.random.randn(1000) plt.scatter(x,y,s =np.random.randn(1000)*30,c=np.random.randn(1000)*30,cmap='Reds') #只有这一种方法
矩阵散点图是pandas中的方法，不是matplotlib中的方法，常用来看各个指标之间的关系。
df = pd.DataFrame(np.random.randn(100,3),columns = ['A','B','C']) pd.plotting.scatter_matrix(df,figsize=(8,8),diagonal='kde',marker='o',range_padding=0.1) # 将df的三列进行两两对比，寻找任意两个之间的关系 # diagonal为对角线处的图表显示类型，即每一列自身，常用bar或kde # range_padding为图表与x轴和y轴之间的空白
七.极坐标图
极坐标图是以一个圆盘进行显示的，起点为右侧水平方向的半径，距离起点的角度相当于x轴，距离圆心的距离相当于y轴。
s = pd.Series(np.arange(20)) arr = np.arange(0,2*np.pi,00.2) fig = plt.figure(figsize=(10,5)) ax1 = plt.subplot(121,polar = True) # ax1 = fig.add_subplot(121,projection='polar') #polar的两种参数写法等价，表示创建极坐标 ax2 = plt.subplot(122) ax1.plot(s,linestyle='--',marker='o') ax1.plot(arr,arr*3,linestyle='--',marker='.',color = 'r',lw=1) ax2.plot(s,linestyle='--',marker='o') ax2.plot(arr,arr*3,linestyle='--',marker='.',color = 'r',lw=1)
极坐标演示
下面以两个对比的例子解释极坐标的相关参数
arr = np.arange(0,2*np.pi,00.2) fig = plt.figure(figsize = (10,5)) ax1 = fig.add_subplot(121,polar=True) ax2 = fig.add_subplot(122,polar=True) ax1.plot(arr,arr*2,linestyle='--',lw=2) ax2.plot(arr,arr*2,linestyle='--',lw=2) ax2.set_title('ax2') #设置标题 ax2.set_theta_direction(-1) #角度旋转方向，默认为逆时针，-1表示顺时针 ax2.set_thetagrids(np.arange(0,360,90),['a','b','c','d']) #设置极坐标角度网格线(即将圆盘分为几个扇形)显示及标签，标签默认显示为角度 ax2.set_rgrids([0,3,6,9,12,15]) #设置网格线显示(即不同半径的圆) ax2.set_theta_offset(np.pi/4) #设值网格起点的角度偏移，默认是水平线右侧为起点，偏移为逆时针方向偏移 ax2.set_rlim(0,18) #设置网格线的显示范围 ax2.set_rmax(18) #设置极坐标的半径 ax2.set_rticks([0,3,6,9,12,15,18]) #设置网格线的显示范围
极坐标参数演示
在极坐标图中绘制极轴图
arr = np.arange(0,np.pi*2,np.pi*0.2) data1 = np.random.randint(1,10,10) fig = plt.figure(figsize = (10,6)) ax1 = plt.subplot(111,polar=True) bar = ax1.bar(arr,data1,alpha = 0.7) print(bar,type(bar)) #即一个包含各个扇形的容器，一共10个 # <BarContainer object of 10 artists> <class 'matplotlib.container.BarContainer'>
极轴图
八、雷达图
雷达图可以在极坐标图的基础上绘制再填充，也可以直接通过plt.polar()生成。
arr = np.arange(0,np.pi*2,np.pi*0.2) data1 = np.random.randint(1,10,10) data2 = np.random.randint(1,10,10) fig1 = plt.figure(figsize=(10,6)) ax1 = fig1.add_subplot(111,polar = True) ax1.plot(arr,data1,linestyle='--') #绘制极坐标图，首尾不相连，是折线图 ax1.fill(arr,data1,alpha=0.7) #将折线图内部填充颜色，看起来就像是首尾相连，但其实首尾之间并没有连接的线 ax1.plot(arr,data2,linestyle='--') ax1.fill(arr,data2,alpha=0.7) arr = np.concatenate((arr,[arr[0]])) #将原数据与原数据中的第一个值进行拼接 data1 = np.concatenate((data1,[data1[0]])) #将原数据与原数据中的第一个值进行拼接 fig2 = plt.figure(figsize=(10,6)) plt.polar(arr,data1,'--') #直接通过plt.polar绘制，结果是一个首尾相连的图 plt.fill(arr,data1,alpha = 0.7) #填充内部
雷达图的两种生成方式
九、箱型图
箱形图又称为盒须图、盒式图或箱线图，是一种用于显示一组数据分散情况资料的统计图。
箱型图包含一组数据的最大值(上内限)、最小值(下内限)、中位数、上四分位数、下四分位数和异常值，计算时将数据按照从大到小的顺序排列。
计算四分位的位置有(n+1) / 4和(n-1) / 4两种，一般采用前者。
上四分位数：Q3，位置(n+1) / 4，
中位数：位置(n+1)/2
下四分位数：Q1，位置3*(n+1) / 4，四分位差为上四分位数-下四分位数，即IQR=Q3-Q1
内限：箱型图的盒须，上内限最大值为Q3+1.5IQR，下内限最小值为Q1-1.5IQR
外限：上外限最大值为Q3+3IQR，下外限最小值为Q1-3IQR
异常值：上线内限之间的为正常值，上下内限之外、外限之内的为中度异常值，默认用空心圆表示，上下外限之外的为极度异常值，默认用实心圆表示。
boxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None,
usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None,
boxprops=None, labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None,
manage_ticks=True, autorange=False, zorder=None, *, data=None)
具体参数使用可参考：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.boxplot.html
fig,axes = plt.subplots(1,2,figsize=(10,6)) df = pd.DataFrame(np.random.rand(10,5),columns=['A','B','C','D','E']) color = dict(boxes = 'DarkGreen',whiskers = 'DarkOrange',medians = 'DarkBlue',caps = 'Gray') df.plot.box(ax = axes[0],color = color,grid = True) df.plot(kind='box',ax = axes[1],color = color,vert = False,positions = [1,2,5,4,6])#position表示五列分别位于y轴上1、2、5、4、6的位置上 figure = plt.figure(figsize=(10,6)) f = df.boxplot(vert = True, #是否垂直，默认为True sym = 'o', #异常点形状，参考marker whis = 1.5, # patch_artist = True, #上下四分位框内是否填充 showmeans = True, #是否显示均值 meanline = False, #如果显示均值采用何种形状，True是虚线，False则为三角形 showbox = True, #是否显示箱线 showcaps = True, #是否显示边缘线，即上内限和下内限 showfliers = True, #是否显示异常值 notch = False, #中间箱体是否缺口 # return_type = 'dict' #返回类型为字典 ) # plt.boxplot(df) boxplot()另一种使用方法
箱型图演示
其中whis表示设置上、下内限时Q3-Q1的比例，默认为1.5，也可以设置一个区间例如[5,95]
df.boxplot()的执行结果默认返回一个<class ‘matplotlib.axes._subplots.AxesSubplot’>，参数return_type = ‘dict’表示返回一个字典，字典的key包括了boxes箱线、medians中位线、whiskers从box到上下内限的竖线、fliers异常值、caps上下内限的线、means均值线。设置返回字典是为了方便后续对图表进行显示设置，假设设置了返回类型为字典，后续对中位线操作for m in f[‘medians’]:m.set(color=’y’,linewidth = 3)，可在图表生成后调整整个图表的显示属性。
上述示例是对df的每一列分别进行了统计，箱线图也可以实现对列进行分组然后统计。
df = pd.DataFrame(np.random.rand(10,2),columns=['A','B']) df['C'] = pd.Series(['x','x','y','x','x','y','y','y','x','x']) df['D'] = pd.Series(['x','y','y','x','x','y','y','y','x','y']) f1 = df.boxplot(by = 'C',return_type = 'dict') #按照C列分组然后统计，D列不为数值统计时忽略 f2 = df.boxplot(by = ['C','D'],column = 'A',return_type = 'dict') #按照C列和D列分组然后统计，只统计A列
箱型图分组统计演示
支付宝扫一扫
微信扫一扫
.png)
最新评论