Pandas可视化详解

目录
1. 折线图
2. 柱状图
3. 直方图
4. 箱线图
5. 区域图
6. 散点图
7. 饼图六边形容器图

更多:Pandas

数据分析的结果不仅仅只是你来看的,更多的时候是给需求方或者老板来看的,为了更直观地看出结果,数据可视化是必不可少的一个环节。这里带大家来看下一些常用的图形的画法。

# 导入相关库
import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import matplotlib
# matplotlib.style.use("ggplot")


np.random.seed(100)

Pandas 的数据可视化的实现底层依赖于 matplotlib,所以画图时很多基础知识需要涉及到 matplotlib。画图其实就是跟各种数字打交道,这里我们先给伪造一些数据。

df = pd.DataFrame(np.random.randint(-10, 10, (10, 3)), index=pd.date_range("1/1/2000", periods=10), columns=list("ABC"))
df = df.cumsum()
df.head()

ABC
2000-01-01-2-7-3
2000-01-023-1-3
2000-01-03-5-9-11
2000-01-04-1-17-4
2000-01-055-12-10
折线图

生成数据之后,我们看下如何进行画图。其实非常简单的,调用 plot 方法就可以看到画图的结果了。

默认情况下参数 kind="line" 表示图的类型为折线图。通过折线图可以看出数据随着某个变量的变化趋势。

df.plot()
<matplotlib.axes._subplots.AxesSubplot at 0x1c570c8e400>

可以看看到,默认情况下,plot 会将索引作为 x 轴,列作为 y 轴,然后画出 line 图。但是有时候,我们需要自己指定 x 轴和 y 轴,这可如何是好呢?

别怕,Pandas 非常方便的为我们提供了参数 x 和 y

df.plot(x="A", y="C")
<matplotlib.axes._subplots.AxesSubplot at 0x1c572cc7a58>
柱状图

通过柱状图可以对比多个值的差别。如果想要画出柱状图,可以将参数 kind 设置为 bar 或者 barh

df.plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x1c572cc7048>

可以看到,设置 kind="bar" 之后,图形以索引为 x 轴, 列为 y 轴。

df.plot(kind="barh")
<matplotlib.axes._subplots.AxesSubplot at 0x1c570a20470>

可以看到,设置 kind="barh" 之后,图形以列为 x 轴, 索引为 y 轴。同样我们也可以自己指定 x 轴和 y 轴。

df.plot(kind="bar", x="A", y=["B", "C"])
<matplotlib.axes._subplots.AxesSubplot at 0x1c573f55748>

此外,如果想要生成堆叠条形图的haunted,可以设置参数 stacked=True

df.plot(kind="bar", stacked=True)
<matplotlib.axes._subplots.AxesSubplot at 0x1c573f13630>
直方图

直方图是一种展示数据频数/率的特殊的柱状图。如果想要画出直方图,可以将参数 kind 设置为 hist

df.plot(kind="hist")
<matplotlib.axes._subplots.AxesSubplot at 0x1c573f0a4a8>

可以通过设置参数 bins 来改变 bin 的大小。

df.plot(kind="hist", bins=5)
<matplotlib.axes._subplots.AxesSubplot at 0x1c57407e710>
箱线图

通过箱线图可以展示出分位数,具体包括上四分位数、下四分位数、中位数以及上下5%的极值。如果想要画出箱线图,可以将参数 kind 设置为 box

df.plot(kind="box")
<matplotlib.axes._subplots.AxesSubplot at 0x1c5740d4748>
区域图

如果想要画出区域图,可以将参数 kind 设置为 area

默认情况下,区域图是堆积的,要生成堆积的区域图图,每列必须全部为正值或全为负值。

df.abs().plot(kind="area")
<matplotlib.axes._subplots.AxesSubplot at 0x1c574172c50>

想要生成不堆积的区域图,设置参数 stacked=False 即可。

df.plot(kind="area", stacked=False)
<matplotlib.axes._subplots.AxesSubplot at 0x1c574186cf8>
散点图

如果想要画出散点图,可以将参数 kind 设置为 scatter,同时需要指定 x 和 y。

通过散点图可以探索变量之间的关系。

df.plot(kind="scatter", x="A", y="B")
<matplotlib.axes._subplots.AxesSubplot at 0x1c574186f98>

可以设置参数 c 作为列的名称以为每个点提供颜色。

df.plot(kind="scatter", x="A", y="B", c="C")
<matplotlib.axes._subplots.AxesSubplot at 0x1c57422fe10>

如果想要在单个轴上绘制多个列组,需要指定 ax。

ax = df.plot(kind="scatter", x="A", y="B", color="blue")
df.plot(kind="scatter", x="C", y="B", color="green", ax=ax)
<matplotlib.axes._subplots.AxesSubplot at 0x1c574293c50>
饼图

如果想要画出饼图,可以将参数 kind 设置为 scatter

a = df.A[:5]
a.abs().plot.pie(subplots=True, figsize=(4, 4))
array([<matplotlib.axes._subplots.AxesSubplot object at 0x000001C5741E3630>],
      dtype=object)

如果想要自动计算出比例,可以设置参数 autopct

a.abs().plot.pie(subplots=True, figsize=(4, 4), autopct="%.2f")
array([<matplotlib.axes._subplots.AxesSubplot object at 0x000001C57531D358>],
      dtype=object)
六边形容器图

在绘制散点图时,如果数据过于密集,则无法单独绘制出每个点,这时候可以考虑 Hexbin 图。

df = pd.DataFrame(np.random.randn(1000, 2), columns=["A", "B"])

df["B"] = df["B"] + np.arange(1000)

df.plot(kind="hexbin", x="A", y="B", gridsize=10)
<matplotlib.axes._subplots.AxesSubplot at 0x1c5753663c8>

其中,左边坐标表示的是值的分布,右边坐标表示的是数据量大小与颜色的对比。

一个有用的关键字参数是 gridsize ; 它控制x方向的六边形数量,并且默认为100.较大的格栅意味着更多的较小的分区。

df.plot(kind="hexbin", x="A", y="B", gridsize=20)
<matplotlib.axes._subplots.AxesSubplot at 0x1c5753c9438>

发表评论

电子邮件地址不会被公开。 必填项已用*标注