一、统计特征图绘制

1.需求

我现在有两个数据集Pdata和Cdata分别在DataFrame对象中，我现在想对这两个数据集进行统计特征分析，并用直方图展示出来。

2.代码

方法一

# 查看提取数据的统计特征
p1 = Pdata.describe()
c1 = Cdata.describe()
# 绘制指标
metrics = ['mean', 'std', '25%', '50%', '75%']
# 创建一个包含3行和2列的子图布局，每个子图的大小为 (20, 12)
# 这里的axes是一个3×2的数组，里面存放的是Axes对象，可以理解为画布上的一块区域，您可以在这个区域上绘制各种图形
fig, axes = plt.subplots(nrows=3, ncols=2, figsize=(20, 12))
for i, metric in enumerate(metrics):
    row = i // 2
    col = i % 2
    # 绘制出p1的一个条形图
    # 第一个参数：柱子在x轴上的坐标，即每个条形图的横坐标位置，类数组结构。
	# 第二个参数：柱子的高度，即每个条形图的高度，类数组结构。
    # width=0.4控制柱状图的宽度,alpha=0.7控制柱状图的透明度。
    axes[row, col].bar(range(len(p1.columns)), p1.loc[metric], width=0.4, label='p1', alpha=0.7)
    # 绘制出c1的一个条形图,为了避免两组柱状图重叠,我们将第二组柱状图的位置平移了0.4个单位
    axes[row, col].bar([j + 0.4 for j in range(len(c1.columns))], c1.loc[metric], width=0.4, label='c1', alpha=0.7)
    # 设置 x 轴刻度的位置
    axes[row, col].set_xticks([j + 0.2 for j in range(len(p1.columns))])
    # 设置x轴的刻度标签,进行了45度旋转和右对齐
    axes[row, col].set_xticklabels(range(1, len(p1.columns) + 1), rotation=45, ha='right')
    # 添加图例
    axes[row, col].legend()
    axes[row, col].set_title(metric)
# 自动调整子图布局,使它们适应整个图形区域，同时避免重叠和裁剪
plt.tight_layout()
plt.savefig('metrics.png')

方法二

metrics = ['mean', 'std', '25%', '50%', '75%']
# 创建一个新的空白画布
plt.figure(figsize=(19, 10))
for i, metric in enumerate(metrics):
	# 在当前画布中创建一个子图，3行2列的布局，当前子图的位置由 i+1 指定
    plt.subplot(3, 2, i + 1)
    plt.bar(range(len(p1.columns)), p1.loc[metric], width=0.4, label='p1', alpha=0.7)
    plt.bar([j + 0.4 for j in range(len(c1.columns))], c1.loc[metric], width=0.4, label='c1', alpha=0.7)
    plt.xticks(ticks=[j + 0.2 for j in range(len(p1.columns))], labels=range(1, len(p1.columns) + 1), rotation=45, ha='right')
    plt.legend()
    plt.title(metric)
plt.tight_layout()
plt.savefig('metrics.png')

总结

这两种方法都可以用来画子图，但它们的使用方式略有不同，适用于不同的情况：

1. 方法一

   • 这种方式是一次性创建一个包含多个子图的画布，并返回一个包含所有子图的Axes对象数组。
   • 这种方法适合需要同时处理多个子图的情况，可以更方便地对所有子图进行操作，例如调整子图之间的间距、设置共享轴等。

2. 方法二

   • 这种方式是先创建一个空白画布，然后在循环中逐个添加子图。
   • 这种方法适合需要在每个子图之间进行个性化设置或处理的情况，例如设置不同子图的标题、颜色等。

总体来说，方法一适用于需要创建多个子图且希望一次性处理它们的情况，而方法二适用于需要逐个处理子图或对子图进行个性化设置的情况。

二、分布特征图绘制

1.需求

我现在有两个数据集Pdata和Cdata分别在DataFrame对象中，我现在想对这两个数据集进行分布特征分析，即各个数据段的密度分析，并用直方图展示出来。

2.代码

cols_to_plot1 = ['feature_0', 'feature_1', 'feature_2', 'feature_3', 'feature_4', 'feature_5', 'feature_6', 'feature_7', 'feature_8']
plt.figure(figsize=(19, 10))
for i, col in enumerate(cols_to_plot1):
    plt.subplot(3, 3, i+1)
    # 绘制数据的分布情况，bins指定了直方图的箱数，stat='density'参数用于指定绘制的统计信息是归一化的密度而不是数量
    sns.histplot(Pdata[col], bins=15, label='p1', stat='density')
    sns.histplot(Cdata[col], bins=15, label='c1', stat='density')
    plt.legend()
plt.tight_layout()
plt.savefig('feature.png')