【python】绘图代码模板

【python】绘图代码模板

  • pandas.DataFrame.plot( )画图函数
  • Seaborn绘图 -数据可视化必备
    • 导入数据集
    • 可视化统计关系
      • 使用Seaborn绘制散点图
      • 抖动图
      • 箱线图
      • 小提琴图
      • Pointplot
      • 群图
    • 可视化数据集的分布
      • 绘制单变量分布
        • 柱状图
        • 直方图
      • 绘制双变量分布
        • Hex图
        • KDE 图
        • 可视化数据集中的成对关系
    • 好看的图模板
      • 来自宽格式数据集的线图
      • 带观察值的水平箱线图
      • 多个面上的线图
      • 具有多种语义的散点图

pandas.DataFrame.plot( )画图函数

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None,figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None,
                xerr=None,secondary_y=False, sort_columns=False, **kwds)

以下是DataFrame.plot()方法的参数以及它们的作用和可选值：

  • x：横轴的列名或位置索引，用于指定绘图时使用的横轴数据。

  • y：纵轴的列名或位置索引，用于指定绘图时使用的纵轴数据。

  • kind：绘图类型，可以是以下选项：

    • 'line'：折线图
    • 'bar'：垂直条形图
    • 'barh'：水平条形图
    • 'hist'：直方图
    • 'box'：箱线图
    • 'kde'：核密度估计图
    • 'density'：与 'kde' 相同
    • 'area'：面积图
    • 'pie'：饼图
    • 'scatter'：散点图
    • 'hexbin'：六边形散点图

  • ax：Matplotlib Axes对象，用于在已有的图形上添加新的图层。

  • subplots：布尔值，如果为True，则为每个列绘制单独的子图。

  • sharex：布尔值，如果subplots为True，则共享x轴。

  • sharey：布尔值，如果subplots为True，则共享y轴。

  • layout：元组，用于指定子图的行列布局。

  • figsize：元组，图形的尺寸，以英寸为单位。

  • use_index：布尔值，默认为True，使用行索引作为x轴。

  • title：字符串，图形的标题。

  • grid：布尔值，控制是否显示网格线。

  • legend：布尔值或者字符串’reverse’，控制是否显示图例。

  • style：列表或字典，用于指定每列折线图的线条样式。

  • logx：布尔值，是否使用对数坐标轴（x轴）。

  • logy：布尔值，是否使用对数坐标轴（y轴）。

  • loglog：布尔值，是否同时使用对数坐标轴（x轴和y轴）。

  • xticks：序列，用于自定义x轴刻度值。

  • yticks：序列，用于自定义y轴刻度值。

  • xlim：列表或元组，自定义x轴显示范围。

  • ylim：列表或元组，自定义y轴显示范围。

  • rot：整数，设置刻度标签的旋转角度。

  • fontsize：整数，设置刻度标签的字体大小。

  • colormap：字符串或Matplotlib colormap对象，默认为None，用于选择图的区域颜色。

  • colorbar：布尔值，如果为True，则在柱状图和散点图上添加颜色条。

  • position：浮点数，用于指定条形图布局的相对对齐位置（0表示左端/底端，1表示右端/顶端）。

  • table：布尔值、Series或DataFrame，默认为False，如果为True，则根据DataFrame的数据绘制表格。

  • yerr和xerr：DataFrame、Series、数组或字典，用于绘制带有误差条的图表（详情请参考绘图带有误差条的方法）。

  • stacked：布尔值，在折线图和柱状图中默认为False，在面积图中默认为True，用于创建堆叠图。

  • sort_columns：布尔值，默认为False，以字母表顺序绘制各列，默认使用前列顺序。

  • secondary_y：布尔值或序列，默认为False，是否在右侧添加第二个y轴。如果是序列，指定要在右侧绘制的列。

  • mark_right：布尔值，默认为True，当使用第二个y轴时，是否自动在图例中标记列标签为"(right)"。

  • **kwds：其他传递给Matplotlib绘图方法的关键字参数。

返回值：

  • axes：Matplotlib AxesSubplot对象或其数组。

示例：

import pandas as pd
import matplotlib.pyplot as plt

# 创建示例数据
data = {
    'Year': [2015, 2016, 2017, 2018, 2019, 2020, 2021],
    'Sales': [100, 120, 150, 180, 200, 230, 250],
    'Expenses': [80, 90, 100, 110, 120, 130, 140]
}

df = pd.DataFrame(data)

# 绘制折线图
df.plot(x='Year', y=['Sales', 'Expenses'], kind='line', marker='o', linewidth=2)
plt.title('Sales and Expenses Over Years')
plt.xlabel('Year')
plt.ylabel('Amount (in thousands)')
plt.grid(True)
plt.legend(['Sales', 'Expenses'])
plt.show()

# 绘制条形图
df.plot(x='Year', y=['Sales', 'Expenses'], kind='bar', alpha=0.7)
plt.title('Sales and Expenses Over Years')
plt.xlabel('Year')
plt.ylabel('Amount (in thousands)')
plt.grid(axis='y')
plt.legend(['Sales', 'Expenses'])
plt.show()

在这里插入图片描述
在这里插入图片描述

Seaborn绘图 -数据可视化必备

官方示例：https://seaborn.pydata.org/tutorial.html
Seaborn是一个构建在matplotlib之上的一个非常完美的Python可视化库。
与Matplotlib的低级接口相比，Seaborn具有高级接口。适合处理数据流

需要导入的包

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from scipy import stats

导入数据集

数据来源：https://datahack.analyticsvidhya.com/contest/enigma­codefest­machine­learning­1/

df = pd.read_csv(r"train_NIR5Yl1.csv")
df.head()

在这里插入图片描述

可视化统计关系

使用Seaborn绘制散点图

散点图可以可视化两个变量之间的关系。每个点在数据集中显示一个观察值，这些观察值用点状结构表示。图中显示了两个变量的联合分布。


# 创建图形和轴
sns.relplot(x="Views", y="Upvotes", data = df)

在这里插入图片描述
显示与数据相关的标签

sns.relplot(x="Views", y="Upvotes", hue = "Tag", data = df)
# 另外还可以通过参数size = "Tag"或者数size=(15,200)。,改变点大小

在这里插入图片描述
另外可以在色调(Hue)的帮助下在我们的图片中添加另一个维度，通过为点赋予颜色来实现，每种颜色都有一些附加的意义。

sns.relplot(x="Views", y="Upvotes", hue = "Answers", data = df);

在这里插入图片描述

抖动图

使用的数据来源：https://datahack.analyticsvidhya.com/contest/wns­analytics­hackathon­2018­1/

在这里插入图片描述
使用catplot()函数查看education列和avg_training_score列之间的关系

sns.catplot(x="education", y="avg_training_score", jitter = False, data=df2)

在这里插入图片描述

在Seaborn的catplot函数中，jitter参数控制是否对数据点进行抖动（jittering）。抖动是在分类变量上添加一些随机的小偏移量，使得数据点在x轴上稍微分散，从而防止多个数据点重叠在同一个位置，增加可视化的可读性。

  • jitter=True：表示在x轴上对数据进行抖动。这样做可以有效避免数据点的重叠，特别是当数据较密集时，使得图表更易于观察和解读。

  • jitter=False：表示不对数据进行抖动。如果你的数据不太密集，或者你更关心各个数据点的精确位置，可以选择这个选项。

选择是否使用抖动取决于数据的特点和你想要达到的可视化效果。对于大多数情况下，启用抖动是一个好的选择，因为它可以帮助更好地展示数据的分布情况。然而，如果你的数据较少或者有特定需求，可以将jitter设置为False。

Hue图
接下来，如果我们想在我们的图中引入另一个变量或另一个维度，我们可以使用hue参数。假设我们希望看到教育和avg_training_score图中的性别分布

sns.catplot(x="education", y="avg_training_score", hue = "gender", data=df2)

在这里插入图片描述
在上面的图中，一些点是相互重叠的，为了消除这种情况，可以设置kind =
“swarm”， swarm使用一种算法来防止这些点重叠，并且沿着分类轴调整这些点。

sns.catplot(x="education", y="avg_training_score", kind = "swarm", data=df2)

在这里插入图片描述
将is_promoted作为一个新变量引入

sns.catplot(x="education", y="avg_training_score", hue = "is_promoted",  kind = "swarm", data=df2)

在这里插入图片描述

箱线图

箱线图 ，它显示了分布的三个四分位值以及最终值。箱图中的每个值都对应于数据中的实际观察值

sns.catplot(x="education", y="avg_training_score", kind = "box", data=df2)

在这里插入图片描述

小提琴图

小提琴图结合了箱线图和核密度估计程序，以提供更丰富的值分布描述。四分位数值显示在小提琴内部。

sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "violin", data=df2)

在这里插入图片描述
当色调语义参数是二值时，我们还可以拆分小提琴，这也可能有助于节省绘图空间。

sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "violin",split=True, data=df2)

在这里插入图片描述

Pointplot

pointplot，这个图指出估计值和置信区间。Pointplot连接来自相同色调类别的数据。这有助于识别特定色调类别中的关系如何变化

sns.catplot(x="education", y="avg_training_score", hue = "is_promoted", kind = "point", data=df2)

在这里插入图片描述

群图

sns.catplot(x="education",               # x轴上的分类变量，这里是教育程度
            y="avg_training_score",      # y轴上的数值变量，这里是平均培训分数
            hue="is_promoted",           # 按照是否晋升（is_promoted）来给数据点着色
            col="gender",                # 按照性别（gender）分列绘制图表
            aspect=.9,                   # 控制每个绘图块（facet）的纵横比例
            kind="swarm",                # 指定绘图类型为分类散点图（swarm plot）
            data=df2)                    # 数据来源，这里是一个DataFrame df2

在这里插入图片描述

可视化数据集的分布

绘制单变量分布

柱状图

在研究变量分布时，最常见的是柱状图。默认情况下，distplot()函数绘制柱状图并适合内核密度估计

sns.distplot(df2.age)

在这里插入图片描述

直方图

直方图以箱子的形式表示数据的分布，并使用条形图来显示每个箱子下的观察次数。我们还可以在其中添加一个加固图，而不是使用KDE(核密度估计)，这意味着在每次观察时，它都会画一个小的垂直标尺。

sns.distplot(df2.age, kde=False, rug = True)

在这里插入图片描述

绘制双变量分布

使用了seaborn库的jointplot()函数。默认情况下，jointplot绘制散点图。

sns.jointplot(x="avg_training_score", y="age", data=df2);

在这里插入图片描述

Hex图

Hexplot是一个双变量的直方图，因为它显示了在六边形区域内的观察次数。这是一个非常容易处理大数据集的图。为了绘制Hexplot，我们将把kind属性设置为hex

sns.jointplot(x=df2.age, y=df2.avg_training_score, kind="hex", data = df2)

在这里插入图片描述

KDE 图

sns.jointplot(x="age", y="avg_training_score", data=df2, kind="kde");

在这里插入图片描述

可视化数据集中的成对关系

sns.pairplot(df2)

在这里插入图片描述

好看的图模板

来自宽格式数据集的线图

# 导入必要的库
import numpy as np
import pandas as pd
import seaborn as sns
sns.set_theme(style="whitegrid") # 设置Seaborn绘图的主题和样式

# 创建一个随机种子，以便结果可以复现
rs = np.random.RandomState(365)

# 生成一个包含随机数据的数组，形状为(365, 4)，并计算每一列的累积和
values = rs.randn(365, 4).cumsum(axis=0)

# 创建日期范围为2016年1月1日起的365个日期，间隔为1天
dates = pd.date_range("1 1 2016", periods=365, freq="D")

# 使用Pandas将数据和日期合并为DataFrame，并给每列指定名称"A", "B", "C", "D"
data = pd.DataFrame(values, dates, columns=["A", "B", "C", "D"])

# 使用滚动窗口计算每列的7天滚动均值，并更新数据
data = data.rolling(7).mean()

# 使用Seaborn绘制折线图，展示数据中每列的变化趋势
sns.lineplot(data=data, palette="tab10", linewidth=2.5)

在这里插入图片描述

带观察值的水平箱线图

数据来源：https://github.com/mwaskom/seaborn-data/blob/master/planets.csv

# 导入所需的库
import seaborn as sns  
import matplotlib.pyplot as plt

# 设置seaborn的主题样式为'ticks'
sns.set_theme(style="ticks")  

# 初始化图表,大小为(7,6),并设置x轴为对数刻度
f, ax = plt.subplots(figsize=(7, 6))
ax.set_xscale("log")

# 载入seaborn内置的'planets'数据集
planets = pd.read_csv(r"planets.csv")



# 使用箱形图绘制'distance'为x轴,'method'为y轴
# 设置whis可显示异常值的范围,width调整箱形的宽度
# 使用'vlag'色阶
sns.boxplot(x="distance", y="method", data=planets, 
            whis=[0, 100], width=.6, palette="vlag")

# 使用散点图绘制'distance'为x轴,'method'为y轴  
# 设置点的大小,颜色和线宽
sns.stripplot(x="distance", y="method", data=planets,
              size=4, color=".3", linewidth=0)

# 数据可视化美化
# 显示x轴网格线,移除y轴标签,裁剪左边边框 
ax.xaxis.grid(True)
ax.set(ylabel="") 
sns.despine(trim=True, left=True)

# 显示图表
plt.show()

在这里插入图片描述

多个面上的线图

import seaborn as sns 

# 设置seaborn主题样式为'ticks'
sns.set_theme(style="ticks")  

# 加载'sdots'示例数据集
dots = sns.load_dataset("dots")

# 定义调色板的具体颜色值  
palette = sns.color_palette("rocket_r") 

# 绘制两面多个线图
# x轴为'time',y轴为'firing_rate'
# hue表示颜色区分的变量'coherence' 
# size表示点的大小代表的变量'choice'
# col表示按'slign'分面  
# kind指定折线图类型
# size_order设置点的大小顺序
# palette定义上面指定的调色板
# height/aspect设置图形大小,facet_kws定义分面参数
sns.relplot(data=dots, 
            x="time", y="firing_rate",
            hue="coherence", size="choice", col="align",
            kind="line", size_order=["T1", "T2"], palette=palette,
            height=5, aspect=.75, facet_kws=dict(sharex=False))

# 该图的作用是:
# 使用线图展示'dots'数据集中
# 'time','firing_rate'两个变量的关系
# 并利用颜色、点大小、分面等视觉编码显示不同的第三维和第四维信息
# 直观呈现多维数据集的关系

在这里插入图片描述

具有多种语义的散点图

import seaborn as sns 
import matplotlib.pyplot as plt

# 设置seaborn主题样式为白色网格
sns.set_theme(style="whitegrid") 

# 加载内置的钻石数据集
diamonds = sns.load_dataset("diamonds")

# 初始化图像和子图,并移除子图边框
f, ax = plt.subplots(figsize=(6.5, 6.5))
sns.despine(f, left=True, bottom=True)

# 定义钻石clarity的排序
clarity_ranking = ["I1", "SI2", "SI1", "VS2", "VS1", "VVS2", "VVS1", "IF"]  

# 绘制散点图
# x轴为carat,y轴为price
# hue为clarity,即颜色区分clarity
# size为depth,即点的大小代表depth
# palette定义颜色渐变 
# hue_order指定上面定义的clarity顺序
# sizes设置点的大小范围
# data和ax指定所用的数据及子图
sns.scatterplot(x="carat", y="price", 
                hue="clarity", size="depth",
                palette="ch:r=-.2,d=.3_r",
                hue_order=clarity_ranking,
                sizes=(1, 8), linewidth=0,
                data=diamonds, ax=ax)

# 这是一个组合了多个变量的散点图
# 既展示了carat与price的关系
# 又通过颜色和大小编码呈现了clarity和depth维度的信息
# 可以更清晰地呈现钻石数据集的多维分布情况

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/58168.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【从零开始学习JAVA | 第三十八篇】应用多线程

【从零开始学习JAVA | 第三十八篇】应用多线程

目录 前言： 多线程的实现方式： Thread常见的成员方法： 总结： 前言： 多线程的引入不仅仅是提高计算机处理能力的技术手段，更是适应当前时代对效率和性能要求的必然选择。在本文中，我们将深入…
阅读更多...
python+opencv实现显示摄像头，截取相关图片，录取相关视频

python+opencv实现显示摄像头，截取相关图片，录取相关视频

实时显示摄像头图像 按下空格键，截取图片 按下tab键，开始录制摄像内容，再次按下，结束录制 按下Esc键，关闭窗口 import cv2 import numpy#第几章图片 img_count0InitVideoFalse #第几个视频 video_count0 video_flagFa…
阅读更多...
Mybatis实现JsonObject对象与JSON之间交互

Mybatis实现JsonObject对象与JSON之间交互

项目中使用PostGresql数据库进行数据存储，表中某字段为Json类型，用于存储Json格式数据。PG数据库能够直接存储Json算是一大特色，很多特定情境下使用直接存储Json字段数据能够大量节省开发时间，提高后台数据查询和转换效率。 1、基…
阅读更多...
文心一言 VS 讯飞星火 VS chatgpt （68）-- 算法导论6.5 7题

文心一言 VS 讯飞星火 VS chatgpt （68）-- 算法导论6.5 7题

文心一言 VS 讯飞星火 VS chatgpt （68）-- 算法导论6.5 7题 七、试说明如何使用优先队列来实现一个先进先出队列，以及如何使用优先队列来实现栈(队列和栈的定义见 10.1 节。) 文心一言： 优先队列是一种数据结构，其中…
阅读更多...
数据结构--单链表OJ题

数据结构--单链表OJ题

上文回顾---单链表 这章将来做一些链表的相关题目。 目录 1.移除链表元素 2.反转链表 3.链表的中间结点 4.链表中的倒数第k个结点 5.合并两个有序链表 6.链表分割 7.链表的回文结构 8.相交链表 9.环形链表 ​编辑 10.环形链表II ​编辑 ​编辑 1.移除链表元素 思…
阅读更多...
穷举深搜暴搜回溯剪枝(3)

穷举深搜暴搜回溯剪枝(3)

一)字母大小写全排列 784. 字母大小写全排列 - 力扣（LeetCode） 1)从每一个字符开始进行枚举，如果枚举的是一个数字字符，直接忽视 如果是字母的话，进行选择是变还是不变 2)当进行遍历到叶子结点的时候，直接将…
阅读更多...
安装skywalking并集成到微服务项目

安装skywalking并集成到微服务项目

文章目录 一、前言二、介绍1. 架构 三、安装skywalking服务端四、启动skywalking服务端五、微服务项目开发注册中心网关服务商品服务订单服务支付服务测试 六、下载java客户端七、微服务集成skywalking客户端1. idea启动2. 命令行启动3. 集成效果 八、skywalking客户端配置1. 配…
阅读更多...
淘宝资源采集（从零开始学习淘宝数据爬取）

淘宝资源采集（从零开始学习淘宝数据爬取）

1. 为什么要进行淘宝数据爬取？ 淘宝数据爬取是指通过自动化程序从淘宝网站上获取数据的过程。这些数据可以包括商品信息、销售数据、评论等等。淘宝数据爬取可以帮助您了解市场趋势、优化您的产品选择以及提高销售额。 淘宝作为全球的电商平台，每天都有…
阅读更多...
Flutter：gsy_flutter_demo项目学习——布局切换动画、列表滑动监听、列表滑动到指定位置、高斯模糊

Flutter：gsy_flutter_demo项目学习——布局切换动画、列表滑动监听、列表滑动到指定位置、高斯模糊

前言 gsy_flutter_demo是一个关于各种小案例和小问题的方案解决。项目是由flutter大佬恋猫de小郭维护的 项目地址：https://github.com/CarGuo/gsy_flutter_demo 感兴趣的可以看一下大佬的文章：Flutter完整开发实战详解系列，GSY Flutter 系…
阅读更多...
Excel中——日期列后添加星期

Excel中——日期列后添加星期

需求：在日期列中添加星期几？ 第一步：打开需要添加星期的Excel文件，在日期后面添加日期 第二步：选择日期列，点击鼠标右键，在下拉列表中，选择“设置单元格格式” 第三步： 在…
阅读更多...
【数据分析】Numpy （一)

【数据分析】Numpy （一)

目录 1.Numpy简介： Numpy用途： 2.Numpy的简单使用： 2.1导入Numpy： 2.1查看numpy的版本： ​编辑3.NumPy - Ndarray 对象 3.1ndarray属性： 3.2 numpy.array参数构造 3.3创建numpy数组： 3.4num…
阅读更多...
以指标驱动，保险、零售、制造企业开启精益敏捷运营的新范式

以指标驱动，保险、零售、制造企业开启精益敏捷运营的新范式

近日，以“释放数智生产力”为主题的 Kyligence 用户大会在上海前滩香格里拉大酒店成功举行。大会包含上午的主论坛和下午的 4 场平行论坛，并举办了闭门会议、Open Day 等活动。来自金融、零售、制造、医药等行业的客户及合作伙伴带来了超过 23 场主题演讲…
阅读更多...
微信小程序wx.getlocation接口权限申请总结

微信小程序wx.getlocation接口权限申请总结

先附上申请通过截图 插播内容：可代开通，保证通过。wx.getLocation接口（获取当前的地址位置） qq： 308205428 如何申请 当申请微信小程序的wx.getLocation接口权限时，你可以…
阅读更多...
华为PMS API client token auth failed

华为PMS API client token auth failed

对接华为pms时出现问题，提示华为PMS API client token auth failed 主要是权限的问题，创建项目的时候选择N/A
阅读更多...
上海市第十人民医院胃肠外科沈通一：以菌为药，非药而愈

上海市第十人民医院胃肠外科沈通一：以菌为药，非药而愈

6月29日，2023主动健康与临床营养高峰论坛在西安国际会展中心盛大召开，会议汇集了来自国内医学与营养领域杰出的专家学者，交流分享行业的先进理念和研究成果，为主动营养业界与学界能量交换搭建了新接口，以凝聚学术力量&…
阅读更多...
采购分析：节省采购成本的 6 种方法

采购分析：节省采购成本的 6 种方法

为了成功启动采购计划、稳定现金流并节省开支，企业需要了解从采购到付款的 P2P 周期的方方面面。 有远见的采购领导者将采购分析作为综合战略的一部分。因其有助于以简化和自动化的方式解决问题，从而更好地管理项目并节省大量成本。 什么是采购分析&am…
阅读更多...
jenkins gitlab多分支构建发布

jenkins gitlab多分支构建发布

内容背景介绍 这个是新手教程,普及概念为主 公司现在还使用单分支发布测试环境和生产,多人协同开发同一个项目导致测试环境占用等待等情况 测试环境占用等待问题 测试环境代码直接合并到 master,容易导致误发布到生产的情况 避免多版本同时发布测试不完善的情况出现 中间件…
阅读更多...
Rust dyn - 动态分发 trait 对象

Rust dyn - 动态分发 trait 对象

dyn - 动态分发 trait 对象 dyn是关键字，用于指示一个类型是动态分发（dynamic dispatch），也就是说，它是通过trait object实现的。这意味着这个类型在编译期间不确定，只有在运行时才能确定。 practice tr…
阅读更多...
Node.js-http模块服务端请求与响应操作，请求报文与响应报文

Node.js-http模块服务端请求与响应操作，请求报文与响应报文

简单案例创建HTTP服务端： // 导入 http 模块 const http require("http"); // 创建服务对象 const server http.createServer((request, response) > {// 设置编码格式，解决中文乱码问题response.setHeader("content-type", &…
阅读更多...
MySQL安装详细教程！！！

MySQL安装详细教程！！！

安装之前，先卸载你之前安装过的数据库程序，否则会造成端口号占用的情况。 1.首先下载MySQL:MySQL :: Download MySQL Community Server(下载路径) 2.下载版本不一样，安装方法略有不同；（版本5的安装基本一致&#xff0c…
阅读更多...
最新文章

Copyright @ 2022~2023