餅圖：
餅圖屬於最傳統的統計圖形之一，幾乎隨處可見，例如大型公司的屏幕牆、各種年度論壇的演示稿以及各大媒體發布的數據統計報告等;
餅圖是將一個圓分割成不同大小的楔(扇)形，而圓中的每一個楔形代表了不同的類別值，通常根據楔形的面積大小來判斷類別值的差異;
1 pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, labeldistance=1.1) 2 3 # x:指定繪圖的數據 4 # explode:指定餅圖某些部分的突出顯示，即呈現爆炸式 5 # labels:為餅圖添加標簽說明，類似於圖例說明 6 # colors:指定餅圖的填充色 7 # autopct:自動添加百分比顯示，可以采用格式化的方法顯示 8 # pctdistance:設置百分比標簽與圓心的距離 9 # labeldistance:設置各扇形標簽(圖例)與圓心的距離
1 import matplotlib.pyplot as plt # 導入第三方模塊 2 plt.rcParams['font.sans-serif'] = ['SimHei'] # 解決中文亂碼情況 3 4 # 構造數據 5 edu = [0.2515,0.3724,0.3336,0.0368,0.0057] 6 labels = ['中專','大專','本科','碩士','其他'] 7 explode = [0,0.1,0,0,0] 8 9 # 繪制餅圖 plt.axes(aspect='equal') # 如果python版本較低可能是扁的需要加該代碼 10 plt.pie(x = edu, # 繪圖數據 11 labels=labels, # 添加教育水平標簽 12 autopct='%.1f%%', # 設置百分比的格式，這里保留一位小數 13 explode = explode 14 ) 15 16 plt.show() # 顯示圖形
條形圖（有小分類）：
雖然餅圖可以很好地表達離散型變量在各水平上的差異，但其不擅長對比差異不大或水平值過多的離散型變量，因為餅圖是通過各扇形面積的大小來比價差異的，面積的比較有時並不直觀;
對於條形圖而言，對比的是柱形的高低，柱體越高，代表的數值越大，反之亦然;
1 bar(x, height, width=0.8, bottom=None, color=None, edgecolor=None, tick_label=None, label = None, ecolor=None) 2 3 # x:傳遞數值序列，指定條形圖中x軸上的刻度值 4 #height:傳遞數值序列，指定條形圖y軸上的高度 5 # width:指定條形圖的寬度，默認為0.8 6 # bottom:用於繪制堆疊條形圖 7 # color:指定條形圖的填充色 8 # edgecolor:指定條形圖的邊框色 9 # tick_label:指定條形圖的刻度標簽 10 # label:指定條形圖的標簽，一般用以添加圖例
1 '''垂直條形圖''' 2 import pandas as pd 3 # 讀入數據 4 GDP = pd.read_excel(r'Province GDP 2017.xlsx') 5 6 # 設置繪圖風格（不妨使用R語言中的ggplot2風格） 7 plt.style.use('ggplot') 8 # 繪制條形圖 9 plt.bar(x = range(GDP.shape[0]), # 指定條形圖x軸的刻度值 10 height = GDP.GDP, # 指定條形圖y軸的數值 11 tick_label = GDP.Province, # 指定條形圖x軸的刻度標簽 12 color = 'steelblue', # 指定條形圖的填充色 13 ) 14 # 添加y軸的標簽 15 plt.ylabel('GDP(萬億)') 16 # 添加條形圖的標題 17 plt.title('2017年度6個省份GDP分布') 18 # 為每個條形圖添加數值標簽 19 for x,y in enumerate(GDP.GDP): 20 plt.text(x,y+0.1,'%s' %round(y,1),ha='center') 21 # 顯示圖形 22 plt.show()
水平條形圖：
1 # 對讀入的數據做升序排序 2 GDP.sort_values(by = 'GDP', inplace = True) 3 # 繪制條形圖 4 plt.barh(y = range(GDP.shape[0]), # 指定條形圖y軸的刻度值 5 width = GDP.GDP, # 指定條形圖x軸的數值 6 tick_label = GDP.Province, # 指定條形圖y軸的刻度標簽 7 color = 'steelblue', # 指定條形圖的填充色 8 ) 9 # 添加x軸的標簽 10 plt.xlabel('GDP(萬億)') 11 # 添加條形圖的標題 12 plt.title('2017年度6個省份GDP分布') 13 # 為每個條形圖添加數值標簽 14 for y,x in enumerate(GDP.GDP): 15 plt.text(x+0.1,y,'%s' %round(x,1),va='center') 16 # 顯示圖形 17 plt.show()
交叉條形圖：
1 HuRun = pd.read_excel('HuRun.xlsx') 2 # Pandas模塊之水平交錯條形圖 3 HuRun_reshape = HuRun.pivot_table(index = 'City', columns='Year', 4 values='Counts').reset_index() 5 # 對數據集降序排序 6 HuRun_reshape.sort_values(by = 2016, ascending = False, inplace = True) 7 HuRun_reshape.plot(x = 'City', y = [2016,2017], kind = 'bar', 8 color = ['steelblue', 'indianred'], 9 # 用於旋轉x軸刻度標簽的角度，0表示水平顯示刻度標簽 10 rot = 0, 11 width = 0.8, title = '近兩年5個城市億萬資產家庭數比較') 12 13 # 添加y軸標簽 14 plt.ylabel('億萬資產家庭數') 15 plt.xlabel('') 16 plt.show()
直方圖的繪制：
直方圖一般用來觀察數據的分布形態，橫坐標代表數值的均勻分段，縱坐標代表每個段內的觀測數量(頻數);
一般直方圖都會與核密度圖搭配使用，目的是更加清晰地掌握數據的分布特征;
1 plt.hist(x, bins=10, normed=False, orientation='vertical', color=None, label=None) 2 # x:指定要繪制直方圖的數據。 3 # bins:指定直方圖條形的個數。 4 # normed:是否將直方圖的頻數轉換成頻率 5 # orientation:設置直方圖的擺放方向，默認為垂直方向 6 # color:設置直方圖的填充色 7 # edgecolor:設置直方圖邊框色 8 # label:設置直方圖的標簽，可通過legend展示其圖例
1 Titanic = pd.read_csv('titanic_train.csv') 2 3 # 檢查年齡是否有缺失（如果數據中存在缺失值，將無法繪制直方圖） 4 any(Titanic.Age.isnull()) 5 # 不妨刪除含有缺失年齡的觀察 6 Titanic.dropna(subset=['Age'], inplace=True) 7 # 繪制直方圖 8 plt.hist(x = Titanic.Age, # 指定繪圖數據 9 bins = 20, # 指定直方圖中條塊的個數 10 color = 'steelblue', # 指定直方圖的填充色 11 edgecolor = 'black' # 指定直方圖的邊框色 12 ) 13 # 添加x軸和y軸標簽 14 plt.xlabel('年齡') 15 plt.ylabel('頻數') 16 # 添加標題 17 plt.title('乘客年齡分布') 18 # 顯示圖形 19 plt.show()
散點圖與氣泡圖：
# 散點圖：
如果需要研究兩個數值型變量之間是否存在某種關系，例如正向的線性關系，或者是趨勢性的非線性關系，那么散點圖將是最佳的選擇;
1 scatter(x, y, s=20, c=None, marker='o', alpha=None, linewidths=None, edgecolors=None) 2 3 # x:指定散點圖的x軸數據 4 # y:指定散點圖的y軸數據 5 # s:指定散點圖點的大小，默認為20，通過傳入其他數值型變量，可以實現氣泡圖的繪制 6 # c:指定散點圖點的顏色，默認為藍色，也可以傳遞其他數值型變量，通過cmap參數的色階表示數值大小 7 # marker:指定散點圖點的形狀，默認為空心圓 8 # alpha:設置散點的透明度 9 # linewidths:設置散點邊界線的寬度 10 # edgecolors:設置散點邊界線的顏色
1 # 讀入數據 2 iris = pd.read_csv(r'iris.csv') 3 # 繪制散點圖 4 plt.scatter(x = iris.Petal_Width, # 指定散點圖的x軸數據 5 y = iris.Petal_Length, # 指定散點圖的y軸數據 6 color = 'steelblue' # 指定散點圖中點的顏色 7 ) 8 9 # 添加x軸和y軸標簽 10 plt.xlabel('花瓣寬度') 11 plt.ylabel('花瓣長度') 12 # 添加標題 13 plt.title('鳶尾花的花瓣寬度與長度關系') 14 # 顯示圖形 15 plt.show()
# 氣泡圖：
氣泡圖的實質就是通過第三個數值型變量控制每個散點的大小，點越大，代表的第三維數值越高，反之亦然;
氣泡圖的繪制，使用的仍然是scatter函數，區別在於函數的s參數被賦予了具體的數值型變量;
熱力圖：
熱力圖也稱為交叉填充表，圖形最典型的用法就是實現列聯表的可視化，即通過圖形的方式展現兩個離散變量之間的組合關系;
1 # matplotlib繪制熱力圖不太方便需要借助於seaborn模塊 2 sns.heatmap(data, cmap=None, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor ='white) 3 4 # data:指定繪制熱力圖的數據集 5 # cmap:指定一個colormap對象，用於熱力圖的填充色 6 # annot:指定一個bool類型的值或與data參數形狀一樣的數組，如果為True，就在熱力圖的每個單元上顯示數值 7 # fmt:指定單元格中數據的顯示格式 8 # annot_kws:有關單元格中數值標簽的其他屬性描述，如顏色、大小等 9 # linewidths:指定每個單元格的邊框寬度 10 # linecolor:指定每個單元格的邊框顏色
1 import numpy as np 2 import seaborn as sns 3 # 讀取數據 4 Sales = pd.read_excel(r'Sales.xlsx') 5 # 根據交易日期，衍生出年份和月份字段 6 Sales['year'] = Sales.Date.dt.year 7 Sales['month'] = Sales.Date.dt.month 8 # 統計每年各月份的銷售總額（繪制熱力圖之前，必須將數據轉換為交叉表形式） 9 Summary = Sales.pivot_table(index = 'month', columns = 'year', values = 'Sales', aggfunc = np.sum) 10 Summary 11 # 繪制熱力圖 12 sns.heatmap(data = Summary, # 指定繪圖數據 13 cmap = 'PuBuGn', # 指定填充色 14 linewidths = .1, # 設置每個單元格邊框的寬度 15 annot = True, # 顯示數值 16 fmt = '.1e' # 以科學計算法顯示數據 17 ) 18 #添加標題 19 plt.title('每年各月份銷售總額熱力圖') 20 # 顯示圖形 21 plt.show()
箱線圖：
箱線圖是另一種體現數據分布的圖形，通過該圖可以得知數據的下須值(Q1-1.5IQR)、下四 分位數(Q1)、中位數(Q2)、均值、上四分位(Q3)數和上須值(Q3+1.5IQR)，更重要的是，箱線圖還可以發現數據中的異常點;
# 關於下須值、下四分位數、中位數、上四分位數和上須值及異常點的圖解：
1 plt.boxplot(x, vert=None, whis=None, patch_artist=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) 2 3 # x:指定要繪制箱線圖的數據 4 # vert:是否需要將箱線圖垂直擺放，默認垂直擺放 5 # whis:指定上下須與上下四分位的距離，默認為1.5倍的四分位差 6 # patch_artist:bool類型參數，是否填充箱體的顏色;默認為False 7 # meanline:bool類型參數，是否用線的形式表示均值，默認為False 8 #showmeans:bool類型參數，是否顯示均值，默認為False 9 # showcaps:bool類型參數，是否顯示箱線圖頂端和末端的兩條線(即上下須)，默認為True showbox:bool類型參數，是否顯示箱線圖的箱體，默認為True 10 # showfliers:是否顯示異常值，默認為True 11 # boxprops:設置箱體的屬性，如邊框色，填充色等 12 # labels:為箱線圖添加標簽，類似於圖例的作用 13 # filerprops:設置異常值的屬性，如異常點的形狀、大小、填充色等 14 # medianprops:設置中位數的屬性，如線的類型、粗細等 15 # meanprops:設置均值的屬性，如點的大小、顏色等 16 # capprops:設置箱線圖頂端和末端線條的屬性，如顏色、粗細等 17 # whiskerprops:設置須的屬性，如顏色、粗細、線的類型等
1 Sec_Buildings = pd.read_excel('sec_buildings.xlsx') 2 # 繪制箱線圖 3 plt.boxplot(x = Sec_Buildings.price_unit, # 指定繪圖數據 4 patch_artist=True, # 要求用自定義顏色填充盒形圖，默認白色填充 5 showmeans=True, # 以點的形式顯示均值 6 boxprops = {'color':'black','facecolor':'steelblue'},# 設置箱體屬性，如邊框色和填充色 7 # 設置異常點屬性，如點的形狀、填充色和點的大小 8 flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3,'markeredgecolor':'red'}, 9 # 設置均值點的屬性，如點的形狀、填充色和點的大小 10 meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4}, 11 # 設置中位數線的屬性，如線的類型和顏色 12 medianprops = {'linestyle':'--','color':'orange'}, 13 labels = [''] # 刪除x軸的刻度標簽，否則圖形顯示刻度標簽為1 14 ) 15 # 添加圖形標題 16 plt.title('二手房單價分布的箱線圖') 17 # 顯示圖形 18 plt.show()
折線圖：
對於時間序列數據而言，一般都會使用折線圖反映數據背后的趨勢。通常折線圖的橫坐標指代日期數據，縱坐標代表某個數值型變量，當然還可以使用第三個離散變量對折線圖進行分組處理;
1 plt.plot(x, y, linestyle, linewidth, color, marker,markersize, markeredgecolor, markerfactcolor,markeredgewidth, label, alpha) 2 3 # x:指定折線圖的x軸數據 4 # y:指定折線圖的y軸數據 5 # linestyle:指定折線的類型，可以是實線、虛線、點虛線、點點線等，默認為實線 6 # linewidth:指定折線的寬度 7 # marker:可以為折線圖添加點，該參數是設置點的形狀 8 # markersize:設置點的大小 9 # markeredgecolor:設置點的邊框色 10 # markerfactcolor:設置點的填充色 11 # markeredgewidth:設置點的邊框寬度 12 # label:為折線圖添加標簽，類似於圖例的作用
1 %matplotlib # 以彈框的形式顯示圖形 2 # 數據讀取 3 wechat = pd.read_excel(r'wechat.xlsx') 4 # 繪制單條折線圖 5 plt.plot(wechat.Date, # x軸數據 6 wechat.Counts, # y軸數據 7 linestyle = '-', # 折線類型 8 linewidth = 2, # 折線寬度 9 color = 'steelblue', # 折線顏色 10 marker = 'o', # 折線圖中添加圓點 11 markersize = 6, # 點的大小 12 markeredgecolor='black', # 點的邊框色 13 markerfacecolor='brown') # 點的填充色 14 # 獲取圖的坐標信息 15 ax = plt.gca() 16 # 設置日期的顯示格式 17 date_format = mpl.dates.DateFormatter("%m-%d") 18 ax.xaxis.set_major_formatter(date_format) 19 # 設置x軸每個刻度的間隔天數 20 xlocator = mpl.ticker.MultipleLocator(7) 21 ax.xaxis.set_major_locator(xlocator) 22 # 添加y軸標簽 23 plt.ylabel('人數') 24 # 添加圖形標題 25 plt.title('每天微信文章閱讀人數趨勢') 26 # 顯示圖形 27 plt.show() 28 29 30 # 繪制兩條折線圖 31 # 導入模塊，用於日期刻度的修改 32 import matplotlib as mpl 33 # 繪制閱讀人數折線圖 34 plt.plot(wechat.Date, # x軸數據 35 wechat.Counts, # y軸數據 36 linestyle = '-', # 折線類型，實心線 37 color = 'steelblue', # 折線顏色 38 label = '閱讀人數' 39 ) 40 # 繪制閱讀人次折線圖 41 plt.plot(wechat.Date, # x軸數據 42 wechat.Times, # y軸數據 43 linestyle = '--', # 折線類型，虛線 44 color = 'indianred', # 折線顏色 45 label = '閱讀人次' 46 ) 47 # 獲取圖的坐標信息 48 ax = plt.gca() 49 # 設置日期的顯示格式 50 date_format = mpl.dates.DateFormatter("%m-%d") 51 ax.xaxis.set_major_formatter(date_format) 52 # 設置x軸顯示多少個日期刻度 53 # xlocator = mpl.ticker.LinearLocator(10) 54 # 設置x軸每個刻度的間隔天數 55 xlocator = mpl.ticker.MultipleLocator(7) 56 ax.xaxis.set_major_locator(xlocator) 57 # 為了避免x軸刻度標簽的緊湊，將刻度標簽旋轉45度 58 plt.xticks(rotation=45) 59 60 # 添加y軸標簽 61 plt.ylabel('人數') 62 # 添加圖形標題 63 plt.title('每天微信文章閱讀人數與人次趨勢') 64 # 添加圖例 65 plt.legend() 66 # 顯示圖形 67 plt.show()
組合圖：
工作中往往會根據業務需求，將繪制的多個圖形組合到一個大圖框內，形成類似儀表板的效果;
1 plt.subplot2grid(shape, loc, rowspan=1, colspan=1, **kwargs) 2 3 shape:指定組合圖的框架形狀，以元組形式傳遞，如2×3的矩陣可以表示成(2,3) 4 loc:指定子圖所在的位置，如shape中第一行第一列可以表示成(0,0) 5 rowspan:指定某個子圖需要跨幾行 6 colspan:指定某個子圖需要跨幾列 7 8 """ 9 # 設置大圖框的長和高 plt.figure(figsize = (12,6)) 10 # 設置第一個子圖的布局 11 ax1 = plt.subplot2grid(shape = (2,3), loc = (0,0)) 12 # 設置第二個子圖的布局 13 ax2 = plt.subplot2grid(shape = (2,3), loc = (0,1)) 14 # 設置第三個子圖的布局 15 ax3 = plt.subplot2grid(shape = (2,3), loc = (0,2), rowspan = 2) 16 # 設置第四個子圖的布局 17 ax4 = plt.subplot2grid(shape = (2,3), loc = (1,0), colspan = 2) 18 """
1 # 讀取數據 2 Prod_Trade = pd.read_excel(r'Prod_Trade.xlsx') 3 # 衍生出交易年份和月份字段 4 Prod_Trade['year'] = Prod_Trade.Date.dt.year 5 Prod_Trade['month'] = Prod_Trade.Date.dt.month 6 7 # 設置大圖框的長和高 8 plt.figure(figsize = (12,6)) 9 # 設置第一個子圖的布局 10 ax1 = plt.subplot2grid(shape = (2,3), loc = (0,0)) 11 # 統計2012年各訂單等級的數量 12 Class_Counts = Prod_Trade.Order_Class[Prod_Trade.year == 2012].value_counts() 13 Class_Percent = Class_Counts/Class_Counts.sum() 14 # 繪制訂單等級餅圖 15 ax1.pie(x = Class_Percent.values, labels = Class_Percent.index, autopct = '%.1f%%') 16 # 添加標題 17 ax1.set_title('各等級訂單比例') 18 19 # 設置第二個子圖的布局 20 ax2 = plt.subplot2grid(shape = (2,3), loc = (0,1)) 21 # 統計2012年每月銷售額 22 Month_Sales = Prod_Trade[Prod_Trade.year == 2012].groupby(by = 'month').aggregate({'Sales':np.sum}) 23 # 繪制銷售額趨勢圖 24 Month_Sales.plot(title = '2012年各月銷售趨勢', ax = ax2, legend = False) 25 # 刪除x軸標簽 26 ax2.set_xlabel('') 27 28 # 設置第三個子圖的布局 29 ax3 = plt.subplot2grid(shape = (2,3), loc = (0,2), rowspan = 2) 30 # 繪制各運輸方式的成本箱線圖 31 sns.boxplot(x = 'Transport', y = 'Trans_Cost', data = Prod_Trade, ax = ax3) 32 # 添加標題 33 ax3.set_title('各運輸方式成本分布') 34 # 刪除x軸標簽 35 ax3.set_xlabel('') 36 # 修改y軸標簽 37 ax3.set_ylabel('運輸成本') 38 39 # 設置第四個子圖的布局 40 ax4 = plt.subplot2grid(shape = (2,3), loc = (1,0), colspan = 2) 41 # 2012年客單價分布直方圖 42 sns.distplot(Prod_Trade.Sales[Prod_Trade.year == 2012], bins = 40, norm_hist = True, ax = ax4, hist_kws = {'color':'steelblue'}, kde_kws=({'linestyle':'--', 'color':'red'})) 43 # 添加標題 44 ax4.set_title('2012年客單價分布圖') 45 # 修改x軸標簽 46 ax4.set_xlabel('銷售額') 47 48 # 調整子圖之間的水平間距和高度間距 49 plt.subplots_adjust(hspace=0.6, wspace=0.3) 50 # 圖形顯示 51 plt.show()
可視化相關模塊：
1.matplotlib
2.seaborn
3.highcharts
4.echarts
pyecharts # 可以通過python代碼直接調用
5.ds.js