a站播放量最高的视频,招聘信息如何发布,广州灰色优化网络公司,怎么做简单的钓鱼网站目录
1 Pandas 可视化功能
2 Pandas绘图实例
2.1 绘制线图
2.2 绘制柱状图
2.3 绘制随机散点图
2.4 绘制饼图
2.5 绘制箱线图A
2.6 绘制箱线图B
2.7 绘制散点图矩阵 2.8 绘制面积图
2.9 绘制热力图 2.10 绘制核密度估计图 1 Pandas 可视化功能
pandas是一个强大的数…目录
1 Pandas 可视化功能
2 Pandas绘图实例
2.1 绘制线图
2.2 绘制柱状图
2.3 绘制随机散点图
2.4 绘制饼图
2.5 绘制箱线图A
2.6 绘制箱线图B
2.7 绘制散点图矩阵 2.8 绘制面积图
2.9 绘制热力图 2.10 绘制核密度估计图 1 Pandas 可视化功能
pandas是一个强大的数据分析库提供了一些可视化工具来帮助用户更好地理解和展示数据。以下是pandas可视化工具的一些常见功能 1. 折线图通过plot()函数可以绘制折线图展示数据随时间或其他变量的变化趋势。 2. 散点图使用scatter()函数可以绘制散点图在二维平面上展示两个变量之间的关系。 3. 条形图使用bar()函数可以绘制条形图用于比较不同类别或组的数值大小。 4. 直方图使用hist()函数可以绘制直方图用于展示数值型数据的分布情况。 5. 饼图使用pie()函数可以绘制饼图展示不同类别的占比情况。 6. 箱线图使用boxplot()函数可以绘制箱线图展示数值型数据的分布特征、离群值等。 Pandas 是一个用于数据处理和分析的流行库它提供了一些内置的可视化功能通常基于 Matplotlib 这个底层库。 绘制线图
df[column_name].plot(kindline)绘制柱状图
df[column_name].plot(kindbar)绘制散点图
df.plot(xx_column, yy_column, kindscatter)hist()函数hist()函数用于绘制直方图以显示数据的分布和频率。
df[column_name].hist(bins10)boxplot()函数boxplot()函数用于绘制箱线图显示数据的分位数和离群值。
df.boxplot(columncolumn_name)scatter_matrix()函数scatter_matrix()函数用于绘制多个变量之间的散点图矩阵有助于了解变量之间的关系。
from pandas.plotting import scatter_matrixscatter_matrix(df, alpha0.5, figsize(8, 8), diagonalhist)plotting.scatter_matrix()函数这是一个更高级的散点图矩阵绘制函数可以自定义每个子图的属性。
from pandas.plotting import scatter_matrixscatter_matrix(df, alpha0.5, figsize(8, 8), diagonalkde, colorred)plot.barh()函数plot.barh()函数用于绘制水平柱状图。
df[column_name].plot(kindbarh)plot.pie()函数plot.pie()函数用于绘制饼图用于显示数据的占比。
df[column_name].plot(kindpie, autopct%1.1f%%)plot.area()函数plot.area()函数用于绘制堆叠面积图显示数据的累积变化趋势。
df.plot.area()plot.kde()函数plot.kde()函数用于绘制核密度估计图显示数据的概率密度分布。 2 Pandas绘图实例
2.1 绘制线图
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei]
# 创建数据
data {年份: [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017],销售额: [100, 150, 120, 180, 200, 250, 300, 280]}# 转换为DataFrame格式
df pd.DataFrame(data)# 绘制折线图
plt.plot(df[年份], df[销售额], markero)# 设置x轴和y轴标签、标题
plt.xlabel(年份)
plt.ylabel(销售额)
plt.title(销售额变化趋势)# 添加图例
plt.legend([销售额])# 显示图形
plt.show() 当使用Pandas绘制柱状图、散点图和饼图时您可以使用plot()函数的不同kind参数来指定要绘制的图表类型。
2.2 绘制柱状图
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei] # 替换为您系统中支持的字体
# 创建一个示例DataFrame
data {Category: [A, B, C, D],Values: [10, 15, 7, 12]}df pd.DataFrame(data)# 绘制柱状图
df.plot(xCategory, yValues, kindbar, title柱状图)
plt.xlabel(类别)
plt.ylabel(数值)
plt.show()2.3 绘制随机散点图
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei] # 替换为您系统中支持的字体
# 生成随机数据
np.random.seed(0) # 设置随机种子以确保可重复性
num_points 100
x np.random.rand(num_points) # 随机生成x坐标
y np.random.rand(num_points) # 随机生成y坐标
colors np.random.rand(num_points) # 随机生成颜色值# 创建DataFrame
data {X: x, Y: y, Color: colors}
df pd.DataFrame(data)# 绘制散点图
plt.figure(figsize(8, 6)) # 设置图形大小
plt.scatter(xX, yY, cColor, datadf, cmapviridis, alpha0.7)
plt.xlabel(X轴)
plt.ylabel(Y轴)
plt.title(随机散点图)
plt.colorbar(label颜色)
plt.show()上述示例中我们首先使用NumPy生成了一些随机的x和y坐标数据以及随机的颜色值。然后我们将这些数据放入一个Pandas DataFrame 中并使用Matplotlib绘制了散点图。颜色使用了色彩映射cmap并添加了颜色条colorbar以显示颜色映射的对应关系。 2.4 绘制饼图
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei] # 替换为您系统中支持的字体# 创建一个示例DataFrame包含不同类别的值
data {Category: [A, B, C, D],Values: [10, 15, 7, 12]}df pd.DataFrame(data)# 指定用于饼图的数值列和标签列
values df[Values]
labels df[Category]# 绘制饼图
plt.figure(figsize(6, 6)) # 设置图形大小
df.plot(yValues, kindpie, labelsdf[Category], autopct%1.1f%%, title饼图) # 绘制饼图
plt.title(饼图) # 设置图表标题# 显示图表
plt.axis(equal) # 使饼图保持圆形
plt.show()在上述示例中首先创建了一个包含类别和对应数值的DataFrame。然后使用plt.pie()函数来绘制饼图其中values包含数值数据labels包含饼图的标签。autopct参数用于显示百分比标签startangle参数用于指定饼图的起始角度。最后使用plt.axis(equal)确保饼图保持圆形。 2.5 绘制箱线图A
import pandas as pd
import matplotlib.pyplot as plt
import random
plt.rcParams[font.sans-serif] [SimHei]# 创建示例数据集
data {Product_A: [random.randint(50, 100) for _ in range(50)],Product_B: [random.randint(40, 90) for _ in range(50)],Product_C: [random.randint(60, 110) for _ in range(50)],Product_D: [random.randint(30, 70) for _ in range(50)],Product_E: [random.randint(20, 80) for _ in range(50)],Product_F: [random.randint(70, 120) for _ in range(50)]
}df pd.DataFrame(data)# 使用boxplot()函数绘制箱线图
df.boxplot(column[Product_A, Product_B, Product_C, Product_D, Product_E, Product_F])# 添加标题和标签
plt.title(不同产品销售数据箱线图)
plt.ylabel(销售数量)# 显示图形
plt.show()在这个示例中我们创建了一个包含6种产品的示例DataFrame df每种产品有50个销售数据点。然后我们使用boxplot()函数绘制了这6种产品的箱线图。 箱线图将展示每种产品的销售数量分布情况包括中位数、四分位数、离群值等信息。通过比较不同产品的箱线图您可以更好地了解它们的销售数据分布以便进行进一步的分析和决策。这种可视化方法可以帮助您分析潜在的销售趋势和异常情况。 2.6 绘制箱线图B
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei] #替换为系统中支持的字体# 创建一个示例数据集包括三个组的数据
data pd.DataFrame({Group1: np.random.normal(0, 1, 100),Group2: np.random.normal(2, 1, 100),Group3: np.random.normal(1, 1, 100),Group4: np.random.normal(3, 1, 100)
})# 使用boxplot()函数绘制箱线图指定显示的列和参数
data.boxplot(column[Group1, Group2, Group3, Group4],notchTrue, # 添加缺口以估计中位数的不确定性symo, # 设置异常值标记为圆圈vertFalse, # 水平显示箱线图patch_artistTrue, # 填充箱体颜色showmeansTrue, # 显示均值点meanlineTrue, # 显示均值线widths0.5 # 箱体宽度)# 添加标题和标签
plt.title(箱线图示例)
plt.xlabel(值)
plt.ylabel(分组)# 显示图形
plt.show()在这个示例中我们创建了一个包含四个组的示例DataFrame data每个组有100个随机数。然后我们使用boxplot()函数绘制箱线图并自定义了多个参数 notchTrue在箱体中添加缺口以估计中位数的不确定性。symo将异常值标记为圆圈。vertFalse水平显示箱线图。patch_artistTrue填充箱体颜色。showmeansTrue显示均值点。meanlineTrue显示均值线。widths0.5设置箱体宽度。 其中每个箱体表示一个组的数据分布情况。箱线图还显示了中位数、均值点和异常值。这种可视化工具有助于比较多个组的数据分布并检测异常值。 2.7 绘制散点图矩阵
pandas.plotting.scatter_matrix()函数用于绘制多个变量之间的散点图矩阵帮助您了解各个变量之间的关系。这个函数可以自定义每个子图的属性包括颜色、标记、直方图和核密度估计等。下面是一个详细的示例
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pandas.plotting import scatter_matrix
plt.rcParams[font.sans-serif] [SimHei]
# 创建一个包含多个变量的示例数据集
data pd.DataFrame(np.random.randn(100, 4), columns[A, B, C, D])# 使用scatter_matrix()函数绘制散点图矩阵
# 主要参数包括DataFrame对象alpha透明度diagonal对角线上的图表类型color颜色marker标记类型等
scatter_matrix(data, alpha0.8, figsize(8, 8), diagonalhist, colorblue, markero)# 添加标题
plt.suptitle(散点图矩阵示例)# 显示图形
plt.show()在这个示例中我们首先创建了一个包含四个随机变量的示例DataFrame data。然后我们使用scatter_matrix()函数绘制散点图矩阵指定了一些参数 alpha参数设置透明度这样可以看到重叠点。figsize参数设置图形的大小。diagonal参数设置对角线上的图表类型这里使用直方图。color参数设置散点的颜色。marker参数设置散点的标记类型。 最后我们添加了标题并显示图形。 2.8 绘制面积图
面积图 (Area Plot)
面积图用于可视化时间序列或有序数据的变化趋势通常用于显示数据的累积变化
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams[font.sans-serif] [SimHei]# 创建示例数据集
data {Year: [2000, 2001, 2002, 2003, 2004],Product_A: [100, 120, 140, 160, 180],Product_B: [80, 90, 110, 130, 150]
}df pd.DataFrame(data)# 使用plot()函数创建面积图
plt.figure(figsize(8, 6))
plt.stackplot(df[Year], df[Product_A], df[Product_B], labels[Product_A, Product_B], alpha0.7)
plt.xlabel(年份)
plt.ylabel(销售数量)
plt.title(面积图示例)
plt.legend(locupper left)
plt.show()在上述示例中我们首先创建了一个包含年份和两种产品销售数量的示例DataFrame。然后使用stackplot()函数创建面积图alpha参数设置透明度labels参数设置图例标签legend()函数用于显示图例。 2.9 绘制热力图
热力图 (Heatmap)
热力图用于可视化矩阵数据中各个元素之间的关系通常通过颜色来表示数值的大小。 要在Pandas中绘制热力图通常需要使用辅助库最常见的是Seaborn和Matplotlib。Seaborn提供了高级的热力图绘制函数而Matplotlib用于显示图形。以下是如何在Pandas中使用Seaborn和Matplotlib绘制热力图的示例 import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as snsplt.rcParams[font.sans-serif] [SimHei] #替换为系统中支持的字体# 创建示例数据集
data np.random.rand(5, 5) # 5x5的随机矩阵# 转换为DataFrame
df pd.DataFrame(data, columns[A, B, C, D, E])# 使用seaborn的heatmap()函数创建热力图
plt.figure(figsize(8, 6))
sns.heatmap(df, annotTrue, cmapcoolwarm, linewidths.5)
plt.title(热力图示例)
plt.show()在上述示例中我们首先创建了一个随机矩阵并将其转换为Pandas DataFrame。然后使用Seaborn的heatmap()函数来绘制热力图。参数annotTrue用于在图表上显示数值标签cmap用于设置颜色映射linewidths用于设置单元格之间的间隔线宽度。 2.10 绘制核密度估计图 plot.kde()函数plot.kde()函数用于绘制核密度估计图显示数据的概率密度分布。
import pandas as pd
import matplotlib.pyplot as pltplt.rcParams[font.sans-serif] [SimHei] #替换为系统中支持的字体# 创建示例数据集
data {Values: [10, 15, 13, 18, 25, 12, 22, 27, 16, 21]}df pd.DataFrame(data)# 使用plot.kde()函数创建核密度估计图
df[Values].plot.kde()
plt.xlabel(数值)
plt.ylabel(概率密度)
plt.title(核密度估计图示例)
plt.show()在这个示例中我们首先创建了一个包含示例数据的DataFrame df然后使用plot.kde()函数绘制核密度估计图。这个图表显示了数据的概率密度分布它是一个平滑的曲线代表了数据在不同数值上的概率密度。
