python数据分析之数据可视化matplotlib

import matplotlib.pyplot as pltimport numpy as npimport numpy.random as randnimport pandas as pdfrom pandas import Series,DataFramefrom pylab import mplmpl.rcParams['axes.unicode_minus'] = False # 我自己配置的问题plt.rc('figure', figsize=(10, 6)) # 设置图像大小

%matplotlib inline

1. figure对象

Matplotlib的图像均位于figure对象中。

• 创建figure: plt.figure()

fig = plt.figure()

2. subplot子图

• add_subplot：向figure对象中添加子图。
  add_subplot(a, b, c)：a,b 表示讲fig分割成axb的区域，c 表示当前选中要操作的区域(c从1开始)。
  add_subplot返回的是AxesSubplot对象，plot 绘图的区域是最后一次指定subplot的位置

ax1 = fig.add_subplot(2,2,1)ax2 = fig.add_subplot(2,2,2)ax3 = fig.add_subplot(2,2,3)ax4 = fig.add_subplot(2,2,4)

random_arr = randn.rand(50)# 默认是在最后一次使用subplot的位置上作图plt.plot(random_arr,'ro--') # r:表示颜色为红色，o:表示数据用o标记 ，--:表示虚线# 等价于：# plt.plot(random_arr,linestyle='--',color='r',marker='o')plt.show()

# hist：直方图：统计分布情况plt.hist(np.random.rand(8), bins=6, color='b', alpha=0.3) # bins:数据箱子个数

(array([ 3.,  0.,  0.,  0.,  2.,  3.]), array([ 0.10261627,  0.19557319,  0.28853011,  0.38148703,  0.47444396,         0.56740088,  0.6603578 ]), <a list of 6 Patch objects>)

# 散点图plt.scatter(np.arange(30), np.arange(30) + 3 * randn.randn(30))

• subplots ：生成子图/子图数组

# 柱状图fig, ax = plt.subplots()x = np.arange(5)y1, y2 = np.random.randint(1, 25, size=(2, 5))width = 0.25ax.bar(x, y1, width, color='r') # 画柱子ax.bar(x+width, y2, width, color='g') # 画柱子ax.set_xticks(x+width)ax.set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明

fig, axes = plt.subplots(2, 2, sharex=True, sharey=True) # 共享轴坐标

• subplots_adjust：调整subplots的间距

plt.subplots_adjust(left=0.5,top=0.5)

fig, axes = plt.subplots(2, 2)

random_arr = randn.randn(8)fig, axes = plt.subplots(2, 2)axes[0, 0].hist(random_arr, bins=16, color='k', alpha=0.5)axes[0, 1].plot(random_arr,'ko--')x = np.arange(8)y = x + 5 * np.random.rand(8)axes[1,0].scatter(x, y)x = np.arange(5)y1, y2 = np.random.randint(1, 25, size=(2, 5))width = 0.25axes[1,1].bar(x, y1, width, color='r') # 画柱子axes[1,1].bar(x+width, y2, width, color='g') # 画柱子axes[1,1].set_xticks(x+width)axes[1,1].set_xticklabels(['a', 'b', 'c', 'd', 'e']) # 下标注明

• 重叠绘制
• legend：显示图例

random_arr1 = randn.randn(8)

random_arr2 = randn.randn(8)

fig, ax = plt.subplots()ax.plot(random_arr1,'ko--',label='A')ax.plot(random_arr2,'b^--',label='B')plt.legend(loc='best') #　自动选择放置图例的最佳位置

• 设置刻度范围：set_xlim、set_ylim
• 设置显示的刻度：set_xticks、set_yticks
• 刻度标签：set_xticklabels、set_yticklabels
• 坐标轴标签：set_xlabel、set_ylabel
• 图像标题：set_title

fig, ax = plt.subplots(1)ax.plot(np.random.randn(380).cumsum())# 设置刻度范围ax.set_xlim([0, 500])# 设置显示的刻度(记号)ax.set_xticks(range(0,500,100))# 设置刻度标签ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'],                            rotation=30, fontsize='small')# 设置坐标轴标签ax.set_xlabel('X:...')ax.set_ylabel('Y:...')# 设置标题ax.set_title('Example')

3. Plotting functions in pandas

plt.close('all')

s = Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))

sfig,ax = plt.subplots(1)s.plot(ax=ax,style='ko--')

fig, axes = plt.subplots(2, 1)data = Series(np.random.rand(16), index=list('abcdefghijklmnop'))data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7)data.plot(kind='barh', ax=axes[1], color='k', alpha=0.7)

df = DataFrame(np.random.randn(10, 4).cumsum(0),               columns=['A', 'B', 'C', 'D'],               index=np.arange(0, 100, 10))df

A B C D 0 -0.523822 1.061179 -0.882215 -0.267718 10 -0.178175 -0.367573 -1.465189 -1.095390 20 0.276166 0.816511 -0.344557 1.297281 30 0.529400 0.159374 -2.765168 1.784692 40 -1.129003 -1.665272 -2.746512 3.140976 50 0.265113 -1.821224 -5.140850 2.377449 60 -2.699879 -3.895255 -5.011561 1.715174 70 -2.384257 -3.480928 -4.519131 2.805369 80 -2.525243 -3.031608 -4.840125 1.106624 90 -2.020589 -3.519473 -4.823292 0.522323

df.plot() # 列索引为图例，行索引为横坐标，值为纵坐标

df = DataFrame(np.random.randint(0,2,(10, 2)),               columns=['A', 'B'],               index=np.arange(0, 10, 1))df

A B 0 0 1 1 0 1 2 1 0 3 0 1 4 1 0 5 1 0 6 1 1 7 0 0 8 1 0 9 1 0

df.plot(kind='bar')

df.A.value_counts().plot(kind='bar')

df.A[df.B == 1].plot(kind='kde')   df.A[df.B == 0].plot(kind='kde')    # 密度图

df = DataFrame(np.random.rand(6, 4),               index=['one', 'two', 'three', 'four', 'five', 'six'],               columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))df

Genus A B C D one 0.760750 0.951159 0.643181 0.792940 two 0.137294 0.005417 0.685668 0.858801 three 0.257455 0.721973 0.968951 0.043061 four 0.298100 0.121293 0.400658 0.236369 five 0.463919 0.537055 0.675918 0.487098 six 0.798676 0.239188 0.915583 0.456184

df.plot(kind='bar',stacked='True') #行索引：横坐标

values = Series(np.random.normal(0, 1, size=200))values.hist(bins=100, alpha=0.3, color='k', normed=True)values.plot(kind='kde', style='k--')

df = DataFrame(np.random.randn(10,2),               columns=['A', 'B'],               index=np.arange(0, 10, 1))df

plt.scatter(df.A, df.B)

code in ipynb