[链接]

01. matplotlib API入门

02. Pandas中的绘图函数

03. 绘制地图：图形化显示海地地震危机数据

04. Python图形化工具生态系统

——

1. matplotlib API入门

* matplotlib API（如plot和close）都位于matplotlib.pyplot模块中，其通常的引入约定是：

import matplotlib.pylot as plt

Figure 和 Subplot

• matplotlib 的图像都位于Figure对象中，可以利用plt.figure创建一个新的Figure:
  fig=plt.figure()

pandas中的绘图函数

• 要组装一张图标，需要用到的基础组件：

  & 数据展示（即图表类型：线型图、柱状图、盒形图、散布图、等值线图等）

  & 图例、标题、刻度标签以及其他注解型信息

——————————————————————————

lesson7 matplotlib

——————————————————————————

matplotlib绘图基础

在绘图开始之前，首先需要导入一些常用工具

导入matlpotlib绘图工具

import matplotlib.pyplot as plt

导入numpy和pandas包

import numpy as np

import pandas as pd

设置在notebook中直接展示图形输出

%matplotlib inline

设置图片的清晰度

%config inlinebackend.figure_format='retina'

1.使用matplotlib中的plot绘图函数 plt.plot(x,y)

2.设置填充颜色和透明度 plt.fill_between(x,y,color='k',alpha=0.2)

3.添加标题、x轴和y轴的名称

• 标题：plt.title('sine function',size=18)
• X轴：plt.xlabel('x',size=16)
• Y轴：plt.ylabel('y',size=16)

4.修改图形细节

• "b"代表blue，指定蓝色，"- / --"指定线条的种类
• linewidth指定线的粗细

plt.plot(x, y, "b-", linewidth=2.0)

5.在图形上增加其他常用选项

• marker加上书记点标记 ，选项包括 [ '+' | ',' | '.' | '1' | '2' | '3' | '4' ]
• plt.axis([0, 5, -1.1, 1.1])设定x轴和y轴区间，等价于plt.xlim(0,5) 加上 plt.ylim(-1.1, 1.1)
• 加上网格 plt.grid(True)
• 加上文字描述 plt.text(3.1, 0.3, 'sin functoin')

* 实际演练：利用上面的知识，画一张图，作图如下：

y=x, y=x^2, y=x^3

6.函数的分组与聚合

• groupby分组，并使用agg进行聚合运算，sum求交易总额，count计算交易次数
• reset_index 重置索引，在这里取消了name作为索引
• sort_values 进行排序，参数by设置按哪一列进行排序，ascending=False 表示按降序排列

df.groupby('name')['ext price'].agg(['sum','count'])——函数的分组与聚合

.reset_index()——重置索引

.sort_values(by='sum',ascending=False)——按by后面的内容（sum）重新排序

其中 ascending=False 表示按降序排列

7. 使用rename对变量重新命名

top10.rename(columns={'name': 'Name', 'sum': 'Sales', 'count': 'Purchases'}, inplace=True)

8. 绘图函数

• 使用ggplot风格的作图
  plt.style.use('ggplot')

* 8.1条形图

barh绘制水平方向的条形图， bar绘制垂直的直方图

• 修改纵坐标和横坐标的刻度
  plt.yticks(np.arange(10), top10.Name)—将纵坐标修改为排名前10的公司名字
  plt.xticks——修改横坐标刻度
• plt.yticks(np.arange(10), top10.Name)
• plt.xticks([0, 20000, 40000, 60000, 80000, 100000, 120000, 140000],
  ['$0k', '$20k', '$40k', '$60k', '$80k', '$100k', '$120k', '$140k'])

图一

图二

• 可以使用plt.style.available查看可选作图风格，尝试不同的风格作图

plt.style.available

• ['_classic_test',

• 'bmh',

• 'classic',

• 'dark_background',

• 'fivethirtyeight',

• 'ggplot',

• 'grayscale',

• 'seaborn-bright',

• 'seaborn-colorblind',

• 'seaborn-dark-palette',

• 'seaborn-dark',

• 'seaborn-darkgrid',

• 'seaborn-deep',

• 'seaborn-muted',

• 'seaborn-notebook',

• 'seaborn-paper',

• 'seaborn-pastel',

• 'seaborn-poster',

• 'seaborn-talk',

• 'seaborn-ticks',

• 'seaborn-white',

• 'seaborn-whitegrid',

• 'seaborn']

* 绘制多图

在同一幅图中，分别绘制top10公司的销售总额和交易次数的条形图

• 设置画布大小——fig = plt.figure(figsize=(12,5))
• 加上图像标题, fontsize=14 字体大小, fontweight='bold' 加粗
  fig.suptitle('Sales Analysis', fontsize=14, fontweight='bold')
• 添加第一个子图——ax1 = fig.add_subplot(121)
  plt.barh(np.arange(10), top10.Sales, height=0.5, tick_label=top10.Name)
  plt.title('Revenue')
• 加入平均销售额，用一条垂直的虚线表示
  revenue_average = top10.Sales.mean()
  plt.axvline(x=revenue_average, color='b', linestyle='--', linewidth=1)
• 添加第二个子图——ax2 = fig.add_subplot(122)
  plt.barh(np.arange(10), top10.Purchases, height=0.5)
  plt.title('Units')
• 不显示y轴刻度
  plt.yticks(visible=False)
• 加入平均交易个数，用一条垂直的虚线表示
  purchases_average = top10.Purchases.mean()
  plt.axvline(x=purchases_average, color='b', linestyle='--', linewidth=1)

Paste_Image.png

* 8.2饼图

• pie绘制饼图
• labels设置每个区域的标签名 labels=top10.Name
• autopct 显示所占比例 autopct='%1.1f%%')—1.1代表100%后保留一位小数
• plt.axis('equal') 调整坐标轴相等
  饼图图例如下

图三

* 8.3 散点图

• scatter 绘制散点图
• x,y设置x轴和y轴对应的数据
• s设置点的大小
  plt.scatter(x=top10.Purchases, y=top10.Sales, s=50)
  散点图图例如下

图四

* 8.4直方图

• hist 绘制直方图
• bins设置区间个数
• plt.xlim(-200, 5000)设置x轴区间范围
  plt.hist(df['ext price'], bins=20, rwidth=0.9)
• 设置宽度 rwidth=0.5(为什么width前面加 r ?)
  直方图图例如下

图五

Python数据可视化模块—Seaborn

• matplotlib是python的主要绘图工具，但其自身的语法比较复杂
• Seaborn是基于matplotlib产生的一个模块，专攻于统计可视化
• 可以和pandas进行无缝链接，初学者使用Seaborn更容易上手
• Seaborn和matplotlib的关系类似于pandas和numpy的关系。

1.导入数据包

• 导入seaborn包， 简写成sns
  import seaborn as sns

使用seaborn做图， 用品种划分数据

• FacetGrid对象是用来连接pandas DataFrame到一个有着特别结构的matplotlib图像
• 具体来说，FacetGrid是用来画一组固定的关系给定某个变量的某个值
• FacetGrid中的hue参数指明划分数据的变量，这里是species（品种）

1.1 散点图

sns.FacetGrid(iris, hue="species", size=8).map(plt.scatter, "petal_length", "petal_width").add_legend()

图六

1.2 箱图
sns.boxplot(data=iris, x="species", y="sepal_width")

图七

1.3 多变量图

用于快速观察各个变量的分布，及其之间的关系

• 一行命令画出四个变量的配对关系
  sns.pairplot(iris, hue="species")

Paste_Image.png