前言

經過學習之后，我總結了利用python實作可視化的三個步驟：

確定問題，選擇圖形
轉換資料，應用函式
引數設定，一目了然

PS：如有需要Python學習資料的小伙伴可以加下方的群去找免費管理員領取

可以免費領取原始碼、專案實戰視頻、PDF檔案等

首先，要知道我們用哪些庫來畫圖?

matplotlib

python中最基本的作圖庫就是matplotlib，是一個最基礎的Python可視化庫，一般都是從matplotlib上手Python資料可視化，然后開始做縱向與橫向拓展，

Seaborn

是一個基于matplotlib的高級可視化效果庫，針對的點主要是資料挖掘和機器學習中的變數特征選取，seaborn可以用短小的代碼去繪制描述更多維度資料的可視化效果圖

其他庫還包括

Bokeh（是一個用于做瀏覽器端互動可視化的庫，實作分析師與資料的互動）；Mapbox（處理地理資料引擎更強的可視化工具庫）等等

本篇文章主要使用matplotlib進行案例分析

第一步：確定問題，選擇圖形

業務可能很復雜，但是經過拆分，我們要找到我們想通過圖形表達什么具體問題，分析思維的訓練可以學習《麥肯錫方法》和《金字塔原理》中的方法，

這是網上的一張關于圖表型別選擇的總結，

在python中，我們可以總結為以下四種基本視覺元素來展現圖形：

點：scatter plot 二維資料，適用于簡單二維關系；
線：line plot 二維資料，適用于時間序列；
柱狀：bar plot 二維資料，適用于類別統計；
顏色：heatmap 適用于展示第三維度；

資料間存在分布，構成，比較，聯系以及變化趨勢等關系，對應不一樣的關系，選擇相應的圖形進行展示，

第二步：轉換資料，應用函式

資料分析和建模方面的大量編程作業都是用在資料準備的基礎上的：加載、清理、轉換以及重塑，我們可視化步驟也需要對資料進行整理，轉換成我們需要的格式再套用可視化方法完成作圖，

下面是一些常用的資料轉換方法：

合并：merge，concat，combine_frist(類似于資料庫中的全外連接)
重塑：reshape；軸向旋轉：pivot（類似excel資料透視表）
去重：drop_duplicates
映射：map
填充替換：fillna,replace
重命名軸索引：rename

將分類變數轉換‘啞變數矩陣’的get_dummies函式以及在df中對某列資料取限定值等等，

函式則根據第一步中選擇好的圖形，去找python中對應的函式，

第三步：引數設定，一目了然

原始圖形畫完后，我們可以根據需求修改顏色（color），線型（linestyle），標記（maker）或者其他圖表裝飾項標題（Title），軸標簽（xlabel，ylabel），軸刻度（set_xticks），還有圖例（legend）等，讓圖形更加直觀，

第三步是在第二步的基礎上,為了使圖形更加清晰明了，做的修飾作業，具體引數都可以在制圖函式中找到，

可視化作圖基礎

Matplotlib作圖基礎

#匯入包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Figure和Subplot

matplotlib的圖形都位于Figure（畫布）中，Subplot創建影像空間，不能通過figure繪圖，必須用add_subplot創建一個或多個subplot，

figsize可以指定影像尺寸，

#創建畫布
fig = plt.figure()
<Figure size 432x288 with 0 Axes>
#創建subplot，221表示這是2行2串列格中的第1個影像，
ax1 = fig.add_subplot(221)
#但現在更習慣使用以下方法創建畫布和影像，2,2表示這是一個2*2的畫布，可以放置4個影像
fig , axes = plt.subplots(2,2,sharex=True,sharey=True)
#plt.subplot的sharex和sharey引數可以指定所有的subplot使用相同的x，y軸刻度，

利用Figure的subplots_adjust方法可以調整間距，

subplots_adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None)

顏色color，標記marker，和線型linestyle

matplotlib的plot函式接受一組X和Y坐標，還可以接受一個表示顏色和線型的字串縮寫：'g--'，表示顏色是綠色green，線型是'--'虛線，也可以使用引數明確的指定，

線型圖還可以加上一些標記（marker），來突出顯示資料點的位置，標記也可以放在格式字串中，但標記型別和線型必須放在顏色后面，

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o')
[<matplotlib.lines.Line2D at 0x8c919b0>]

刻度，標簽和圖例

plt的xlim、xticks和xtickslabels方法分別控制圖表的范圍和刻度位置和刻度標簽，

呼叫方法時不帶引數，則回傳當前的引數值；呼叫時帶引數，則設定引數值，

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o')
plt.xlim([0,15]) #橫軸刻度變成0-15
(0, 15)

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o')
plt.xlim([0,15]) #橫軸刻度變成0-15
(0, 15)

設定標題，軸標簽，刻度以及刻度標簽

fig = plt.figure();ax = fig.add_subplot(1,1,1)
ax.plot(np.random.randn(1000).cumsum())
ticks = ax.set_xticks([0,250,500,750,1000]) #設定刻度值
labels = ax.set_xticklabels(['one','two','three','four','five']) #設定刻度標簽
ax.set_title('My first Plot') #設定標題
ax.set_xlabel('Stage') #設定軸標簽
Text(0.5,0,'Stage')

添加圖例

圖例legend是另一種用于標識圖示元素的重要工具，可以在添加subplot的時候傳入label引數，

fig = plt.figure(figsize=(12,5));ax = fig.add_subplot(111)
ax.plot(np.random.randn(1000).cumsum(),'k',label='one') #傳入label引數，定義label名稱
ax.plot(np.random.randn(1000).cumsum(),'k--',label='two')
ax.plot(np.random.randn(1000).cumsum(),'k.',label='three')
#圖形創建完后，只需要呼叫legend引數將label調出來即可，
ax.legend(loc='best') #要求不是很嚴格的話，建議使用loc=‘best’引數來讓它自己選擇最佳位置
<matplotlib.legend.Legend at 0xa8f5a20>

注解

除標準的圖表物件之外，我們還可以自定義添加一些文字注解或者箭頭，

注解可以通過text，arrow和annotate等函式進行添加，text函式可以將文本繪制在指定的x，y坐標位置，還可以進行自定義格式

plt.plot(np.random.randn(1000).cumsum())
plt.text(600,10,'test ',family='monospace',fontsize=10)
#中文注釋在默認環境下并不能正常顯示，需要修改組態檔，使其支持中文字體，具體步驟請自行搜索，

保存圖表到檔案

利用plt.savefig可以將當前圖表保存到檔案，例如，要將圖表保存為png檔案，可以執行

檔案型別是根據拓展名而定的，其他引數還有：

fname：含有檔案路徑的字串，拓展名指定檔案型別
dpi：解析度，默認100 facecolor,edgcolor 影像的背景色，默認‘w’白色
format：顯示設定檔案格式（'png','pdf','svg','ps','jpg'等）
bbox_inches：圖表需要保留的部分，如果設定為“tight”，則將嘗試剪除影像周圍的空白部分

plt.savefig('./plot.jpg') #保存影像為plot名稱的jpg格式影像
<Figure size 432x288 with 0 Axes>

Pandas中的繪圖函式

Matplotlib作圖

matplotlib是最基礎的繪圖函式，也是相對較低級的工具，組裝一張圖表需要單獨呼叫各個基礎組件才行，Pandas中有許多基于matplotlib的高級繪圖方法，原本需要多行代碼才能搞定的圖表，使用pandas只需要短短幾行，

我們使用的就呼叫了pandas中的繪圖包，

import matplotlib.pyplot as plt

線型圖

Series和DataFrame都有一個用于生成各類圖表的plot方法，默認情況下，他們生成的是線型圖，

s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot() #Series物件的索引index會傳給matplotlib用作繪制x軸，
<matplotlib.axes._subplots.AxesSubplot at 0xf553128>

df = pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D'])
df.plot() #plot會自動為不同變數改變顏色，并添加圖例
<matplotlib.axes._subplots.AxesSubplot at 0xf4f9eb8>

Series.plot方法的引數

label：用于圖表的標簽
style：風格字串，'g--'
alpha：影像的填充不透明度（0-1）
kind：圖表型別（bar，line，hist，kde等）
xticks：設定x軸刻度值
yticks：設定y軸刻度值
xlim，ylim：設定軸界限，[0,10]
grid：顯示軸網格線，默認關閉
rot：旋轉刻度標簽
use_index：將物件的索參考作刻度標簽
logy：在Y軸上使用對數標尺

DataFrame.plot方法的引數

DataFrame除了Series中的引數外，還有一些獨有的選項，

subplots：將各個DataFrame列繪制到單獨的subplot中
sharex，sharey：共享x，y軸
figsize：控制影像大小
title：影像標題
legend：添加圖例，默認顯示
sort_columns：以字母順序繪制各列，默認使用當前順序

柱狀圖

在生成線型圖的代碼中加上kind=‘bar’或者kind=‘barh’，可以生成柱狀圖或水平柱狀圖，

fig,axes = plt.subplots(2,1)
data = https://www.cnblogs.com/hhh188764/p/pd.Series(np.random.rand(10),index=list('abcdefghij'))
data.plot(kind='bar',ax=axes[0],rot=0,alpha=0.3)
data.plot(kind='barh',ax=axes[1],grid=True)
<matplotlib.axes._subplots.AxesSubplot at 0xfe39898>

柱狀圖有一個非常實用的方法：

利用value_counts圖形化顯示Series或者DF中各值的出現頻率，

比如df.value_counts().plot(kind='bar')

Python可視化的基礎語法就到這里，其他圖形的繪制方法大同小異，

重點是遵循三個步驟的思路來進行思考、選擇、應用，多多練習可以更加熟練

本文的文字及圖片來源于網路,僅供學習、交流使用,不具有任何商業用途,著作權歸原作者所有,如有問題請及時聯系我們以作處理，

開運張 | 作者

知乎專欄 | 來源

https://zhuanlan.zhihu.com/p/55642042

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/24503.html

標籤：Python

上一篇：Python 私有屬性也可以在外部訪問？

下一篇：求大神幫忙！！！C++ openGL 問題

Python資料可視化入門，幫你敲開可視化的大門

首先，要知道我們用哪些庫來畫圖?

本篇文章主要使用matplotlib進行案例分析

可視化作圖基礎

Pandas中的繪圖函式