一、資料可視化入門
- 1.基礎知識
- - 1.1 圖形繪制
  - 1.2 標題、標簽、坐標軸刻度
  - - 1.2.1 標題的設定
    - 1.2.2 標簽的設定
    - 1.2.3 坐標軸刻度的設定
  - 1.3 圖例
  - 1.4 脊柱移動
  - 1.5 圖片保存
- 2.風格和樣式
- - 2.1 顏色、線形、點形、線寬、透明度
  - 2.2 更多屬性設定
- 3.訓練場
- - 3.1 繪制如下圖形
  - 3.2 根據提供資料，進行分組聚合運算，繪制如下圖形
二、資料可視化高級
- 1.多圖布局
- - 1.1 子視圖
  - 1.2 嵌套
  - 1.3 多圖布局分格顯示
  - - 1.3.1 均勻布局
    - 1.3.2 不均勻分布
  - 1.4 雙軸顯示
- 2.文本、注釋、箭頭
- - 2.1 文本
  - 2.2 箭頭
  - 2.3 注釋
  - 2.4 注釋箭頭連接形狀
- 3.訓練場
- - 3.1 繪制如下子圖
三、資料可視化進階
- 1.常用視圖
- - 1.1 折線圖
  - 1.2 柱狀圖
  - - 1.2.1 堆疊柱狀圖
    - 1.2.2 分組帶標簽柱狀圖
  - 1.3 極坐標圖
  - - 1.3.1 線性極坐標
    - 1.3.2 條形極坐標
  - 1.4 直方圖
  - 1.5 箱形圖
  - 1.6 散點圖
  - 1.7 餅圖
  - - 1.7.1 一般餅圖
    - 1.7.2 甜甜圈
  - 1.8 熱力圖
  - 1.9 面積圖
  - 1.10 蜘蛛圖
- 2.3D圖形
- - 2.1 三維折線圖
  - 2.2 三維散點圖
  - 2.3 三維柱狀圖
- 3.Seaborn
- - 1.安裝
  - 2.快速上手
  - - 2.1 模式設定
    - 2.2 線形圖
  - 3.各種圖形繪制
  - - 3.1 調色板
    - 3.2 線形圖
    - 3.3 散點圖
    - 3.4 柱狀圖
    - 3.5 箱式圖
    - 3.6 直方圖
    - 3.7 分類散點圖
    - 3.8 熱力圖
- 4.訓練場
- - 4.1 資料處理
  - 4.2 資料挖掘與可視化

一、資料可視化入門

在資料分析與機器學習中，我們經常要用到大量的可視化操作，一張制作精美的資料圖片，可以展示大量的資訊，一圖頂千言，
在這里插入圖片描述
而在可視化中，Matplotlib算得上是最常用的工具，Matplotlib 是 python 最著名的繪圖庫，它提供了一整套 API，十分適合繪制圖表，或修改圖表的一些屬性，如字體、標簽、范圍等，

Matplotlib 是一個 Python 的 2D 繪圖庫，它互動式環境生成出版質量級別的圖形，通過 Matplotlib這個標準類別庫，開發者只需要幾行代碼就可以實作生成繪圖，折線圖、散點圖、柱狀圖、餅圖、直方圖、組合圖等資料分析可視化圖表，
在這里插入圖片描述
🌟 學習本文之前，需要先自修：NumPy從入門到進階，pandas從入門到進階本文中很多的操作在 NumPy從入門到進階，pandas從入門到進階二文中有詳細的介紹，包含一些軟體以及擴展庫，圖片的安裝和下載流程，本文會直接進行使用，

下載 M a t p l o t l i b Matplotlib Matplotlib 見博客：matplotlib的安裝教程以及簡單呼叫，這里不再贅述

1.基礎知識

1.1 圖形繪制

🚩資料可視化其實就是把抽象不容易看出規律的資料轉換為人眼更能接受的圖片，下面我們來簡單的繪制一個圖形

import numpy as np
import matplotlib.pyplot as plt

# 橫坐標
# 等引數列,把[0,2π]等分成100份
x = np.linspace(0, 2 * np.pi, 100)

# 縱坐標:正弦波; x:Numpy陣列
y = np.sin(x)

# 畫線形圖
plt.plot(x, y)

在這里插入圖片描述
接下來我們對這個圖進行簡單的引數設定：

# 設定橫坐標的范圍是 -1 ~ 10
plt.xlim(-1, 10)

# 設定縱坐標的范圍是 -1.5 ~ 1.5
plt.ylim(-1.5, 1.5)

# 設定網格線,網格線顏色設為綠色,透明度為0.5,線的樣式為虛線：--,寬度為2
plt.grid(color = 'green', alpha = 0.5, linestyle = '--', linewidth = 2)

plt.plot(x, y)

在這里插入圖片描述

1.2 標題、標簽、坐標軸刻度

1.2.1 標題的設定

🚩標題其實就是圖片的名字，即這個圖片是什么，表達的是什么樣的含義

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 圖的標題設定為 Sin(x),字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('Sin(x)', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述
那么我們是否可以把標題設定為中文呢？

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 圖的標題設定為正弦波,字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述
WTF？？？ 居然亂碼報錯了，下面我們來介紹解決的方法：

首先先來查看一下我們電腦都有哪些字體：

# 找到電腦的字體
from matplotlib import font_manager
fm = font_manager.FontManager()
# 用串列生成式獲取字體
[font.name for font in fm.ttflist]

在這里插入圖片描述

我們的電腦有很多的字體，這個截圖只展示了一部分字體，其中有英文字體，中文字體…

我們可以找找有沒有 K a i T i KaiTi KaiTi(楷體)
瀏覽器頁面搜索（Google瀏覽器），按下 Ctrl + F，輸入 KaiTi：
在這里插入圖片描述
或者你搜宋體什么的都是可以的，一般電腦都會有這些字體，接下來回到我們的報錯代碼上，我們來設定我們的字體：

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 設定字體為楷體
plt.rcParams['font.family'] = 'KaiTi'

# 圖的標題設定為正弦波,字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述
這下正弦波被顯示出來了，可是還是有報錯，這波啊~，這波叫做對了但沒完全對，我們通過觀察影像可以發現是負號有出了問題：

害，多大點事兒嘛，有 bug 咋們就接著改就完了：

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 設定字體為楷體
plt.rcParams['font.family'] = 'KaiTi'

# 設定數字的負號
plt.rcParams['axes.unicode_minus'] = False

# 圖的標題設定為正弦波,字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述
ok，這下所有的 bug 就完美的解決了，但是總看的不得勁，字體有點小了，看起來費眼睛，我們來把所有的字體都變得大一點：

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 設定字體為楷體
plt.rcParams['font.family'] = 'KaiTi'

# 設定數字的負號
plt.rcParams['axes.unicode_minus'] = False

# 把所有的字體都設定成 28 大小
plt.rcParams['font.size'] = 28

# 圖的標題設定為正弦波,字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述
好家伙，又出問題了，我們的字體雖然都變大了（圖片顯示的不明顯，讀者自己執行一下代碼會有明顯的變化），但是相對應的我們的圖變小了，我們來設定一下圖片的尺寸：

# 設定圖片的大小
plt.figure(figsize = (12, 9))

# 資料還是剛付訓制的正弦圖
plt.plot(x, y)

# 設定字體為楷體
plt.rcParams['font.family'] = 'KaiTi'

# 設定數字的負號
plt.rcParams['axes.unicode_minus'] = False

# 把所有的字體都設定成 28 大小
plt.rcParams['font.size'] = 28

# 圖的標題設定為正弦波,字體大小設為18,顏色設為紅色,標題離圖片的間距為20
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

在這里插入圖片描述

1.2.2 標簽的設定

🚩標簽對應到我們的上圖之中其實就是橫縱坐標

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 設定橫坐標為 X
plt.xlabel('X')
# 設定縱坐標為 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)')

在這里插入圖片描述
看著縱坐標豎著不舒服，我們把它橫過來：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 設定橫坐標為 X
plt.xlabel('X')
# 設定縱坐標為 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)', rotation = 0)

在這里插入圖片描述
縱坐標離 y y y軸有點近，我們繼續調整一下：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)

# 設定橫坐標為 X
plt.xlabel('X')
# 設定縱坐標為 f(x) = sin(x)
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

在這里插入圖片描述

1.2.3 坐標軸刻度的設定

🚩接下來我們設定刻度，上圖中的 0 2 4 6 -1.0 -0.5 0.0 0.5 1.0 其實就是刻度，因為我們現在描繪的是正弦波，對于正弦波而言，我們 y y y軸上的刻度其實給-1 0 1就可以了：
在這里插入圖片描述
我們的橫坐標刻度對于正弦波而言一般是 0 , π 2 , π , 3 π 2 , 2 π 0, \frac{\pi}{2}, \pi,\frac{3\pi}{2},2π 0,2π?,π,23π?,2π：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 設定y軸上的刻度為：-1 0 1
plt.yticks([-1, 0, 1])
# 設定x軸的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi])

在這里插入圖片描述
這好像和我們希望的不太一樣，這編譯器太實誠了，直接把 π \pi π 帶入計算了，我們希望的顯然不是這樣，我們希望 π \pi π 用希臘字母進行顯示：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 設定y軸上的刻度為：-1 0 1
plt.yticks([-1, 0, 1])
# 設定x軸的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi],
           [0, r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$'])

在這里插入圖片描述
當然我們可以設定顏色，比如我們設定橫坐標刻度為紅色：

plt.figure(figsize = (9, 6))
plt.plot(x, y)
plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 28
plt.title('正弦波', fontsize = 18, color = 'red', pad = 20)
plt.xlabel('X')
plt.ylabel('f(x) = sin(x)', rotation = 0, horizontalalignment = 'right')

# 設定y軸上的刻度為：-1 0 1
plt.yticks([-1, 0, 1])
# 設定x軸的刻度
plt.xticks([0, np.pi / 2, np.pi, 1.5 * np.pi, 2 * np.pi],
           [0, r'$\frac{\pi}{2}$', r'$\pi$', r'$\frac{3\pi}{2}$', r'$2\pi$'],
           color = 'red')

在這里插入圖片描述

1.3 圖例

🚩圖例就是在同一個表中顯示多個圖，我們要區分它們所對應的小框框：
在這里插入圖片描述

import numpy as np
import matplotlib.pyplot as plt

# x軸
x = np.linspace(0, 2 * np.pi)
# y軸
y = np.sin(x) # 正弦
# 繪制線形圖
# 調整尺寸
plt.figure(figsize=(9,6))
# 繪制正弦波
plt.plot(x,y)

# 繪制余弦波
plt.plot(x,np.cos(x))
plt.legend(['Sin', 'Cos'],fontsize = 18, # 字體大小
           loc = 'center',    # 圖例居中
           ncol = 2,          # 圖例展示時2個為一行
           # 設定圖例的位置 [x,y,width,height]
           bbox_to_anchor = [0, 1.05, 1, 0.2]) 
           # 我們規定圖形左下角為(0,0),右上角為(1,1)
           # 表示圖例的位置在(0,1.05)的位置，且我們設定了居中

在這里插入圖片描述

1.4 脊柱移動

🚩脊柱移動翻譯成大白話就是黑色邊框的移動

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot繪制了兩個圖形，x-y成對出現就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 獲取當前視圖
ax = plt.gca()

# 右邊和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 設定下面左邊脊柱位置，data表示資料，axes表示相對位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中間(豎直)
ax.spines['left'].set_position(('data' , 0))   # 中間(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

在這里插入圖片描述

1.5 圖片保存

🚩我們可以把我們繪制好的圖形進行保存：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot繪制了兩個圖形，x-y成對出現就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 獲取當前視圖
ax = plt.gca()

# 右邊和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 設定下面左邊脊柱位置，data表示資料，axes表示相對位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中間(豎直)
ax.spines['left'].set_position(('data' , 0))   # 中間(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 圖片保存到當前路徑下,命名為 1.png
plt.savefig('./1.png')

在這里插入圖片描述
我們在保存的時候，可以修改螢屏像素密度： d p i dpi dpi(默認為100)

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot繪制了兩個圖形，x-y成對出現就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 獲取當前視圖
ax = plt.gca()

# 右邊和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 設定下面左邊脊柱位置，data表示資料，axes表示相對位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中間(豎直)
ax.spines['left'].set_position(('data' , 0))   # 中間(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 圖片保存到當前路徑下,命名為 2.png,像素密度設為 300
plt.savefig('./2.png', dpi = 300)

在這里插入圖片描述
從兩張圖片的大小上其實就能看出清晰度的高低，因為保存的是同一張圖
當然，我們也可以保存成 p d f pdf pdf

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize = (9 ,6))

# plot繪制了兩個圖形，x-y成對出現就可以！！！
plt.plot(x,np.sin(x),x,np.cos(x))

# 獲取當前視圖
ax = plt.gca()

# 右邊和上面脊柱消失,白色就是消失
ax.spines['right'].set_color('white') # 白色
ax.spines['top'].set_color('#FFFFFF') # 白色

# 設定下面左邊脊柱位置，data表示資料，axes表示相對位置0~1
ax.spines['bottom'].set_position(('data', 0))  # 中間(豎直)
ax.spines['left'].set_position(('data' , 0))   # 中間(水平)

plt.yticks([-1,0,1],labels = ['-1', '0', '1'],fontsize = 18)
plt.xticks([-np.pi, -np.pi / 2, np.pi / 2, np.pi],
           labels = [r'$-\pi$', r'$-\frac{\pi}{2}$', r'$\frac{\pi}{2}$', r'$\pi$'],
           fontsize = 18)

# 圖片保存到當前路徑下,格式為 pdf,命名為 1.pdf
plt.savefig('./1.pdf')

在這里插入圖片描述

如果你覺得白底太過于單調，我們在設定字體大小的時候可以設定顏色（改變邊框的顏色）：

# 設定一個綠邊框
plt.figure(figsize = (9 ,6), facecolor = 'green')

在這里插入圖片描述
如果我們想改變的是底色，我們可以在獲取視圖后進行更改：

# 獲取當前視圖
ax = plt.gca()
# 底色改為綠色
ax.set_facecolor('green')

在這里插入圖片描述
查看我們可以設定哪些顏色可以撰寫代碼：

# 查看所有顏色
plt.colormaps()

在這里插入圖片描述

2.風格和樣式

2.1 顏色、線形、點形、線寬、透明度

🚩下圖代表我們可以使用的顏色：
在這里插入圖片描述
接下來我們結合代碼去進行講解：

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2 * np.pi, 20)

y1 = np.sin(x)
y2 = np.cos(x)

# 設定顏色，線型，點型
# 繪制x,y1的圖形,顏色是 indigo,線形為'-.',影像上點的型別是五邊形'p
plt.plot(x, y1, color = 'indigo', ls = '-.', marker = 'p')
# 繪制x,y2的圖形,顏色是 #FF00EE,線形為'-',影像上點的型別是圓圈'o'
plt.plot(x, y2, color = '#FF00EE', ls = '--', marker = 'o')
# 繪制x,y1+y2的圖形,顏色是(0.2, 0.7, 0.2),線形為':',影像上點的型別是五角星'*'
plt.plot(x, y1 + y2, color = (0.2, 0.7, 0.2), marker = '*',ls = ':')
# 繪制x,y1+2*y2的圖形,線寬為3,透明度為0.7,顏色為 orange
plt.plot(x, y1 + 2 * y2, linewidth = 3, alpha = 0.7, color = 'orange') # 線寬、透明度
# 引數連用
# 繪制x,2*y1-y2的圖形,b代表color:blue;o代表marker:'o';--代表ls:'--'
plt.plot(x, 2 * y1 - y2, 'bo--')

在這里插入圖片描述

2.2 更多屬性設定

import numpy as np
import pandas as pd

def f(x):
    return np.exp(-x) * np.cos(2 * np.pi * x)

x = np.linspace(0, 5, 50)
plt.figure(figsize = (9, 6))
plt.plot(x, f(x), color = 'purple', # 線顏色
         marker = 'o',              # 影像中的點的形狀
         ls = '--',                 # 線形
         lw = 2,                    # 線寬
         alpha = 0.6,               # 透明度
         markerfacecolor = 'red',   # 點顏色
         markersize = 10,           # 影像中點的大小
         markeredgecolor = 'green', # 點邊緣顏色
         markeredgewidth = 3)       # 點邊緣寬度

plt.xticks(size = 18)               # 設定刻度大小
plt.yticks(size = 18)

在這里插入圖片描述

3.訓練場

3.1 繪制如下圖形

在這里插入圖片描述
要求：

設定背景顏色為：灰色
設定視圖顏色為：灰色
設定網格線顏色：白色
設定網格線樣式：虛線
函式關系如下：y = np.sin(x + i * 0.5) * (7 - i)
- 方程中的i可以給定范圍1~6，表示圖片中的6條線

import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6), facecolor = 'gray')

def fun(x):
    for i in range(1, 7):
        y = np.sin(x - 0.5 * i) * (7 - i)
        plt.plot(x, y)
# 畫圖范圍從 0~14,分成200份
x=  np.linspace(0, 14, 200)
fun(x)

# 獲取當前視圖
ax = plt.gca()
ax.set_facecolor('gray')
# 添加網格線
plt.grid(color = 'white', linestyle = '--')

在這里插入圖片描述

3.2 根據提供資料，進行分組聚合運算，繪制如下圖形

在這里插入圖片描述

要求：

分組聚合求各個城市春夏秋冬的PM2.5的平均值
對分組聚合結果進行資料重塑
調整行索引順序按照：北京、上海、廣州、沈陽、成都
調整列索引順序：春夏秋冬
使用DataFrame方法繪制條形圖

首先我們需要下載一個 Excel 檔案：

鏈接: https://pan.baidu.com/s/1ns8p3xD_EVS2GNNKApDtLg?pwd=eu4u
提取碼: eu4u

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

注：代碼處于運行中將顯示：
在這里插入圖片描述
下列代碼運行幾十秒甚至幾分鐘都是正常的，耐心等待運行結果即可，

我們先來加載我們的資料

%%time
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_excel('./PM2.5.xlsx')
display(df.head(10))
df.shape

在這里插入圖片描述

# 根據 城市,季節進行分組,獲取PM2.5的資料并求平均
df.groupby(by = ['城市', '季節'])['PM2.5'].mean()

在這里插入圖片描述
資料看起來不太舒服，把它變成 D a t a F r a m e DataFrame DataFrame 格式，并保留兩位小數

df2 = df.groupby(by = ['城市', '季節'])[['PM2.5']].mean().round(2)
df2

在這里插入圖片描述
資料還是看起來不美觀，資料重塑：

df2 = df2.unstack(level = -1)
df2

在這里插入圖片描述
洗掉掉 PM2.5：

df2.columns = df2.columns.droplevel(level = 0)
df2

在這里插入圖片描述
調整列索引的順序：

df2 = df2[list('春夏秋冬')]
df2 = df2.loc[['北京', '上海', '廣州', '成都', '沈陽']]
df2

在這里插入圖片描述

繪圖：

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['font.size'] = 18
df2.plot.bar(figsize = (12, 9))
plt.grid(color = 'gray', ls = '--')

在這里插入圖片描述

二、資料可視化高級

1.多圖布局

1.1 子視圖

🚩創建子視圖可以一個視圖一個視圖的創建，也可以多個視圖一起創建：
單圖創建：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi)

# 創建子視圖：2行1列第1個視圖
ax = plt.subplot(2, 1, 1)
ax.plot(x, np.sin(x))

# 創建子視圖：2行1列第2個視圖
ax = plt.subplot(2, 1, 2)
ax.plot(x, np.cos(x))

在這里插入圖片描述

多圖一起創建：

# 一次創造多個視圖
fig, axes = plt.subplots(2, 2) # 2行2列:四個圖
# 索引從0開始
axes[0, 0].plot(x, np.sin(x), color = 'red')
axes[0, 1].plot(x, np.sin(x), color = 'green')
axes[1, 0].plot(x, np.cos(x), color = 'purple')
axes[1, 1].plot(x, np.cos(x))

在這里插入圖片描述
下面附上一個完整的代碼供讀者理解：
遇到無法理解的地方可以看后面的代碼解釋，還是不理解的地方可以評論區留言（有問必答）

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子視圖1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 兩行兩列第一個子視圖
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 呼叫子視圖設定方法，設定子視圖整體屬性

# 子視圖2
ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖
line, = ax.plot(x, -y) # 回傳繪制物件
line.set_marker('*') # 呼叫物件設定方法，設定屬性
line.set_markerfacecolor('red')
line.set_markeredgecolor('green')
line.set_markersize(10)

# 子視圖3
ax = plt.subplot(2, 1, 2) # 兩行一列第二行視圖
plt.sca(ax) # 設定當前視圖
x = np.linspace(-np.pi, np.pi, 200)
plt.plot(x, np.sin(x * x), color = 'red')

在這里插入圖片描述
對上述代碼的部分進行講解：

# 第15行
# line, = ax.plot(x, -y) # 回傳繪制物件

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子視圖1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 兩行兩列第一個子視圖
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 呼叫子視圖設定方法，設定子視圖整體屬性

# 子視圖2
ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖
ax.plot(x, -y) # 回傳繪制物件

在這里插入圖片描述
ax.plot(x, -y)其實就是回傳了一句話：[<matplotlib.lines.Line2D at 0x1914fb1d250>]
我們可以發現這句話使用的是串列，我們取出這句話可以用：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子視圖1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 兩行兩列第一個子視圖
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 呼叫子視圖設定方法，設定子視圖整體屬性

# 子視圖2
ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖
line = ax.plot(x, -y) # 回傳繪制物件
line[0]

在這里插入圖片描述
我們也可以使用 , 去取：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

# 子視圖1
plt.figure(figsize = (9, 6))
ax = plt.subplot(221) # 兩行兩列第一個子視圖
ax.plot(x, y, color = 'red')
ax.set_facecolor('green') # 呼叫子視圖設定方法，設定子視圖整體屬性

# 子視圖2
ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖
line, = ax.plot(x, -y) # 回傳繪制物件
line

在這里插入圖片描述
還有一個很容易暈掉的細節：就是我們在繪圖的時候幾行幾列第幾個是什么意識：
我們就拿上述代碼去說明：
我們假想有一塊空白的板子是供我們繪圖的，下面來看上述代碼：

ax = plt.subplot(221) # 兩行兩列第一個子視圖

這行代碼的意思是把我們假想的這塊白板，劃分稱為兩行兩列的板子：
在這里插入圖片描述
然后這個圖片占據的是第一個板子的位置，對于板子位置我們有如下規定：

板子的編號從1開始，而非從0開始，從左至右，從上至下依次命名板子

所以對上面這個板子，板子的編號為：
在這里插入圖片描述
所以我們最后影像所顯示的其實就是左上角的位置，

接著來看我們的第二個圖：

ax = plt.subplot(2, 2, 2) # 兩行兩列第二個子視圖

這下就好理解啦，還是把之前的空白板子分成兩行兩列，然后編號為2，即右上角，

接著我們來看第三個圖：

ax = plt.subplot(2, 1, 2) # 兩行一列第二行視圖

把我們的空白板子分成兩行一列，那么就是下圖的形式：
在這里插入圖片描述
然后我們把第三個圖片放到第二個位置，不難想到，該圖的第二個位置其實就是對應的我們分成兩行兩列的 3,4 位置，所以三個影像最侄訓制的結果就是：

1.2 嵌套

🚩所謂嵌套，其實就是在圖形中繼續畫圖：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 25)
y = np.sin(x)
fig = plt.figure(figsize = (9, 6)) # 創建視圖

plt.plot(x,y)

# 嵌套方式一，axes軸域（橫縱坐標范圍），子視圖
# x,y,width,height
ax = plt.axes([0.2, 0.55, 0.3, 0.3]) # 引數含義[left, bottom, width, height]
ax.plot(x, y, color = 'g')

# 嵌套方式二
ax = fig.add_axes([0.55, 0.2, 0.3, 0.3]) # 使用視圖物件添加子視圖
ax.plot(x, y, color = 'r')

在這里插入圖片描述

1.3 多圖布局分格顯示

1.3.1 均勻布局

🚩每張圖片都是均勻展示的

import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0,2*np.pi)
# sharex:所有小圖共享x軸  sharey:表示所有小圖共享y軸  坐標軸以所有小圖中范圍最大的進行顯示
fig, ((ax11,ax12,ax13), (ax21,ax22,ax23),(ax31,ax32,ax33)) = plt.subplots(3, 3)
# 也可通過plt.subplot() 一個個添加子視圖
fig.set_figwidth(9)
fig.set_figheight(6)
ax11.plot(x,np.sin(x))
ax12.plot(x,np.cos(x))
ax13.plot(x,np.tanh(x))
ax21.plot(x,np.tan(x))
ax22.plot(x,np.cosh(x))
ax23.plot(x,np.sinh(x))
ax31.plot(x,np.sin(x) + np.cos(x))
ax32.plot(x,np.sin(x * x) + np.cos(x * x))
ax33.plot(x,np.sin(x) * np.cos(x))
# 緊湊顯示，邊框會比較小，可以注釋掉該行查看效果
plt.tight_layout()
plt.show()

在這里插入圖片描述

1.3.2 不均勻分布

🚩上圖中代碼運行所展示的就是均勻分布的結果，可以看出每張圖片所占的空間大小都是均等的，如下面圖片的展示結果，就是不均勻分布：
在這里插入圖片描述
為顯示如上圖的不均勻分布，我們有三種方法

方法一：

import numpy as np
import matplotlib.pyplot as plt
# 需要匯入gridspec模塊
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 使用切片方式設定子視圖
ax1 = plt.subplot(3, 1, 1) # 視圖物件添加子視圖
ax1.plot(x, np.sin(10 * x))
# 設定ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設定
ax1.set_title('ax1_title')  # 設定小圖的標題
ax2 = plt.subplot(3, 3, (4, 5))
ax2.set_facecolor('green')
ax2.plot(x, np.cos(x),color = 'red')
ax3 = plt.subplot(3, 3, (6, 9))
ax3.plot(x,np.sin(x) + np.cos(x))
ax4 = plt.subplot(3, 3, 7)
ax4.plot([1, 3], [2, 4])
ax5 = plt.subplot(3, 3, 8)
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

在這里插入圖片描述

方法二：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
plt.figure(figsize = (12, 9))
# 子視圖1
ax1 = plt.subplot2grid(shape = (3, 3),# 布局形狀
                       loc =  (0, 0), # 布局繪制位置
                       colspan = 3) # 跨幾列
ax1.plot(x, np.sin(10 * x))
# 設定ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設定
ax1.set_title('ax1_title')  # 設定小圖的標題
# 子視圖2
ax2 = plt.subplot2grid((3, 3), (1, 0), colspan = 2) # 跨兩列
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x),color = 'red')
# 子視圖3
ax3 = plt.subplot2grid((3, 3), (1, 2), rowspan = 2) # 跨兩行
ax3.plot(x,np.sin(x) + np.cos(x))
# 子視圖4
ax4 = plt.subplot2grid((3, 3), (2, 0))
ax4.plot([1, 3], [2, 4])
# 子視圖5
ax5 = plt.subplot2grid((3, 3), (2, 1))
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)

在這里插入圖片描述
方法三：

import numpy as np
import matplotlib.pyplot as plt
# 需要匯入gridspec模塊
import matplotlib.gridspec as gridspec
x = np.linspace(0, 2 * np.pi, 200)
fig = plt.figure(figsize = (12, 9))
# 將整個視圖分成3x3布局
gs = gridspec.GridSpec(3, 3)
# 使用切片方式設定子視圖
ax1 = fig.add_subplot(gs[0, :]) # 視圖物件添加子視圖
ax1.plot(x,np.sin(10 * x))
# 設定ax1的標題，xlim、ylim、xlabel、ylabel等所有屬性現在只能通過set_屬性名的方法設定
ax1.set_title('ax1_title')  # 設定小圖的標題
ax2 = plt.subplot(gs[1, :2]) # 模塊呼叫
ax2.set_facecolor('green')
ax2.plot(x,np.cos(x), color = 'red')
# 從第一行到最后，占1、2兩行，后面的2表示只占用第二列，也就是最后的一列
ax3 = plt.subplot(gs[1:, 2])
ax3.plot(x,np.sin(x) + np.cos(x))
# 倒數第一行，只占第0列這一列
ax4 = plt.subplot(gs[-1, 0])
ax4.plot([1, 3], [2, 4])
# 倒數第一行，只占倒數第二列，由于總共三列，所以倒數第二列就是序號1的列
ax5 = plt.subplot(gs[-1, -2])
ax5.scatter([1, 2, 3], [0, 2, 4])
ax5.set_xlabel('ax5_x',fontsize = 12)
ax5.set_ylabel('ax5_y',fontsize = 12)
plt.show()

在這里插入圖片描述

1.4 雙軸顯示

🚩有時候，有兩個軸是不夠用的，我們經常會見到如下的圖形，下述圖形的樣式就是雙軸顯示：
在這里插入圖片描述
就比如我們在繪制正弦波和指數函式的時候，讓他們在一個 y y y軸上顯示是不合理的：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

在這里插入圖片描述
所以，這個時候就需要我們的雙軸顯示：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 獲取當前視圖
ax = plt.gca()

# 雙胞胎,相當于兩個x軸,并且是合到一起的
# 這兩個x軸對應的是兩個y軸
ax2 = ax.twinx()
# 其中一個視圖縱坐標范圍是 -1~1.0,另一個視圖范圍是0~25
# 刻度是自適應的,當然也可以進行調整

# 默認向 ax2這個子視圖中繪制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')

在這里插入圖片描述
坐標是雖然是自適應的，但是我們也可以對其進行調整：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(-np.pi, np.pi, 50)
y = np.sin(x)

plt.plot(x, y, color = 'blue')
_ = plt.yticks(np.linspace(-1, 1, 11), color = 'blue')

# 獲取當前視圖
ax = plt.gca()

# 雙胞胎,相當于兩個x軸,并且是合到一起的
# 這兩個x軸對應的是兩個y軸
ax2 = ax.twinx()
# 其中一個視圖縱坐標范圍是 -1~1.0,另一個視圖范圍是0~25
# 刻度是自適應的,當然也可以進行調整

# 默認向 ax2這個子視圖中繪制
y2 = np.exp(x)
plt.plot(x, y2, color = 'red')
# 規定刻度
_ = plt.yticks(np.arange(0, 26, 5), color = 'red')

在這里插入圖片描述

2.文本、注釋、箭頭

🚩常用函式如下：

Pyplot函式	API方法	描述
text()	mpl.axes.Axes.text()	在Axes物件的任意位置添加文字
xlabel()	mpl.axes.Axes.set_xlabel()	為X軸添加標簽
ylabel()	mpl.axes.Axes.set_ylabel()	為Y軸添加標簽
title()	mpl.axes.Axes.set_title()	為Axes物件添加標題
legend()	mpl.axes.Axes.legend()	為Axes物件添加圖例
annnotate()	mpl.axes.Axes.annotate()	為Axes物件添加注釋（箭頭可選）
figtext()	mpl.figure.Figure.text()	在Figure物件的任意位置添加文字
suptitle()	mpl.figure.Figure.suptitle()	為Figure物件添加中心化的標題

2.1 文本

import numpy as np
import matplotlib.pyplot as plt

# 字體屬性
font = {'fontsize': 20,
        'family': 'KaiTi',
        'color':  'red',
        'weight': 'bold'}  # bold表示字體加粗

x = np.linspace(0.0, 5.0, 100)
y = np.cos(2 * np.pi * x) * np.exp(-x)

plt.figure(figsize = (9, 6))
plt.plot(x, y, 'k')  # k代表黑色

# 視圖的標題
plt.title('exponential decay', fontdict = font, pad = 20)

# figure的大標題
plt.suptitle('指數衰減', y = 1.05, fontdict = font, fontsize = 30)

# 向圖片中繪制文本
plt.text(x = 2, y = 0.65, # 橫縱坐標位置
         s = r'$\cos(2 \pi t) \exp(-t)$', # 文本內容
         fontsize = 25)   # 文本大小

plt.xlabel('time (s)')
plt.ylabel('voltage (mV)')
plt.show()

在這里插入圖片描述

2.2 箭頭

import matplotlib.pyplot as plt
import numpy

# 隨機生成數字，10行2列(x,y)
loc = np.random.randint(0, 10,size = (10, 2))
plt.figure(figsize=(10, 10))

# 畫圖: loc[:, 0]:所有行都獲取,索引0--->橫坐標
#       loc[:, 1]:所有行都獲取,索引1--->縱坐標
#       g*:g代表的是綠色,*代表的是點的形狀是五角星
#       ms = 20:點的大小
plt.plot(loc[:, 0], loc[:, 1], 'g*', ms = 20)
plt.grid(True)

# 路徑
way = np.arange(10) # 0、1、2、...、9索引
np.random.shuffle(way) # 洗牌，打亂順序

# 開始連點:0-->1-->2-->...-->9
# for 回圈:少一個:10個點連9條線
for i in range(0, len(way) - 1):
    start = loc[way[i]]    # 起點
    end = loc[way[i + 1]]  # 終點
    # 畫箭頭:
    plt.arrow(start[0], start[1], # x = start[0], y = start[1]:起點的(x, y)
              end[0] - start[0],  # 水平方向上移動的距離
              end[1] - start[1],  # 豎直方向上移動的距離
              head_width = 0.2, lw = 2,# 箭頭長度，箭尾線寬
              length_includes_head = True) # 長度計算包含箭頭箭尾
    # 繪制編號:0 1 2 3... 8
    plt.text(start[0], start[1], s = i, fontsize = 18, color = 'red')
    # 繪制編號:9
    if i == len(way) - 2:
        plt.text(end[0], end[1], s = i + 1, fontsize = 18, color = 'red')

在這里插入圖片描述

2.3 注釋

import numpy as np
import matplotlib.pyplot as plt

# 資料創建
fig, ax = plt.subplots()
x = np.arange(0.0, 5.0, 0.01)
y = np.cos(2 * np.pi * x)
line, = ax.plot(x, y, lw = 2)

# 注釋:
ax.annotate('local max',       # 文本內容
            xy = (2, 1),       # 箭頭指向位置
            xytext = (3, 1.5), # 文本位置
            # 箭頭屬性
            arrowprops = dict(facecolor = 'black', # 箭頭的顏色
                              shrink = 0.05)) # 箭頭兩端收縮的百分比（占總長）
ax.annotate('local min',
            xy = (2.5, -1),
            xytext = (4, -1.8),
            arrowprops = dict(facecolor = 'black',
                              width = 2,       # 箭頭寬度
                              headwidth = 10,  # 箭頭頭部寬度
                              headlength = 10, # 箭頭頭部長度
                              shrink = 0.1)) # 箭頭兩端收縮的百分比（占總長）
ax.annotate('median',
            xy = (2.25, 0),
            xytext = (0.5, -1.8),
            arrowprops = dict(arrowstyle = '-|>'), # 箭頭樣式
            # 按下 Shift+Tab查看提示:-|>:head_length=0.4,head_width=0.2
            fontsize = 20)

# y軸范圍調為(-2, 2)
ax.set_ylim(-2, 2)

在這里插入圖片描述

2.4 注釋箭頭連接形狀

在這里插入圖片描述

import matplotlib.pyplot as plt

def annotate_con_style(ax, connectionstyle):
    x1, y1 = 3,2
    x2, y2 = 8,6
    ax.plot([x1, x2], [y1, y2], ".")
    ax.annotate(text = '',
                xy = (x1, y1),     # 相當于B點，arrow head
                xytext = (x2, y2), # 相當于A點，arrow tail
                arrowprops = dict(arrowstyle = '->', color = 'red',
                                shrinkA = 5,shrinkB = 5,
                                connectionstyle = connectionstyle))

    ax.text(.05, 0.95, connectionstyle.replace(",", "\n"),
            transform = ax.transAxes, # 相對坐標
            ha = "left", va = "top")  # 指定對齊方式

# 常用箭頭連接樣式
fig, axs = plt.subplots(3, 5, figsize = (9, 6))
annotate_con_style(axs[0, 0], "angle3,angleA=90,angleB=0")
annotate_con_style(axs[1, 0], "angle3,angleA=0,angleB=90")
annotate_con_style(axs[2, 0], "angle3,angleA = 0,angleB=150")
annotate_con_style(axs[0, 1], "arc3,rad=0.")
annotate_con_style(axs[1, 1], "arc3,rad=0.3")
annotate_con_style(axs[2, 1], "arc3,rad=-0.3")
annotate_con_style(axs[0, 2], "angle,angleA=-90,angleB=180,rad=0")
annotate_con_style(axs[1, 2], "angle,angleA=-90,angleB=180,rad=5")
annotate_con_style(axs[2, 2], "angle,angleA=-90,angleB=10,rad=5")
annotate_con_style(axs[0, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=0")
annotate_con_style(axs[1, 3], "arc,angleA=-90,angleB=0,armA=30,armB=30,rad=5")
annotate_con_style(axs[2, 3], "arc,angleA=-90,angleB=0,armA=0,armB=40,rad=0")
annotate_con_style(axs[0, 4], "bar,fraction=0.3")
annotate_con_style(axs[1, 4], "bar,fraction=-0.3")
annotate_con_style(axs[2, 4], "bar,angle=180,fraction=-0.2")

for ax in axs.flat:
    # 設定軸域刻度
    ax.set(xlim = (0, 10), ylim = (0, 10), xticks = [], yticks = [], aspect = 1)
fig.tight_layout(pad = 0.2)

在這里插入圖片描述

3.訓練場

3.1 繪制如下子圖

在這里插入圖片描述

要求：

設定中文字體并設定字體大小
分別計算每個城市年份、季度、月份、小時的PM2.5資料
會用到分組求平均值操作
進行資料重塑
根據需要調整行索引或者列索引
創建子視圖2行2列
向子視圖分別繪制年份、季度、月份、小時的各城市PM2.5走勢資料
根據需要設定坐標軸標簽（比如月份、小時）

首先我們需要下載一個 Excel 檔案：

鏈接: https://pan.baidu.com/s/1nSw6wbOEg8GpP19WQ7ggxw?pwd=53ph
提取碼: 53ph

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

注：代碼處于運行中將顯示：
在這里插入圖片描述
下列代碼運行幾十秒甚至幾分鐘都是正常的，耐心等待運行結果即可，

我們先來加載我們的資料

%%time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['font.size'] = 18
df = pd.read_excel('./PM2.5.xlsx')

在這里插入圖片描述

接下來繪制年份的資料：

# 添加子視圖
fig, axes = plt.subplots(2, 2, figsize = (16, 12))

# 按照城市年份分組,獲取PM2.5,計算平均值并保留2位小數
df2 = df.groupby(by = ['城市', '年份'])[['PM2.5']].mean().round(2)

# 資料重塑
df2 = df2.unstack(level = 0)   # 城市作為列索引
df2.columns = df2.columns.droplevel(0) # 洗掉 PM2.5 這個列索引
df2 = df2[['北京', '上海', '廣州', '沈陽', '成都']]  # 調整列索引的順序
df2.plot(ax = axes[0, 0])   # 左上角

在這里插入圖片描述
繪制季度：

df3 = df.groupby(by = ['城市', '季節'])[['PM2.5']].mean().round(2)
# 資料重塑
df3 = df3.unstack(level = 0)
# 調整行索引順序
df3 = df3.loc[list('春夏秋冬')]
# 洗掉列索引 PM2.5
df3.columns = df3.columns.droplevel(0)
# 調整列索引順序
df3 = df3[['北京', '上海', '廣州', '沈陽', '成都']]
# 第一行第二列的子視圖(右上角)
df3.plot(ax = axes[0, 1])

在這里插入圖片描述
繪制月份：

df4 = df.groupby(by = ['城市', '月份'])[['PM2.5']].mean().round(2)
# 資料重塑
df4 = df4.unstack(level = 0)
df4.columns = df4.columns.droplevel(0)
df4 = df4[['北京', '上海', '廣州', '沈陽', '成都']]
ax = df4.plot(ax = axes[1, 0])

# 設定
months = ['一月', '二月', '三月', '四月', '五月', '六月', 
          '七月', '八月', '九月', '十月', '十一月', '十二月']
ax.set_xticks(np.arange(1, 13))   # 設定刻度(x軸)
_ = ax.set_xticklabels(months, rotation = 60) # 旋轉60°

在這里插入圖片描述

繪制小時：

df5 = df.groupby(by = ['城市', '小時'])[['PM2.5']].mean().round(2)
# 資料重塑
df5 = df5.unstack(level = 0)
df5.columns = df5.columns.droplevel(0)
df5 = df5[['北京', '上海', '廣州', '沈陽', '成都']]
ax = df5.plot(ax = axes[1, 1])
_ = ax.set_xticks(np.arange(0, 24))

在這里插入圖片描述

最后我們來保存我們的圖片：

plt.savefig('./homework7.png')

在這里插入圖片描述

三、資料可視化進階

1.常用視圖

1.1 折線圖

import numpy as np
import matplotlib.pyplot as plt

y = np.random.randint(0, 10, size = 15)

# 一圖多線
plt.figure(figsize = (9, 6))
# 只給了y,不給x,則x有默認值:0、1、2、3、...
plt.plot(y, marker = '*', color = 'r')
plt.plot(y.cumsum(), marker = 'o')

# 多圖布局
fig,axs = plt.subplots(2, 1)
# 設定寬高
fig.set_figwidth(9)
fig.set_figheight(6)
axs[0].plot(y, marker = '*', color = 'red')
axs[1].plot(y.cumsum(), marker = 'o')

在這里插入圖片描述

1.2 柱狀圖

1.2.1 堆疊柱狀圖

import numpy as np
import matplotlib.pyplot as plt

labels = ['G1', 'G2', 'G3', 'G4', 'G5','G6'] # 級別

# 生成資料
men_means = np.random.randint(20, 35, size = 6)
women_means = np.random.randint(20, 35, size = 6)
men_std = np.random.randint(1, 7, size = 6)
women_std = np.random.randint(1, 7, size = 6)

width = 0.35            # 柱狀圖中柱的寬度
plt.bar(labels,         # 橫坐標
        men_means,      # 柱高
        width,          # 線寬
        yerr = men_std, # 誤差條(標準差)
        label = 'Men')  # 標簽
plt.bar(labels, 
        women_means, 
        width, 
        yerr = women_std, 
        bottom = men_means, # 把女生畫成男生的上面
        # 沒有上一行代碼柱狀圖會發生重疊覆寫,讀者可以自行嘗試
        label = 'Women')

plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.legend()

在這里插入圖片描述

1.2.2 分組帶標簽柱狀圖

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

# 創造資料
labels = ['G1', 'G2', 'G3', 'G4', 'G5','G6'] # 級別
men_means = np.random.randint(20, 35,size = 6)
women_means = np.random.randint(20, 35,size = 6)
x = np.arange(len(men_means))
plt.figure(figsize = (9, 6))

# 把男生的柱狀圖整體左移 width / 2
rects1 = plt.bar(x - width / 2, men_means, width)
# 把女生的柱狀圖整體右移 width / 2
rects2 = plt.bar(x + width / 2, women_means, width)

# 設定標簽標題，圖例
plt.ylabel('Scores')
plt.title('Scores by group and gender')
plt.xticks(x, labels)    
plt.legend(['Men','Women'])

# 放置文本 text
def set_label(rects):
    for rect in rects:
        height = rect.get_height() # 獲取高度
        plt.text(x = rect.get_x() + rect.get_width() / 2, # 水平坐標
                 y = height + 0.5, # 豎直坐標
                 s = height, # 文本
                 ha = 'center') # 水平居中

set_label(rects1)
set_label(rects2)
# 設定緊湊布局
plt.tight_layout()

在這里插入圖片描述

1.3 極坐標圖

1.3.1 線性極坐標

🚩對于極坐標，我們先來繪制一個普通的直角坐標系下的直線

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

plt.plot(x, y)

在這里插入圖片描述
我們對上述代碼加上一行代碼后，就可以轉為極坐標：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

plt.subplot(111, projection = 'polar')
plt.plot(x, y)

在這里插入圖片描述
接下來，為了讓這個極坐標圖更加的美觀，我們對其屬性進行一些設定：

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 4 * np.pi, 200)
y = np.linspace(0, 2, 200)

ax = plt.subplot(111, projection = 'polar', facecolor = 'lightgreen')
plt.plot(x, y)

# 設定
ax.set_rmax(3) # 最大半徑設定為3
ax.set_rticks([0.5, 1, 1.5, 2]) # 設定刻度
ax.grid(True)     # 設定網格線

1.3.2 條形極坐標

import numpy as np
import matplotlib.pyplot as plt

#  分成8份 (0~360)
N = 8 
# 橫坐標
x = np.linspace(0.0, 2 * np.pi, N, endpoint = False)
# 縱坐標
y = np.random.randint(3, 15, size = N)
# 寬度(8個柱子沾滿圓)
width = np.pi / 4   
# 8個柱子隨機生成顏色
colors = np.random.rand(8,3) 
# polar表示極坐標
ax = plt.subplot(111, projection = 'polar') 
ax.bar(x, y, width = width, color = colors)

在這里插入圖片描述

1.4 直方圖

🚩繪制的直方圖其實就是一個概率分布，直方圖可以看成很多個柱子的柱狀圖

import numpy as np
import matplotlib.pyplot as plt

mu = 100 # 平均值
sigma = 15 # 標準差
x = np.random.normal(loc = mu, scale = 15, size = 10000)
fig, ax = plt.subplots()

# 直方圖一般用于描述統計性的資料
# 資料量比較大,通過繪制直方圖,看出資料內部的關系
# density = True 統計的是概率
# density = False 統計數字在某個范圍內的次數
n, bins, patches = ax.hist(x, 200, density = True) # 直方圖

# 概率密度函式
y = ((1 / (np.sqrt(2 * np.pi) * sigma)) *
     np.exp(-0.5 * (1 / sigma * (bins - mu)) ** 2))
plt.plot(bins, y, '--')
plt.xlabel('Smarts')
plt.ylabel('Probability density')
plt.title(r'Histogram of IQ: $\mu=100$, $\sigma=15$')

# 緊湊布局
fig.tight_layout()

在這里插入圖片描述

1.5 箱形圖

import numpy as np
import matplotlib.pyplot as plt

# 正態分布
data = np.random.normal(size = (500, 4)) 
lables = ['A', 'B', 'C', 'D']
# 用Matplotlib畫箱線圖
# 黃色的線就是中位數,紅色的圓點是例外值
_ = plt.boxplot(data, 1, 'ro', labels = lables)

在這里插入圖片描述

1.6 散點圖

import numpy as np
import matplotlib.pyplot as plt

data = np.random.randn(100, 2)
s = np.random.randint(100, 300, size = 100)
color = np.random.randn(100)

plt.scatter(data[:, 0], # 橫坐標
            data[:, 1], # 縱坐標
            s = s, # 尺寸
            c = color, # 顏色
            alpha = 0.5) # 透明度

在這里插入圖片描述

1.7 餅圖

1.7.1 一般餅圖

import numpy as np
import matplotlib.pyplot as plt

# 解決中文字體亂碼的問題
plt.rcParams['font.sans-serif'] = 'KaiTi' 

labels = ["五星", "四星", "三星", "二星", "一星"] # 標簽
percent = [95, 261, 105, 30, 9] # 某市星級酒店數量
# 設定圖片大小和解析度
fig = plt.figure(figsize = (5, 5), dpi = 120)
# 偏移中心量，突出某一部分
# 0.1 表示 10%,自身高度的10%,是一個相對值
explode = (0, 0.1, 0, 0, 0) 

# 繪制餅圖：autopct顯示百分比，這里保留一位小數；shadow控制是否顯示陰影
_ = plt.pie(x = percent,         # 資料
        explode = explode,   # 偏移中心量
        labels = labels,     # 顯示標簽
        autopct = '%0.1f%%', # 顯示百分比
        shadow = True)      # 陰影，3D效果

在這里插入圖片描述

1.7.2 甜甜圈

import numpy as np
import matplotlib.pyplot as plt

plt.figure(figsize = (6, 6))
# 甜甜圈原料
recipe = ["225g flour",
          "90g sugar",
          "1 egg",
          "60g butter",
          "100ml milk",
          "1/2package of yeast"]
# 原料比例
data = [225, 90, 50, 60, 100, 5]
wedges, texts = plt.pie(data, startangle = 40)
bbox_props = dict(boxstyle = "square,pad=0.3", fc = "w", ec = "k", lw = 0.72)
kw = dict(arrowprops = dict(arrowstyle = "-"),
          bbox = bbox_props, va = "center")

for i, p in enumerate(wedges):
    ang = (p.theta2 - p.theta1) / 2. + p.theta1 # 角度計算
    # 角度轉弧度----->弧度轉坐標
    y = np.sin(np.deg2rad(ang))
    x = np.cos(np.deg2rad(ang))
    ha = {-1 :  "right", 1 : "left"}[int(np.sign(x))] # 水平對齊方式
    connectionstyle = "angle,angleA=0,angleB={}".format(ang) # 箭頭連接樣式
    kw["arrowprops"].update({"connectionstyle" : connectionstyle}) # 更新箭頭連接方式
    plt.annotate(recipe[i], xy=(x, y), xytext = (1.35 * np.sign(x), 1.4 * y),
                 ha = ha, **kw, fontsize = 18, weight = 'bold')
plt.title("Matplotlib bakery: A donut", fontsize = 18, pad = 25)
plt.tight_layout()

在這里插入圖片描述

1.8 熱力圖

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

# 標簽
vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat", "barley"]
farmers = list('ABCDEFG')

# 創建資料,亂數
harvest = np.random.randn(7, 7) * 5 # 農民豐收資料

plt.rcParams['font.size'] = 18
plt.rcParams['font.weight'] = 'heavy'
plt.figure(figsize = (9, 9))
# imshow() 顯示圖片,因為數值不同,所以圖片顏色不同
im = plt.imshow(harvest) 

plt.xticks(np.arange(len(farmers)), farmers, rotation = 45, ha = 'right')
plt.yticks(np.arange(len(vegetables)), vegetables)

# 繪制文本
for i in range(len(vegetables)):
    for j in range(len(farmers)):
        text = plt.text(j, i, round(harvest[i, j], 1),
                       ha = "center", va = "center", color = 'r')
        
plt.title("Harvest of local farmers (in tons/year)", pad = 20)

在這里插入圖片描述

1.9 面積圖

import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6))
days = [1, 2, 3, 4, 5]  
sleeping = [7, 8, 6, 11, 7]
eating = [2, 3, 4, 3, 2]
working = [7, 8, 7, 2, 2]
playing = [8, 5, 7, 8, 13]   
plt.stackplot(days, sleeping, eating, working, playing)

plt.xlabel('x')
plt.ylabel('y')
plt.title('Stack Plot', fontsize = 18)
plt.legend(['Sleeping', 'Eating', 'Working', 'Playing'],
           fontsize = 18)

在這里插入圖片描述

1.10 蜘蛛圖

import numpy as np
import matplotlib.pyplot as plt

# 畫圖資料
plt.rcParams['font.family'] = 'KaiTi'
labels = np.array(["個人能力", "IQ", "服務意識",
                   "團隊精神", "解決問題能力", "持續學習"])
y = [83, 61, 95, 67, 76, 88]
x = np.linspace(0, 2 * np.pi, len(labels), endpoint = False)

# 首位相接,我們要把 "持續學習" 和 "個人能力相連起來"
y = np.concatenate((y, [y[0]]))  # 首尾相接
x = np.concatenate((x, [x[0]]))  # 首尾相接

# 用Matplotlib畫蜘蛛圖
fig = plt.figure(figsize = (6, 6))
ax = fig.add_subplot(111, polar = True)   
# 連線
# o:表示形狀，圓形
# -:表示實線
# o-:屬性連用
ax.plot(x, y, 'o-', linewidth = 2) 
ax.fill(x, y, alpha = 0.25) # 填充顏色
# 設定角度
ax.set_thetagrids(x[:-1] * 180 / np.pi,# 角度值
# 由于首位相接時候相當于給x增加了一個元素,現在需要切片去掉這個元素
                  labels,
                  fontsize = 18)
_ = ax.set_rgrids([20, 40, 60, 80], fontsize = 18)

在這里插入圖片描述

2.3D圖形

2.1 三維折線圖

🚩創建一個三維空間有兩種方法：
方法一：

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D # 3D引擎

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6)) # 二維圖形
ax3 = Axes3D(fig) # 二維變成了三維
ax3.plot(x, y, z) # 3維折線圖

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

在這里插入圖片描述

方法二：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')
ax3.plot(x, y, z)

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

在這里插入圖片描述

如果你覺得這個視角不好看，我們還可以調整視角：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')
ax3.plot(x, y, z)

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

# 圖形可以調整角度
# 第一個引數是 x，y軸的角度,第二個引數是z軸的角度
ax3.view_init(elev = 30, azim = -80)

在這里插入圖片描述

2.2 三維散點圖

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'KaiTi'
plt.rcParams['axes.unicode_minus'] = False
x = np.linspace(0, 60, 300)
y = np.sin(x)
z = np.cos(x)

fig = plt.figure(figsize = (9, 6))
ax3 = plt.subplot(111, projection = '3d')

ax3.set_xlabel('X')
ax3.set_ylabel('Y')
ax3.set_zlabel('Z')

# 散點圖
x = np.random.randint(0, 60, size = 20)
y = np.random.randn(20)
z = np.random.randn(20)
ax3.scatter(x, y, z, color = 'red')

在這里插入圖片描述

2.3 三維柱狀圖

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d.axes3d import Axes3D # 3D引擎

month = np.arange(1, 5)
# 每個月 4周 每周都會產生資料
# 三個維度：月、周、銷量
fig = plt.figure(figsize = (9, 6))
ax3 = Axes3D(fig)

for m in month:
    # 每個月都要繪制條形圖
    ax3.bar(np.arange(1, 5),       # 橫坐標
            np.random.randint(1, 10, size = 4), # 縱坐標
            zs = m ,
            zdir = 'x',   # 在哪個方向上,一排排排列,默認為'z'
            alpha = 0.7,  # alpha 透明度
            width = 0.5)  # 條形圖的寬度
    
plt.rcParams['font.family'] = 'KaiTi'
ax3.set_xlabel('月份', fontsize = 18, color = 'red')
ax3.set_xticks(month)
ax3.set_ylabel('周', fontsize = 18, color = 'red')
ax3.set_yticks([1, 2, 3, 4])
ax3.set_zlabel('銷量', fontsize = 18, color = 'green')

在這里插入圖片描述

3.Seaborn

Seaborn是基于matplotlib的圖形可視化python包，它提供了一種高度互動式界面，便于用戶能夠做出各種有吸引力的統計圖表，

Seaborn是在matplotlib的基礎上進行了更高級的API封裝，從而使得作圖更加容易，在大多數情況下使用seaborn能做出很具有吸引力的圖，而使用matplotlib就能制作具有更多特色的圖，應該把Seaborn視為matplotlib的補充，而不是替代物，

1.安裝

如果你讀過文章：matplotlib的安裝教程以及簡單呼叫，那么你只需要在命令列模式中輸入：pip install seaborn即可進行安裝，否則你也可以直接輸入：pip install seaborn -i https://pypi.tuna.tsinghua.edu.cn/simple

進入命令列模式： W i n d o w s Windows Windows系統：按下鍵盤上的 W i n d o w s + R Windows + R Windows+R，輸入 c m d cmd cmd 后即可進入

如果你讀過文章：最詳細的Anaconda Installers 的安裝【numpy，jupyter】（圖+文），那么你無序再安裝 S e a b o r n Seaborn Seaborn，安裝 A n a c o n d a Anaconda Anaconda 的時候已經安裝好了 S e a b o r n Seaborn Seaborn

在這里插入圖片描述
出現上圖所示就是已經安裝過的意思，我們可以打開 jupyter 運行如下代碼，看是否報錯：

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

不報錯即為安裝成功，那么接下來，就讓我來介紹 s e a b o r n seaborn seaborn

2.快速上手

2.1 模式設定

import seaborn as sns 
sns.set(style = 'darkgrid',context = 'talk',font = 'STKaiti')

s t y l e style style設定，修改主題風格，屬性如下：

style	效果
darkgrid	黑色網格(默認)
whitegrid	白色網格
dark	黑色背景
white	白色背景
ticks	四周有刻度線的白背景

c o n t e x t context context設定，修改大小，屬性如下：

context	效果
paper	越來越大越來越粗
notebook(默認)	越來越大越來越粗
talk	越來越大越來越粗
poster	越來越大越來越粗

2.2 線形圖

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

sns.set(style = 'dark',context = 'poster',font = 'STKaiti') # 設定樣式
plt.figure(figsize = (9, 6))

x = np.linspace(0, 2 * np.pi, 20)
y = np.sin(x)

sns.lineplot(x = x, y = y, color = 'green', ls = '--')
sns.lineplot(x = x, y = np.cos(x), color = 'red',ls = '-.')

在這里插入圖片描述

3.各種圖形繪制

首先我們需要下載幾個 c s v csv csv 檔案：

鏈接: https://pan.baidu.com/s/12CkTweXPT-El4z2M93HltQ?pwd=vaks
提取碼: vaks

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

3.1 調色板

引數 p a l e t t e palette palette（調色板），用于調整顏色，系統默認提供了六種選擇： d e e p , m u t e d , b r i g h t , p a s t e l , d a r k , c o l o r b l i n d deep, muted, bright, pastel, dark, colorblind deep,muted,bright,pastel,dark,colorblind

引數 p a l e t t e palette palette調色板，可以有更多的顏色選擇， M a t p l o t l i b Matplotlib Matplotlib為我們提供了多達 178 178 178種，這足夠繪圖用，可以通過代碼print(plt.colormaps())查看選擇

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

print(plt.colormaps())

在這里插入圖片描述

3.2 線形圖

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 設定樣式
sns.set(style = 'dark', context = 'notebook', font = 'STKaiti')
plt.figure(figsize = (9, 6))

# fmri 這一核磁共振資料
fmri = pd.read_csv('./fmri.csv') 
ax = sns.lineplot(x = 'timepoint',y = 'signal',
                  hue = 'event',     # 根據 event 進行分類繪制
                  style = 'event',   # 根據 event 屬性分類指定樣式
                  # 如圖自動分配成了實作和虛線,●和×
                  data = fmri,
                  palette = 'deep',  # 畫板、顏色
                  markers = True,
                  markersize = 10)

plt.xlabel('時間節點',fontsize = 30)

在這里插入圖片描述

3.3 散點圖

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data = pd.read_csv('./tips.csv') # 小費
plt.figure(figsize = (9, 6))
sns.set(style = 'darkgrid', context = 'talk')

# 散點圖
fig = sns.scatterplot(x = 'total_bill', y = 'tip',
hue = 'time', data = data,
palette = 'autumn', s = 100)

在這里插入圖片描述

3.4 柱狀圖

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize = (9, 6))
sns.set(style = 'whitegrid')
tips = pd.read_csv('./tips.csv') # 小費
ax = sns.barplot(x = "day", y = "total_bill",
                 data = tips,hue = 'sex',
                 palette = 'colorblind',
                 capsize = 0.2)

在這里插入圖片描述

3.5 箱式圖

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'ticks')
tips = pd.read_csv('./tips.csv')
ax = sns.boxplot(x = "day", y = "total_bill", data = tips, palette = 'colorblind')

在這里插入圖片描述

3.6 直方圖

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt

sns.set(style = 'dark')
x = np.random.randn(5000)
sns.histplot(x, kde = True)

在這里插入圖片描述

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'darkgrid')
tips = pd.read_csv('./tips.csv')
sns.histplot(x = 'total_bill', data = tips, kde = True)

在這里插入圖片描述

3.7 分類散點圖

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

sns.set(style = 'darkgrid')
exercise = pd.read_csv('./exercise.csv')
sns.catplot(x = "time", y = "pulse", hue = "kind", data = exercise)

在這里插入圖片描述

3.8 熱力圖

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

plt.figure(figsize = (12, 9))
flights = pd.read_csv('./flights.csv')   # 飛行資料

# pivot() 實作了資料重塑,改變了DataFrame的形狀
# month 作為行索引,year作為列索引,passengers作為資料
flights = flights.pivot("month", "year", "passengers") # 年,月,乘客
sns.heatmap(flights, annot = True,   # 畫上數值
            fmt = 'd',         # 數值為整數
            cmap = 'RdBu_r',   # 設定顏色 
            linewidths = 0.5)  # 線寬為 0.5

在這里插入圖片描述

我們最后來說一下資料重塑，在本題的基礎上，我們查看一下我們的 f l i g h t s flights flights 資料：
在這里插入圖片描述
咋們再來重新加載一下資料，看看原始的 f l i g h t s flights flights 資料：

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd

flights = pd.read_csv('./flights.csv')
flights

在這里插入圖片描述
不難看出，上述繪圖程序中涉及到了資料重塑：代碼：flights = flights.pivot("month", "year", "passengers")實作了資料的重塑，使得 m o n t h month month 作為行索引， y e r r yerr yerr 作為列索引， p a s s e n g e r s passengers passengers 作為資料，

4.訓練場

4.1 資料處理

加載資料，并查看相關資訊：基金總資料條目，基金公司數量，基金總數量，基金總規模，查看前五條資料
將基金規模小于1億元的資料過濾掉，將基金收益沒有資料的過濾掉，
將基金規模和基金收益轉換為浮點數，并將處理好的資料保存，

首先我們需要下載一個 Excel 檔案：

鏈接: https://pan.baidu.com/s/1j2pn0vVN3-wJmSZ-01oiUg?pwd=niye
提取碼: niye

下載完成之后，把該檔案和我們的代碼放到同一個檔案夾下，這一操作我們在之前的博客中已經反復說到，這里就不再進行演示

資料查看：

import numpy as np
import pandas as pd

fund = pd.read_excel('./fund.xlsx')
print('基金總資料條目：', fund.shape)
print('基金公司一共有：', fund['公司'].nunique()) # 去重
print('基金總數量是：', fund['基金數量'].sum())

# 計算基金總規模
cnt = fund['基金規模'].str.endswith('億元') # 判斷是否以'億元'結尾
fund2 = fund[cnt]     # 資料篩選
size = fund2['基金規模'].str[: -2].astype('float').sum() # 去掉'億元'
print('基金總規模是：%0.2f億元' % (size))

print('查看前五條資料：')
fund.head(5)

在這里插入圖片描述
資料清洗：

import pandas as pd

fund = pd.read_excel('./fund.xlsx')
print('資料清洗前：', fund.shape)

# 過濾基金規模為空的資料
cnt = fund['基金規模'].str.endswith('億元')
fund = fund[cnt]

# 過濾基金規模小于1億的資料
cnt2 = fund['基金規模'].str[: -2].astype('float') > 1
fund = fund[cnt2]

# 過濾基金收益為空的資料
cnt3 = fund['基金收益'].str.endswith('%')
fund = fund[cnt3]

print('資料清洗后：', fund.shape)
fund.to_excel('./fund_clean.xlsx', index = False)
fund.head()

在這里插入圖片描述

資料轉換：

import pandas as pd

fund = pd.read_excel('./fund_clean.xlsx')

# 基金規模字串轉變為浮點數
fund['基金規模'] = fund['基金規模'].str[: -2].astype('float')
# 基金收益字串轉變為浮點數
def convert(x):
    x = x[: -1]
    x = float(x)
    return x
fund['基金收益'] = fund['基金收益'].apply(convert)

# 修改列名
fund.columns = ['姓名', '公司', '基金數量', '年', '天', '基金規模（億元）', '基金收益（%）']

# 資料保存
fund.to_excel('./fund_end.xlsx', index = False)
fund.head(10)

在這里插入圖片描述

4.2 資料挖掘與可視化

根據基金總規模，進行排序，水平條形圖展示前十大公司
根據收益率，對所有資料進行降序排名，繪制前十佳基金經理，并將金額和收益率繪制到圖片中，

十大基金公司：

%%time
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize = (12, 9))
sns.set_theme(style = 'darkgrid', context = 'talk', font = 'KaiTi')

fund = pd.read_excel('./fund_end.xlsx')

# 分組聚合
com = fund.groupby(by = '公司')[['基金規模（億元）']].sum()

# 排序
com.sort_values(by = '基金規模（億元）', 
                ascending = False,  # 降序排序
                inplace = True)     # 直接對原資料進行替換

# 行索引重置：變成自然數索引
com.reset_index(inplace = True)

# 畫條形圖
sns.barplot(x = '基金規模（億元）', y = '公司',  # x軸和y軸
            data = com.iloc[: 10],    # 切片出來前十個
            orient = 'h')  # 水平條形圖

在這里插入圖片描述
收益十佳基金經理：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize = (12, 9))
sns.set_theme(style = 'darkgrid', context = 'talk', font = 'STKaiti')
fund = pd.read_excel('./fund_end.xlsx')

# 降序排序并直接替換原資料
fund.sort_values(by = '基金收益（%）', ascending = False, inplace = True)

sns.barplot(x = '基金收益（%）', y = '姓名',  
            data = fund.iloc[:10], orient = 'h',
            palette = 'Set1')  # 畫板、顏色
for i in range(10):
    rate = fund.iloc[i]['基金收益（%）']
    pe = fund.iloc[i]['基金規模（億元）']
    # 繪制基金規模
    plt.text(x = rate / 2, y = i, s = str(pe) + '億元', ha = 'center', va = 'center')
    # 繪制基金收益
    plt.text(x = rate + 50, y = i, s = str(rate) + '%', va = 'center')

_ = plt.xlim(0, 2500) # 橫坐標范圍
_ = plt.xticks(np.arange(0, 2500, 200)) # 橫坐標刻度

在這里插入圖片描述

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/421406.html

標籤：AI

上一篇：聲紋識別demo環境的搭建

下一篇：Matplotlib資料可視化進階

Matplotlib資料可視化從入門到進階

目錄

一、資料可視化入門

1.基礎知識

1.1 圖形繪制

1.2 標題、標簽、坐標軸刻度

1.2.1 標題的設定

1.2.2 標簽的設定

1.2.3 坐標軸刻度的設定

1.3 圖例

1.4 脊柱移動

1.5 圖片保存

2.風格和樣式

2.1 顏色、線形、點形、線寬、透明度

2.2 更多屬性設定

3.訓練場

3.1 繪制如下圖形

3.2 根據提供資料，進行分組聚合運算，繪制如下圖形

二、資料可視化高級

1.多圖布局

1.1 子視圖

1.2 嵌套

1.3 多圖布局分格顯示

1.3.1 均勻布局

1.3.2 不均勻分布

1.4 雙軸顯示

2.文本、注釋、箭頭

2.1 文本

2.2 箭頭

2.3 注釋

2.4 注釋箭頭連接形狀

3.訓練場

3.1 繪制如下子圖

三、資料可視化進階

1.常用視圖

1.1 折線圖

1.2 柱狀圖

1.2.1 堆疊柱狀圖

1.2.2 分組帶標簽柱狀圖

1.3 極坐標圖

1.3.1 線性極坐標

1.3.2 條形極坐標

1.4 直方圖

1.5 箱形圖

1.6 散點圖

1.7 餅圖

1.7.1 一般餅圖

1.7.2 甜甜圈

1.8 熱力圖

1.9 面積圖

1.10 蜘蛛圖

2.3D圖形

2.1 三維折線圖

2.2 三維散點圖

2.3 三維柱狀圖

3.Seaborn

1.安裝

2.快速上手

2.1 模式設定

2.2 線形圖

3.各種圖形繪制

3.1 調色板

3.2 線形圖

3.3 散點圖

3.4 柱狀圖

3.5 箱式圖

3.6 直方圖

3.7 分類散點圖

3.8 熱力圖

4.訓練場

4.1 資料處理

4.2 資料挖掘與可視化