基于Python的数据可视化 matplotlib seaborn pandas
xabenohjoxo998
8年前
<p>原文采用了kaggle上iris花的数据,数据来源从上面的网址上找噢</p> <p>如果没有seaborn库 安装方法如下</p> <p>http://www.ithao123.cn/content-10393533.html</p> <p>正式开始了~~~</p> <pre> <code class="language-python"># 首先载入pandas importpandasas pd # 我们将载入seaborn,但是因为载入时会有警告出现,因此先载入warnings,忽略警告 importwarnings warnings.filterwarnings("ignore") importseabornas sns importmatplotlib.pyplotas plt sns.set(style="white", color_codes=True) # 载入数据 iris = pd.read_csv("../input/Iris.csv") # 数据现在为 DataFrame格式 # 用head函数看一下数据结构啥样 iris.head() </code></pre> <p>数据结构就这样:</p> <table> <thead> <tr> <th> </th> <th>Id</th> <th>SepalLengthCm</th> <th>SepalWidthCm</th> <th>PetalLengthCm</th> <th>PetalWidthCm</th> <th>Species</th> </tr> </thead> <tbody> <tr> <th>0</th> <td>1</td> <td>5.1</td> <td>3.5</td> <td>1.4</td> <td>0.2</td> <td>Iris-setosa</td> </tr> <tr> <th>1</th> <td>2</td> <td>4.9</td> <td>3.0</td> <td>1.4</td> <td>0.2</td> <td>Iris-setosa</td> </tr> <tr> <th>2</th> <td>3</td> <td>4.7</td> <td>3.2</td> <td>1.3</td> <td>0.2</td> <td>Iris-setosa</td> </tr> <tr> <th>3</th> <td>4</td> <td>4.6</td> <td>3.1</td> <td>1.5</td> <td>0.2</td> <td>Iris-setosa</td> </tr> <tr> <th>4</th> <td>5</td> <td>5.0</td> <td>3.6</td> <td>1.4</td> <td>0.2</td> <td>Iris-setosa</td> </tr> </tbody> </table> <pre> <code class="language-python"># 让我们用counts功能看下一共有多少种花 iris["Species"].value_counts() </code></pre> <p>结果是:</p> <pre> <code class="language-python">Iris-setosa 50 Iris-virginica 50 Iris-versicolor 50 Name: Species, dtype: int64 </code></pre> <p>1.</p> <pre> <code class="language-python"># 使用 .plot 做散点图 iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#数据为萼片的长和宽 结果如下 </code></pre> <p style="text-align: center;"><img src="https://simg.open-open.com/show/83729513586cf96390fd03d23e1a24e8.png"></p> <p>2.</p> <pre> <code class="language-python"># 开始使用seaborn了它能同时显示直方图噢 sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5) </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/707b6ed306a185fea00c399815de7e35.png"></p> <p>3神奇的还在下面:</p> <pre> <code class="language-python"># 我们还可以用seaborn's FacetGrid 标记不同的种类噢 sns.FacetGrid(iris, hue="Species", size=5) #hue英文是色彩的意思 .map(plt.scatter, "SepalLengthCm", "SepalWidthCm") #注意这里的plt哦 .add_legend() </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/5e82bf6abf75715c428fb40282d616c5.png"></p> <p>4箱线图!</p> <pre> <code class="language-python"># Seaborn中的boxplot,可以画箱线图,可以看出不同种类的分布情况 sns.boxplot(x="Species", y="PetalLengthCm", data=iris) </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/cb28760b14893d1a759b3e6a0ebc827c.png"></p> <p>5、</p> <pre> <code class="language-python"># 利用striplot可以锦上添花,加上散点图 # # 使振动值jitter=True 使各个散点分开,要不然会是一条直线 # # 注意这里将坐标图用ax来保存了哦,这样第二次才会在原来的基础上加点 ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris) ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray") </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/33e162920d7d4136f50f1a28c353ebdb.png"></p> <p>6、小提琴图</p> <pre> <code class="language-python"># 这图可以变现出密度的分布 sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6) </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/d3328181b94b63c30b62030963d15fe5.png"></p> <p>7、kdeplot</p> <pre> <code class="language-python"># 通过这个曲线图可以看出不同特征值时的分布密度 sns.FacetGrid(iris, hue="Species", size=6) .map(sns.kdeplot, "PetalLengthCm") .add_legend() </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/b4ad6a869768c7bd5096a86166a728ae.png"></p> <p>8.大招来了</p> <pre> <code class="language-python"># pairplot显示不同特征之间的关系 sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3) </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/0b1a0b93b2a321eab5e189d4721d58d2.png"></p> <p>9、中间对角线的图形也可以用kde显示哦</p> <pre> <code class="language-python"># 修改参数dige_kind sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde") </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/14f2eeeb280b69479fb20b9e65aebb9d.png"></p> <p>10.现在是pandas表现的时间了</p> <pre> <code class="language-python"># 用Pandas 快速做出每个特征在不同种类下的箱线图 iris.drop("Id", axis=1).boxplot(by="Species", figsize=(12, 6)) </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/192496e7def44a95e6fc47224d658d5e.png"></p> <p>11.调和曲线图 Andrew Curves</p> <p>首先啥是Andrew curves呢 看维基百科</p> <p>https://en.wikipedia.org/wiki/Andrews_plot</p> <p>他是将高维的点 化为二维的曲线,曲线是一条傅里叶函数的样子,参数项为不同的特征值,臆想出来了自变量t,这样每个点都是一条曲线</p> <pre> <code class="language-python"># 画图的函数在下面,我们会发现相同种类的线总是缠绵在一起,可以和聚类混在一起噢,事实上他们与欧氏距离是有关系的 frompandas.tools.plottingimportandrews_curves andrews_curves(iris.drop("Id", axis=1), "Species") </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/81f33711ce40c5f1b801bda7f6d5814c.png"></p> <p>12轮廓图</p> <p>https://en.wikipedia.org/wiki/Parallel_coordinates</p> <pre> <code class="language-python"># 轮廓图也是看高维数据的一种方法,将不同的特征放在横坐标,然后将各点的特征值放在纵坐标就可以了 frompandas.tools.plottingimportparallel_coordinates parallel_coordinates(iris.drop("Id", axis=1), "Species") </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/210925c81f14b151d923e44d002a284f.png"></p> <p>13 radviz</p> <p>http://www.doc88.com/p-912968623585.html</p> <pre> <code class="language-python"># 这也是一种将高维点表现在二维平面的方法,具体作图方法应该在上面的网址上应该有 frompandas.tools.plottingimportradviz radviz(iris.drop("Id", axis=1), "Species") </code></pre> <p style="text-align:center"><img src="https://simg.open-open.com/show/2bf41f0029601868d58eff314c26a67d.png"></p> <p>暂时就是这些,希望会对大家有帮助</p> <p> </p> <p> </p> <p> </p>