python画统计图怎么在右上角表示哪条线代表什么_Python-Matplotlib、Seaborn、Plotly

Catalog：Click to jump to the corresponding position

=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=

一、绘图参数详解

plt.plot(x,y,ls=,lw=,c=,marker=,markersize=,markeredgecolor=,markerfacecolor, label=)

x:x轴上的数值

y: y轴上的数值

ls:折线的风格

lw:线条宽度

c:颜色

marker:线条上点的形状

markersize:线条上点的形状的大小

markeredgecolor:点的边框色

markerfacecolor:点的填充色

label:图例的标签

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')

plt.show()

绘图的其他参数：

设置画布的代码参数 plt.figure(figsize=,dpi=,facecolor=) figsize表示画布的长宽，dpi表示分辨率，facecolor表示画布边框的颜色，画布的设置一定要在画图之前

图片的标题 plt.title(string,color=,size=,loc=)

X轴的标签 plt.xlabel()

Y轴的标签 plt.ylabel()

确定X轴范围 plt.xlim()

确定Y轴范围 plt.ylim()

确定X轴的标签刻度 plt.xticks()

确定Y轴的标签刻度 plt.yticks()

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')

展示图例：loc参数表示图例的位置(upper、lower、left、right、center)，fontsize表示字体大小，frameon表示是否有边框

plt.legend(loc='best',fontsize=10,frameon=True) #图例就是plt.plot代码里label定义的内容

保存图片 plt.savefig(r'F:\data\case_picture.png') #一定要在show代码前

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题

plt.rcParams['axes.unicode_minus']=False #解决某些标点符号显示问题

x = np.linspace(0,20,10)

y=np.sin(x)

plt.figure(figsize=(5,3),dpi=150,facecolor='white')

plt.title('This is a case')

plt.xlabel('X轴的标签')

plt.ylabel('Y轴的标签')

plt.xlim([0,22])#确定X轴范围

plt.ylim([-1.2,1.2])#确定Y轴范围

plt.xticks([i*2 for i in range(0,11)])#确定X轴的标签刻度

plt.yticks([-1,-0.75,-0.5,-0.25,-0.00,0.25,0.5,0.75,1.00]) #确定Y轴的标签刻度

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')

plt.legend(loc='best') #展示图例，loc参数表示图例的位置

plt.savefig(r'F:\data\case_picture.png')

plt.show()

线条风格："-"、"--"、"-."、":"

填充形状："."、","、"o"、"v"、"^"、"<"、">"、"1"、"2"、"3"、"4"、"s"、"p"、"*"、"h"、"H"、"+"、"x"、"D"、"d"、"|"、"_"

二、折线图

折线图是将数据点按照顺序连接起来的图形，可以认为主要作用是查看y随着x改变的趋势,非常适合时间序列分析

importpandas as pdimportmatplotlib.pyplot as plt

data= pd.read_excel(r'F:\data\国民经济核算季度数据.xlsx')

data.head(3)

输出结果：

plt.rcParams['font.sans-serif']=['SimHei']

plt.figure(dpi=90)

plt.plot(data.iloc[:,0], data.iloc[:,3],'bs--',

data.iloc[:,0],data.iloc[:,4],'gh--',

data.iloc[:,0],data.iloc[:,5],'ro--')

plt.xlabel('年份',fontsize=10)

plt.ylabel('生产总值',fontsize=10)

plt.xticks(range(0,70,4), data.iloc[range(0,70,4),1], rotation=45,fontsize=10)

plt.legend(['第一产业’,’第二产业','第三产业'])

plt.show()

输出结果：

三、饼图

饼图用于实现可视化离散型变量的分布的一种图形

plt.pie(x,explode,labels,colors,autopct=,pctdistance,shadow,startangle,radius,wedgeprops,textprops,center)

--explode:突出显示

--labels:标签

--colors:颜色

--autopct:百分比

--pctdistance:百分比标签与圆心距离

--shadow:是否添加饼图阴影效果

--labeldistance:设置各扇形标签与圆心距离

--startangle:设置饼图的初始摆放角度

--radius:设置饼图半径大小

--wedgeprops:设置饼图内外边界的属性

--textprops:设置饼图中文本属性

--center:设置中心位置

--counterclock:是否逆时针呈现

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题

plt.rcParams['axes.unicode_minus']=False #解决某些标点符号显示问题

data = [10,20,40,15,35]

area_name= ['橘子','苹果','香蕉','猕猴桃','雪梨']

plt.figure(dpi=90)

plt.pie(x=data,explode=[0,0.1,0,0,0.1],labels=area_name,colors=['red','green','blue','yellow','purple'],autopct='%.1f%%',\

pctdistance=0.6,labeldistance=1.1,radius=1.5,counterclock=False,\

wedgeprops={'linewidth':1.5,'edgecolor':'black'},\

textprops={'fontsize':15,'color':'black'},startangle=90)

plt.title('水果销量占比图',pad=30,size=20)

plt.axis('equal')

plt.show()

注意：plt.axis('equal') 用于将饼图显示为正圆

四、条形图

plt.bar(x, height,width,bottom,color,linewidth,tick_label,align)

x:指定x轴上数值

height:指定y轴上数值

width:指定条形图宽度

color:条形图的填充色

edgecolor:条形图的边框色

linewidth:条形图边框宽度

tick_label:条形图的刻度标签

align:指定x轴上对齐方式

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题

plt.rcParams['axes.unicode_minus']=False #解决某些标点符号显示问题

data = [10,20,40,15,35]

area_name= ['橘子','苹果','香蕉','猕猴桃','雪梨']

plt.figure(dpi=90)

plt.bar(x=area_name,height=data,color='blue',edgecolor='black',linewidth=2,align='center')

plt.xlabel('水果种类',labelpad=20)

plt.ylabel('水果数量',labelpad=10)

plt.title('各水果销售数量',pad=30)

plt.show()

五、直方图

对于连续型变量，往往需要查看其分布图，直方图就是用来观察数据的分布形态

直方图,一般用来观察数据的分布形态，横坐标代表数值的分段,纵坐标代表了观测数量和频数，

直方图有时候会和核密度图搭配使用，主要是为了更加详细的展示数据的分布特征

plt.hist(x,bins,range,normed,cumulative,bottom,align,rwidth,color,edgecolor,label)

x:数据

bin:条形个数

range:上下界

normed:是否将频数转换成频率

cumulative:是否计算累计频率

bottom:为直方图的每个条形添加基准线,默认为0

align:对齐方式

rwidth:条形的宽度

color:填充色

edgecolor:设置直方图边框色

label:设置直方图标签

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data= [1,1,2,2,2,3,4,4,5,6,6,6,6]

plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题

plt.rcParams['axes.unicode_minus']=False #解决某些标点符号显示问题

plt.figure(dpi=90)

plt.hist(x=data,bins=15,align='left',color='blue',edgecolor='black')

plt.show()

直方图与核密度图、正态分布曲线的搭配使用：

importnumpy as npimportpandas as pdimportmatplotlib. pyplot as plt

data=pd.read_csv(r'F:\data\titanic_train.csv',sep=',')

data.dropna(subset=['Age'],inplace=True)

data.head ()

输出结果：

importnumpy as npimportpandas as pdimportmatplotlib. pyplot as plt

data=pd.read_csv(r'F:\data\titanic_train.csv',sep=',')

data.dropna(subset=['Age'],inplace=True)def normfun(x, mu,sigma): #正态分布函数

pdf=np.exp(-((x-mu)**2)/(2*sigma*2))/(sigma*np.sqrt(2*np.pi))returnpdf

mean_x=data.Age.mean()

std_x=data.Age.std()

x= np.arange(data.Age.min(),data.Age.max(),1)

y=normfun(x,mean_x,std_x)

plt.rcParams['font.sans-serif']=['SimHei']

plt.hist(x=data.Age,bins=20,color='orange',edgecolor='black', density=True,label='直方图')

plt.plot(x,y,color='green',linewidth=3,label='正态分布图')

data.Age.plot(kind='kde',color='red',xlim=[0,90],label='核密度图')

plt.xlabel('年龄',fontsize=10,labelpad=10)

plt.ylabel('频率',fontsize=10,labelpad=10)

plt.title('年龄分布直方图')

plt.legend(loc='best')

plt.show()

输出结果：

六、散点图

散点图一般用来展示2个连续型变量的关系，可以通过散点图来判断两个变量之间是否存在某种关系，

例如线性还是非线性关系

plt.scatter(x,y,s,c,marker,cmap,norm,alpha,linewidths,edgecolor)

x:x数据

y:y轴数据

s:散点大小

c:散点颜色

marker:散点图形状

cmap:指定某个colormap值,该参数一般不用，用默认值

alpha:散点的透明度

linewidths:散点边界线的宽度

edgecolor:设置散点边界线的颜色

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data= pd.read_excel(r'F:\data\散点图.xlsx')

x_data=data['电话次数']

y_data=data['销售额']

plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题

plt.rcParams['axes.unicode_minus']=False #解决某些标点符号显示问题

plt.figure(dpi=90)

plt.scatter(x=x_data,y=y_data,s=80,c='blue',marker='o',linewidths=1,edgecolor='black')

plt.xlabel('电话次数',labelpad=10,size=10)

plt.ylabel('销售额',labelpad=10,size=10)

plt.title('电话次数与销售额关系',pad=20,size=20)

plt.show()

不同种类下的散点图：

importpandas as pdimportmatplotlib.pyplot as pltimportos

os.chdir('C: \datal第四章')

data= pd.read_csv('iris.csv')

data.head()

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportos

os.chdir('C: \datal第四章')

data= pd.read_csv('iris.csv')

data.head()

plt.rcParams['font.sans-serif']=['SimHei']

kind=['setosa','versicolor','virginica']

color_kind=['red','blue','green']

marker_kind=['o','x','v']

plt.figure(dpi=100)for i in range(0, 3):

plt.scatter(x=data['Petal_Width'][data['Species']==kind[i]],\

y=data['Petal_Length'][data['Species']==kind[i]],\

color=color_kind[i],marker=marker_kind[i],\

label=kind[i])

plt.legend(loc='best')

plt.xlabel('花瓣长度',fontsize=10)

plt.ylabel('花瓣宽度',fontsize=10)

plt.show ()

七、堆积条形图

数据源：

将数据源使用透视图进行数据整理：

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data=pd.read_excel(r'F:\data\各产业季度产值.xlsx')

data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)

data

创建各产业对应的四季度条形图：

#需要画出三张图，第一产业四季度的条形图、第二产业四季度的条形图、第三产业四季度的条形图，然后将三张图堆叠起来

plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

使用bottom参数进行三张图的堆叠(使用bottom参数)：

plt.figure(dpi=85)

plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业']) #这里的bottom可以表示第二幅图是画在第一幅图上面的，即把第一幅图用于画图的数据踩下去

plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业']+data['第二产业'])#这里的bottom可以表示第三幅图是画在第一幅图和第二幅图上面的，即把第一幅图用于画图的数据和第二幅图用于画图的数据踩下去

plt.legend(bbox_to_anchor=(1.01,0.90),fontsize=10,frameon=True)

plt.xlabel('季度',size=10,labelpad=10)

plt.ylabel('产值(亿)',size=10,labelpad=10)

plt.title('各季度各产业产值堆积条形图',size=20,pad=10)

plt.show()

八、箱线图

箱线图是由一个箱体和一对箱须组成的统计图形。箱体是由第一四分位数,中位数和第三四分位数所组成的。

在箱须的末端之外的数值可以理解成离群值，箱线图可以对一组数据范围大致进行直观的描述

plt.boxplot(x,notch,sym,vert,whis,positions,widths,patch_artist,meanline,showmeans,boxprops,labels,flierprops)

x:数据

width:宽度

patch_artist:是否填充箱体颜色

meanline:是否显示均值

showmeans:是否显示均值

showfliers:是否表示有异常值

Meanprops:设置均值属性，如点的大小，颜色等

medianprops:设置中位数的属性，如线的类型，大小等

boxprops:设置箱体的属性，边框色和填充色

flierprops:设置异常值的属性

cappops:设置箱线顶端和末端线条的属性，如颜色，粗细等

importnumpy as npimportpandas as pdimportmatplotlib. pyplot as plt

data= pd.read_excel(r'F:\data\sec_buildings.xlsx')

plt.figure(figsize=(7,4),dpi=90)

plt.boxplot(x=data['price_unit'],patch_artist=True,showmeans=True,showfliers=True,\

boxprops={'color':'black','facecolor':'steelblue'},\

flierprops={'markerfacecolor':'red','markersize':10},\

meanprops={'marker':'D','markerfacecolor':'indianred','markersize':10},\

medianprops={'linestyle':'--','color':'red'})

plt.title('二手房价格箱线图')

plt.show()

输出结果：

九、图形的完整设置

9.1图例

图例参数：

loc参数表示图例的位置(upper、lower、left、right、center)，

fontsize表示字体大小

frameon表示是否有边框、

ncol表示图例的排列列数

title表示标题

shadow:shadow线框是否添加阴影

fancybox:线框的圆角还是直角

#图例就是画图代码里label定义的内容

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data=pd.read_excel(r'F:\data\各产业季度产值.xlsx')

plt.rcParams['font.sans-serif']=['SimHei']

data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)

plt.figure(dpi=90)

plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业'])

plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业']+data['第二产业'])

plt.legend(title='各产业对应图',ncol=3,loc=2,fancybox=True,fontsize=10,frameon=True)

plt.xlabel('季度',size=10,labelpad=10)

plt.ylabel('产值(亿)',size=10,labelpad=10)

plt.title('各季度各产业产值堆积条形图',size=20,pad=10)

plt.show()

loc对应数字的含义：

图例在图片外显示：

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')

plt.legend(bbox_to_anchor=(1.01,0.90),fontsize=10,frameon=True)

plt.show()

bbox_to_anchor=(1.01,0.90)所表示的含义为先将图片大小的长宽都看为1，然后将图例放在长为1.01,高为0.9的位置，因为1.01超过了1.0，所以图例显示在了外面

9.2图像大小

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

fig= plt.gcf()

fig.set_size_inches(8,4)

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')

plt.show()

9.3绘制网格线

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

plt.grid(ls='--',c='grey') #绘制网格线，线形为--，颜色为灰色

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')

plt.show()

9.4绘制参考线

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

plt.plot(x,y,c='black',lw=3,ls='--')

plt.axhline(y=0.25,c='red',ls='--',lw=1) #绘制平行于X轴的参考线

plt.axvline(x=10,c='red',ls='--',lw=1) #绘制平行于Y轴的参考线#如果x轴为某个列表里汉字的话，则使用索引进行定位

plt.show()

9.5绘制参考区域

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

plt.plot(x,y,c='black',lw=3,ls='--')

plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3) #绘制平行于Y轴的参考区域，从10开始，到15结束，颜色为红色，透明度为0.3

plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3) #绘制平行于X轴的参考区域，从0开始，到0.5结束，颜色为蓝色，透明度为0.3

plt.show()

9.6画布的使用

fig=plt.figure()#创建画布

ax =fig.add_axes([a,b,c,d])

该参数是一个4元素列表，第一个元素代表距离最左边的距离，第二个元素代表距离最下面的距离，可以理解为画布左下角的起点坐标，第三个元素和第四个代表画布的长度和和宽度

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data=pd.read_excel(r'F:\data\各产业季度产值.xlsx')

plt.rcParams['font.sans-serif']=['SimHei']

data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)

fig=plt.figure()#创建画布

ax =fig.add_axes([0.2,0.15,1.6,1.2])

plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业'])

plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],\

bottom=data['第一产业']+data['第二产业'])

plt.legend(title='各产业对应图',ncol=3,loc=2,fancybox=True,fontsize=10,frameon=True)

plt.xlabel('季度',size=10,labelpad=10)

plt.ylabel('产值(亿)',size=10,labelpad=10)

plt.title('各季度各产业产值堆积条形图',size=20,pad=10)

plt.show()

9.7调整刻度轴

暂无，看书补充，云开见明讲了个锤子

9.8图形添加文本内容

一个是添加图形内容细节的指向型注释文本，另外一个是添加图形细节的无指向型注释文本

无指向型注释文本：

plt.text(x,y,string,weight,color,fontsize)

x,y表示添加文本内容的坐标，string表示添加文本的内容，weight表示字体粗细风格，color表示颜色，fontsize表示字体大小

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

fig=plt.gcf()

fig.set_size_inches(8,4) #调整图像的大小

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')

plt.text(6.5,0.75,'这是添加的文本内容',fontsize=15,color='blue',weight='bold')

plt.show()

指向型注释文本：

plt.annotate(string,xy=(),xytext=(),weight=,color=,arrowprops=dict(arrowstyle= '->’,connection=‘acr3’,color=))

string:图形内容的注释文本

xy:被注释图形内容的位置坐标

xytext:注释文本的位置坐标

weight:注释文本的字体粗细风格

arrowprop:指示被注释内容的箭头的属性字典，arrowstyle=表示箭头的形状，使用此参数时只修改color、arrowstyle参数即可，其他参数使用默认就ok

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

x= np.linspace(0,20,10)

y=np.sin(x)

fig=plt.gcf()

fig.set_size_inches(8,4) #调整图像的大小

plt.rcParams['font.sans-serif']=['SimHei']

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')

plt.annotate('最大值点',xy=(19.5,0.90),xytext=(2.9,0.5),color='blue',fontsize=15,arrowprops=dict(arrowstyle='<->',color='blue',))

plt.show()

可以使用 plt.annotate? 查看参数的可选范围等信息

十、绘制双坐标轴

在数据分析中，很多时候，由于变量之间量纲级不一样，如果绘制在同一个坐标轴上，量纲级较小的变量就很难看出变化趋势，所以需要绘制双坐标轴，来显示两个变量的趋势

importpandas as pdimportmatplotlib.pyplot as plt

data= pd.read_excel('F:\data\Region.xlsx')

plt.rcParams['font.sans-serif']=['SimHei']

fig=plt.figure()

axis_1= fig.add_subplot(111)

axis_1.plot(data.index,data.Sales,label='销量',color='blue')

axis_1.set_ylabel('不同地区销量情况')

plt.legend(loc='upper left')

axis_2=axis_1.twinx()

axis_2.plot(data.index,data.Trans_Cost,color='red',label='成本')

plt.legend(loc='upper center')

plt.show()

十一、多个图形合并

subplot2grid函数可以让子区跨越固定的网格布局的多个行和列，实现不同的子区布局

plt.subplot2grid(shape,loc,colspan,rowspan)

参数：

shape:网格布局（几行几列的布局）

loc:表示图形的位置起点（从0开始）

colspan:跨越的列数

rowspan:跨越的行数

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']

plt.figure(figsize=(16,9))#画第一幅图，从(0,0)开始，占一行两列

plt.subplot2grid((2,3),(0,0),colspan=2,rowspan=1)

x= np.linspace(0,40,10)

y=np.sin(x)

plt.plot(x,y,c='black',lw=3,ls='--')

plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3)

plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3)#画第二幅图，从(0,2)开始，占两行一列

plt.subplot2grid((2,3),(0,2),colspan=1,rowspan=2)

x= np.linspace(0,20,10)

y=np.sin(x)

plt.plot(x,y,c='black',lw=3,ls='--')

plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3)

plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3)#画第三幅图，从(1,0)开始，占一行两列

plt.subplot2grid((2,3),(1,0),colspan=2,rowspan=1)

x= np.linspace(0,20,10)

y=np.sin(x)

plt.grid(ls='--',c='grey')

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')

plt.show()

十二、Seaborn

Seaborn是在matplotlib发展的，使得作图更加容易，也容易绘制更加精致的图形，并且兼容pandas和numpy等数据结构

import seaborn as sns #导入seaborn库

使用seaborn绘制图形，有三种方式，分别如下:

--plt.style.use( ‘seaborn’)

--sns.set()

--调用seaborn函数

但对于简单的制图，使用前两种都可以，但对于复杂图形，可能会使用第三种方式

plt.style.use( ‘seaborn’):

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

plt.style.use('seaborn')

plt.rcParams['font.sans-serif']=['SimHei'] #需要加在plt.style.use('seaborn')之后

plt.rcParams['axes.unicode_minus']=False

data= pd.read_excel(r'F:\data\GDP.xlsx')

plt.figure(figsize=(4,3),dpi=100)

plt.bar(x=data.city.index.values,height=data.gdp,color='blue',tick_label=data.city)

plt.ylabel('GDP万亿')

plt.show()

sns.set():

style:为绘图风格，一共五种风格

context:控制绘图元素的规模

Palette:调色板

Font:这个参数—般不管，不用调整

font_scale:字体大小

color_codes:—般用默认值

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

sns.set(style='darkgrid',context='notebook',font_scale=1.2)

data= pd.read_excel(r'F:\data\GDP.xlsx')

plt.figure(figsize=(4,3),dpi=100)

plt.bar(x=data.city.index.values,height=data.gdp,color='blue',tick_label=data.city)

plt.ylabel('GDP万亿')

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

plt.show()

调用seaborn函数:

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

data= pd.read_excel(r'F:\data\GDP.xlsx')

plt.figure(figsize=(4,3),dpi=100)

sns.barplot(x='city',y='gdp',data=data,color='red',orient='v')#orient='h'表示横向条形图，只不过x和y的数据要调换下顺序

plt.show()

给柱状图上加上数据值标签：

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

data= pd.read_excel(r'F:\data\GDP.xlsx')

plt.figure(figsize=(4,3),dpi=100)

sns.barplot(x='city',y='gdp',data=data,color='red',orient='v')for x,y in enumerate(data.gdp):

plt.text(x,y+0.1,"%s万亿"%round(y,1),ha='center',fontsize=10)

plt.show()

十三、使用seaborn函数绘制统计图形

13.1绘制柱状图

sns.barplot(x='Quarter',y='GDP',hue='industr_Type',data=data,color='blue',palette='husl',orient='v')

x,y:不同坐标上的值

hue:分类变量

data:数据

color:颜色

palette:调色板

orient:方向(vertical:垂直,horizontal:水平〕

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

data= pd.read_excel(r'F:\data\各产业季度产值.xlsx')

plt.figure(figsize=(8,5),dpi=100)

sns.barplot(x='Quarter',y='GDP',hue='industr_Type',data=data,color='blue',palette='husl',orient='v')

plt.ylabel('GDP')

plt.legend(bbox_to_anchor=(1.01,0.85),frameon=True)

plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

13.2绘制散点图

绘制柱状图语法如下:

sns.scatterplot(x,y,hue,data,color,palette,style,s,markers

x,y:不同坐标上的值

hue:分类变量

data:数据

color:颜色

palette:调色板

style:以分类变量作图时产生不同的形状

s:形状人小

markers:形状

importpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

plt.figure(figsize=(7,5),dpi=120)

iris= pd.read_csv(r'F:\data\iris.csv')

sns.scatterplot(x='Petal_Width',y='Petal_Length',data=iris,hue='Species',color='red',s=20,style='Species')

plt.xlabel('花瓣宽度')

plt.ylabel('花瓣长度')

plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

对比plt模块下的分类散点图代码，相比之下简单许多

plt模块下的分类散点图代码：

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as plt

data= pd.read_csv(r'F:\data\iris.csv')

plt.figure(figsize=(7,5),dpi=120)

plt.rcParams['font.sans-serif']=['SimHei']

kind=['setosa','versicolor','virginica']

color_kind=['red','blue','green']

marker_kind=['o','x','v']

plt.figure(dpi=100)for i in range(0, 3):

plt.scatter(x=data['Petal_Width'][data['Species']==kind[i]],\

y=data['Petal_Length'][data['Species']==kind[i]],\

color=color_kind[i],marker=marker_kind[i],\

label=kind[i])

plt.legend(loc='best')

plt.xlabel('花瓣长度',fontsize=10)

plt.ylabel('花瓣宽度',fontsize=10)

plt.show ()

13.3绘制箱线图

sns.boxplot(x,y,hue,data,order，width,fliersize,linewidth,color,palette)

x,y不同坐标上的值

hue:分类变量

data:数据

width:箱线宽度

fliersize:异常值点的人小

color:颜色

palette:调色板

linewidth:指定箱体边框的宽度

(这里的参数和plt模块下的参数一模一样，只不过调用函数名不同而已，详情请点击这里)

创建分类的箱线图时，需要加上order=datd.index代码语句

13.4绘制直方图

importpandas as pdimportmatplotlib.pyplot as pltimportseaborn as snsfrom scipy.stats importnorm

plt.figure(figsize=(7,5),dpi=120)

Titanic= pd.read_csv(r'F:\data\titanic_train.csv')

Titanic.dropna(subset=['Age'],inplace =True)

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

Age_Male= Titanic[Titanic.Sex =='male']['Age']

Age_Female= Titanic[Titanic.Sex =='female']['Age']

sns.distplot(Age_Male,bins=30,kde=False,hist_kws={'color':'steelblue'},norm_hist=True,label='男性')

sns.distplot(Age_Male,hist=False,kde=False,fit=norm,fit_kws={'color':'yellow'},norm_hist=True,label='男性正态分布图')

sns.distplot(Age_Female,bins=30,kde=False,hist_kws={'color':'steelblue'},norm_hist=True,label='女性')

sns.distplot(Age_Female,hist=False,kde=False,fit=norm,fit_kws={'color':'blue'},norm_hist=True,label='女性正态分布图')

plt.legend(loc='best')

plt.show()

bins=30表示绘制30个柱状格

kde=Fasle表示不绘制核密度图

hist_kws=表示控制直方属性的参数

norm_hist=True表示以频率形式展示

hist=False表示不绘制直方图的柱状形态

云开见明很多都没讲，需要自己查书来了解各个参数的含义

13.5折线图

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as snsimportos

os.chdir('C:\data\第四章')

data= pd.read_csv('财政收入data.csv')

data['year']=range(1994,2014,1)

sns.set(style='ticks') #设置风格为tickes

plt.rcParams['font.sans-serif']=['SimHei']

sns.lineplot(x='year',y='y',data=data,lw=2,color='blue') #绘制折线图

plt.xticks(range(1994,2014,1),range(1994,2014,1),rotation=45) #rotation表示旋转角度

plt.show()

13.6回归图

回归图本质就是将两个变量之间的线性关系展示出来

importnumpy as npimportpandas as pdimportmatplotlib.pyplot as pltimportseaborn as sns

data=pd.read_excel('F:\data\散点图.xlsx')

plt.figure(dpi=100)

sns.lmplot(x='电话次数',y='销售额',data=data,legend_out=False,markers='o',fit_reg=True,\

aspect=2,height=5,scatter_kws={'s':20,'facecolor':'red'})

plt.savefig('F:\data\散点图.png')

plt.show()

fit_reg=True表示是否将数据进行拟合

aspect=2表示长度为2

height=5表示高度为5

scatter_kws=表示散点图的属性设置

13.7countplot

主要用于绘制数据中，每个类别出现的数量，只能计数

源数据截图如下：

比如想绘制不同的Region下的订单量的柱状图：

importpandas as pdimportseaborn as snsimportmatplotlib.pyplot as plt

plt.figure(dpi=100)

data=pd.read_excel('C: \datal第四章\Prod_Trade.xlsx')

sns.countplot(x='Region',data=data)

plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

分类变量的设置:

例如绘制各个Region下每种出行方式订单量的柱状图：

importpandas as pdimportseaborn as snsimportmatplotlib.pyplot as plt

plt.figure(dpi=100)

data=pd.read_excel('C: \datal第四章\Prod_Trade.xlsx')

sns.countplot(x='Region',data=data,hue='Transport')

plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

十四、绘图风格

sns.set(style,context,palette)

style:主题样式:darkgrid(灰白背景+网格)、 whitegrid(白白背景+灰网格)、 dark 、white、 ticks(带坐标轴刻度)

context:可以理解为设置输出图片元素的大小尺寸paper、notebook, talk、and poster (元素缩放)

palette:调色板deep、muted、pastel、bright、dark、colorblind，palette一般可以用默认值

font_scale：表示坐标轴的缩放(一般1.2左右)

importpandas as pdimportseaborn as snsimportmatplotlib.pyplot as plt

plt.figure(dpi=100)

sns.set(style='darkgrid',context='notebook',font_scale=1.2,palette='bright')

data=pd.read_excel('C:\datal第四章\Prod_Trade.xlsx')

sns.countplot(x='Region',data=data,hue='Transport')

plt.rcParams['font.sans-serif']=['SimHei']

plt.show()

十五、plotly模块

plotly是一个基于JavaScript的绘图库,plotly绘图种类丰富,效果美观，易于保存与分享plotly的绘图结果可以与Web无缝集成

plotly默认的绘图结果是一个HTML网页文件,通过浏览器可以查看

在真实项目中，使用plotly绘图模块进行绘图的完整流程包括:

1.添加图轨数据,例如使用Scatter函数

2.设置画图布局，使用layout命令

3.集成图形、布局数据

4.绘制图形的输出命令是offline.plot

关于图形输出命令：

使用plotly.offline.plot和Plotly.offline.iplot()

使用plotly.offline.plot方法会在本地新建一个HTML文件,并可以选择是否在浏览器中打开这个文件

使用会在plotly.offline.iplot()方法会在Jupyter Notebook中直接绘图

importplotly as pyimport plotly.graph_objs as go #graph_objs是plotly库下一个用于绘制图形对象的模块

from plotly.graph_objs import Scatter #从graph_objs模块中导入Scatter函数

py.offline.init_notebook_mode() #使图形可以顺利显示在jupyter notebook中

示例：

importplotly as pyimport plotly.graph_objs as go

from plotly.graph_objs import Scatter

py.offline.init_notebook_mode()

try_1=Scatter(x=[1,2,3,4,5],y=[15,19,17,18,13])

data=[try_1]

py.offline.iplot(data)

15.1使用plotly绘制散点图、折线图

plotly绘制散点图、折线图都是使用Scatter函数

importplotly as pyimportplotly.graph_objs as go

go.Scatter()

语法格式：

Scatter(x,y,mode,name,marker,line)

x----数据

y----数据

mode ----线条类型(markers表示散点图、lines表示折线图、markers+lines表示线上有散点的组合图)

name ----图例名称

marker ------控制点的相关参数

line -----控制线条颜色

布局控制语法格式：

go.Layout(title,xaxis, yaxis)

title ----标题

xaxis ----控制x轴参数

yaxis-----控制y轴参数

数据处理完成、布局控制处理完成后，需要使用go.Figure()将两者集合起来，go.Figure()中的data必须是列表形式

源数据展示：

importpandas as pdimportnumpy as npimportplotly as pyimportplotly.graph_objs as gofrom plotly.graph_objs importScatter

py.offline.init_notebook_mode()

data= pd.read_csv('C:\datal第四章\income_tax.csv')

try_1= Scatter(x=data['year'],y=data['x2'],mode='markers',name='在职员工工资总收入')

try_2= Scatter(x=data['year'],y=data['x3'],mode='lines',name='社会消费品零售总额')

try_3= Scatter(x=data['year'],y=data['x8'],mode='markers+1ines',name='地区生产总值')

layout= go.Layout(title='各指标随年份变化图',xaxis=dict(title='年份'),yaxis=dict(title='指标'),\

legend=dict(x=1,y=0.8,font=dict(size=12,color='black')))

data_list=[try_1,try_2,try_3]

fig= go.Figure(data=data_list,layout=layout)

py.offline.iplot(fig)

15.2使用plotly绘制各类柱状图

importplotly as pyimportplotly.graph_objs as go

go.Bar()

plotly绘制柱状图使用Bar函数

例如想绘制不同地区的订单量柱状图，因为plotly中没有seaborn的countplot方法，所以稍微麻烦

源数据展示：

importpandas as pdimportplotly as pyimportplotly.graph_objs as go

py.offline.init_notebook_mode()

data= pd.read_excel('C:\data\第四章\Prod_Trade.xlsx')

data_region=data['Region'].value_counts()

try_1=[go.Bar(x=data_region.index.tolist(),y=data_region.values.tolist(),\

marker=dict(color=['red','blue','yellow','green','orange','darkblue']),\

opacity=0.50)]

layout=go.Layout(title='各分区订单量',xaxis=dict(title='地区'),yaxis=dict(title='订单量'))

fig=go.Figure(data=try_1,layout=layout)

py.offline.iplot(fig)

使用plotly绘制分类柱状图

分类柱状图的原理就是在plotly中画n个柱状图，然后plotly会自动调整为分类的柱状图，但是一般不建议使用plotly绘制，

源数据展示：

importpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_excel('F:\data\各产业季度产值.xlsx')

data_1=data[data['industr_Type']=='第一产业']

data_2=data[data['industr_Type']=='第二产业']

data_3=data[data['industr_Type']=='第三产业']

try_1=go.Bar(x=data_1.Quarter,y=data_1['GDP'],name='第一产业')

try_2=go.Bar(x=data_2.Quarter,y=data_2['GDP'],name='第二产业')

try_3=go.Bar(x=data_3.Quarter,y=data_3['GDP'],name='第三产业')

data=[try_1,try_2,try_3]

layout=go.Layout(title='各产业季度产值',xaxis=dict(title='季度'))

fig=go.Figure(data=data,layout=layout)

py.offline.iplot(fig)

使用plotly绘制堆积柱状图

在plotly中绘制堆积柱状图只需要在分类柱状图的基础上给go.Layout语句加一个参数即可

barmode='stack'

importpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_excel('F:\data\各产业季度产值.xlsx')

data_1=data[data['industr_Type']=='第一产业']

data_2=data[data['industr_Type']=='第二产业']

data_3=data[data['industr_Type']=='第三产业']

try_1=go.Bar(x=data_1.Quarter,y=data_1['GDP'],name='第一产业')

try_2=go.Bar(x=data_2.Quarter,y=data_2['GDP'],name='第二产业')

try_3=go.Bar(x=data_3.Quarter,y=data_3['GDP'],name='第三产业')

data=[try_1,try_2,try_3]

layout=go.Layout(title='各产业季度产值',xaxis=dict(title='季度'),barmode='stack')

fig=go.Figure(data=data,layout=layout)

py.offline.iplot(fig)

15.3使用plotly绘制直方图

importplotly as pyimportplotly.graph_objs as go

go.Histogram()

源数据展示：

importpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_csv(r'C: \datal第四章1titanic_train.csv')

try_1=[go.Histogram(x=data['Age'],histnorm='probability',marker=dict(color='blue'))]

py.offline.iplot(try_1)

histnorm='probability'表示绘制成频率的形式，而不是频数的形式

15.4使用plotly绘制饼图

importplotly as pyimportplotly.graph_objs as go

go.Pie()

源数据展示：

importpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_excel(r'F:\data\region_count.xlsx')

try_1=[go.Pie(labels=data['region'].tolist(),values=data['count'].tolist(),\

hole=0.4,textfont=dict(size=12,color='white'))]

layout=go.Layout(title='不同地区订单量')

fig=go.Figure(data=try_1,layout=layout)

py.offline.iplot(fig)

hole=0.4表示饼图中间空心圆的半径大小

十六、plotly下的图形设置

plotly下的图形设置主要分为以下三个部分：

多图表、双坐标轴、多子图

16.1多图表

需求：将每个地区的订单量绘制成柱状图，再将所有地区订单量的平均值绘制出来，观察每个地区的订单量和平均值的差异

源数据展示：

importnumpy as npimportpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_excel(r'F:\data\region_count.xlsx')

data_y=np.tile(np.mean(data['count']),6) #将count的平均值复制6次

try_1=go.Bar(x=data['region'].tolist(),y=data['count'].tolist(),\

marker=dict(color=['red','blue','yellow','green','orange','darkblue']),\

opacity=0.4)

try_2=go.Scatter(x=data.region.tolist(),y=data_y,mode='lines',name='平均值')

num=[try_1,try_2]

layout=go.Layout(title='不同地区订单量',xaxis=dict(title='地区'))

fig=go.Figure(data=num,layout=layout)

py.offline.iplot(fig)

16.2双坐标轴

源数据展示：

importnumpy as npimportpandas as pdimportplotly as pyimportplotly.graph_objs as go

data=pd.read_excel(r'F:\data\双轴图.xlsx')

data['时间']=pd.to_datetime(data['时间'])

try_1=go.Bar(x=data['时间'].tolist(),y=data['数量'].tolist(),marker=dict(color='steelblue'),opacity=0.6,name='评价数量')

try_2=go.Scatter(x=data['时间'].tolist(),y=data['差评率'].tolist(),mode='lines',name='差评率折线图',yaxis='y2')

case=[try_1,try_2]

layout=go.Layout(title='客户评价图',xaxis=dict(title='时间'),yaxis=dict(title='评价数量'),\

yaxis2=dict(title='差评率',overlaying='y',side='right'),\

legend=dict(x=0.1,y=0.9),font=dict(size=12,color='black'))

fig=go.Figure(data=case,layout=layout)

py.offline.iplot(fig)

yaxis='y2' 表示第二条y轴

overlaying='y',side='right' 表示将第二条坐标轴在右边进行y轴的重叠

16.3多子图

使用matplotlib中的subplot2grid函数也可以达到多子图的效果，

在plotly中绘制双子图需要从plotly库中导入一个方法

importplotly.graph_objs as gofrom plotly importtools

fig=tools.make_subplots(rows=2,cols=1)

源数据展示：

importnumpy as npimportpandas as pdimportplotly as pyimport plotly.graph_objs as go

from plotly import tools

fig=tools.make_subplots(rows=2,cols=1)

data=pd.read_excel(r'F:\data\双轴图.xlsx')

data['时间']=pd.to_datetime(data['时间'])

try_1=go.Bar(x=data['时间'].tolist(),y=data['数量'].tolist(),marker=dict(color='steelblue'),opacity=0.6,name='评价数量')

try_2=go.Scatter(x=data['时间'].tolist(),y=data['差评率'].tolist(),mode='lines',name='差评率折线图')

fig.append_trace(try_1,1,1)

fig.append_trace(try_2,2,1)

fig['layout'].update(height=600,width=800,title='客户评价情况')

py.offline.iplot(fig)

fig=tools.make_subplots(rows=2,cols=1) 表示多子图有两行一列

fig.append_trace(try_1,1,1) 表示将try_1的图行放到多子图的第一行第一列

fig.append_trace(try_2,2,1) 表示将try_1的图行放到多子图的第二行第一列

plotly中多子图示：（是从一开始的）