从零开始-Machine Learning学习笔记(21)-Pandas及Seaborn绘图总结

目录

1. Pandas绘图

1.1DataFrame绘图

1.1.1 折线图

1.1.2 散点图

1.1.3 箱形图【盒式图】

1.1.4 柱状图【直方图】

1.2 pandas.tools.plotting

1.2.1 查看变量间的关系

1.2.2 查看多变量分布

2. Seaborn绘图

2.1 Seaborn-直方图

2.2 联合绘图jointplot()

2.3 Seaborn-画变量间关系图pairplot()

2.4 swarmplot(分簇散点图)+violinplot(小提琴图)+boxplot(盒形图)

---

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

1. Pandas绘图

  # 可用的绘图样式 
  plt.style.available

['bmh', 'classic', 'dark_background', 'fast', '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', 'Solarize_Light2', 'tableau-colorblind10', '_classic_test']

  # 设置绘图样式
  plt.style.use('seaborn-colorblind')

1.1DataFrame绘图

  np.random.seed(100)
  df = pd.DataFrame({'A': np.random.randn(365).cumsum(0),
                    'B': np.random.randn(365).cumsum(0) + 20,
                    'C': np.random.randn(365).cumsum(0) - 20},
                   index=pd.date_range('2017/1/1', periods=365))
  df.head()

1.1.1 折线图

使用DataFrame自带的函数plot()就可以直接画出折线图，每条线代表一列的数据

  df.plot()

1.1.2 散点图

输入任意两列的数据作为x，y轴数据，把kind设置为scatter就可以画出散点图。

  df.plot('A', 'B', kind='scatter')

如果再设置参数c【小写】，就能设置颜色，如下例中的'B'指蓝色；如果再设置参数s【小写】,用于设置散点的大小；其中colormap参数设置的是下图中右边颜色条的样式。

  # 颜色(c)和大小(s)有'B'列的数据决定
  ax = df.plot('A', 'C', kind='scatter',
          c='B', s=df['B'], colormap='viridis')

1.1.3 箱形图【盒式图】

直接设置kind='box'就可以画出盒子图。箱形图可以表征数据的分散情况，其中，中间那条线表示中位数，构成盒子的上下两个边表示上四分位数和下四分位数。最后盒子的上下还有一个边界称为上限和下限。其中上限为上四分位数加上1.5倍的上下四分位数之差；同理，下限为下四分位数减去1.5倍的上下四分位数之差，其中上下四分位数之差称之为四分位间距。

  # 设置坐标为相同比例
  ax.set_aspect('equal')

  df.plot(kind='box')

1.1.4 柱状图【直方图】

设置kind='hist'表示画直方图。

  df.plot(kind='hist', alpha=0.7)

1.2 pandas.tools.plotting

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

1.2.1 查看变量间的关系

  # 用于查看变量间的关系
  pd.plotting.scatter_matrix(iris);

1.2.2 查看多变量分布

  # 用于查看多遍量分布
  plt.figure()
  pd.plotting.parallel_coordinates(iris, 'species')

2. Seaborn绘图

  import seaborn as sns

  np.random.seed(100)
  v1 = pd.Series(np.random.normal(0, 10, 1000), name='v1')
  v2 = pd.Series(2 * v1 + np.random.normal(60, 15, 1000), name='v2')

2.1 Seaborn-直方图

  # 通过matplotlib绘图
  plt.figure()
  plt.hist(v1, alpha=0.7, bins=np.arange(-50, 150, 5), label='v1')
  plt.hist(v2, alpha=0.7, bins=np.arange(-50, 150, 5), label='v2')
  plt.legend()

直方图与密度图同时画

  plt.figure()
  plt.hist([v1, v2], histtype='barstacked', normed=True)
  v3 = np.concatenate((v1, v2))
  sns.kdeplot(v3)

2.2 联合绘图jointplot()

直方图与散点图同时画

  # 使用seaborn绘图
  plt.figure()
  sns.jointplot(v1, v2, alpha=0.4)

grid.ax_joint.set_aspect('equal')设置横纵坐标的尺度一样

  # 使用seaborn绘图
  plt.figure()
  grid = sns.jointplot(v1, v2, alpha=0.4)
  grid.ax_joint.set_aspect('equal')

画密度图

  plt.figure()
  sns.jointplot(v1, v2, kind='kde')

 

2.3 Seaborn-画变量间关系图pairplot()

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

 

  sns.pairplot(iris, hue='species', diag_kind='kde')

2.4 swarmplot(分簇散点图)+violinplot(小提琴图)+boxplot(盒形图)

  plt.figure(figsize=(10, 6))
  plt.subplot(131)
  sns.swarmplot('species', 'petal_length', data=iris)
  plt.subplot(132)
  sns.violinplot('species', 'petal_length', data=iris)
  plt.subplot(133)
  sns.boxplot('species', 'petal_length', data=iris)