python相关性分析及画图,Python数据分析matplotlib可视化之绘图

Matplotlib是一个基于python的2D画图库，能够用python脚本方便的画出折线图，直方图，功率谱图，散点图等常用图表，而且语法简单。

Python中通过matplotlib模块的pyplot子库来完成绘图。Matplotlib可用于创建高质量的图表和图形，也可以用于绘制和可视化结果。matplotlib是Python优秀的数据可视化第三方库，matplotlb.pyplot是绘制种类可视化图形的命令子库，相当于快捷方式 import matplotlib.pyplot as plt.

线形图：

线性图是最基本的图表类型，常用于绘制连续的数据。通过绘制线形图，可以表现出数据的一种趋势变化。

Matplotlib的plot(X,Y)用来绘制线形图，在参数中传入X和Y的坐标即可。其中，X和Y轴坐标的数据格式可以是列表、数组和Series.

例1：坐标数据格式为series

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

data={'name':['Tom','Peter','Lucy','Max'],

'sex':['female','female','male','male'],

'math':[78,79,83,92],

'city':['北京','上海','广州','北京']

}

df=pd.DataFrame(data)

print(df)

#DataFrame数据的行索引作为X轴，math列索引作为Y轴

plt.plot(df.index,df['math'],color='red',linestyle='-',linewidth=3,marker='D')

#通过plot函数的color参数可以指定线条的颜色，

linestyle参数可以指定线条的形状，

linewidth参数可指定线条的宽度，

marker参数可对坐标点进行标记(默认情况下，坐标点是没有标记的)，

#结果：

name   sex   math  city        #创建一个DataFrame数据

0    Tom  female    78   北京

1  Peter  female    79   上海

2   Lucy    male    83   广州

3    Max    male    92   北京

绘制的线性图：

注意：颜色设置要放在线条和点的样式的前面，颜色、线条和点的样式可以放置于格式字符串。

如:plt.plot(df.index,df['math'],'co-')  运行结果如下：

2. 柱状图

2.1  绘制柱状图主要是使用matplotlib的bar函数:

bar函数的color参数可以设置柱状图的填充颜色，

alpha参数可以设置透明度，

例如：import matplotlib.pyplot as plt

data=[23,85,72,43,52]

plt.bar([1,2,3,4,5],data,color='royalblue',alpha=0.7)   #运行结果：

bottom参数用于设置柱状图的高度，以此绘制堆积柱状图；

width参数 用于设置柱状图的宽度，以此可以绘制并列柱状图。

grid函数用于绘制格网，通过对参数的个性化设置，可以绘制出个性的格网

例如：

import numpy as np

import matplotlib.pyplot as plt

data1=[23,85,72,43,52]

data2=[42,35,21,16,9]

width=0.3

plt.bar(np.arange(len(data1)),data1,color='royalblue',alpha=0.7,width=width)

plt.bar(np.arange(len(data2))+width,data2,color='green',alpha=0.7,width=width)

plt.grid(color='black',linstyle='--',linewidth=3,axis='y',alpha=0.6)

#运行结果：

Bar函数的通过barh函数可以绘制水平柱状图

import numpy as np

import matplotlib.pyplot as plt

data1=[23,85,72,43,52]

plt.barh(np.arange(len(data1)),data1,color='green',alpha=0.5)   #如图所示：

2.2 刻度与标签：

现实中的柱状图的X轴是有刻度标签的，上述实例中未设置。在matplotlib中，

通过xticks函数设置图标的X轴的刻度和刻度标签，yticks函数设置y轴的刻度和标签。

通过xlabel 和ylabel方法给X轴和Y轴添加标签，

通过title方法为图表添加标题

例如：

import numpy as np

import matplotlib.pyplot as plt

data1=[23,85,72,43,52]

labels=['A','B','C','D','E']

plt.xticks(range(len(data1)),labels)                #设置刻度和标签

plt.xlabel('Class')      #plt.xlabel、ylabel、title方法分别给X轴和Y轴，图标题添加标签。

plt.ylabel('Amounts')

plt.title('Example')

#plt.bar(range(len(data1)),data)

plt.bar(np.arange(len(data1)),data1,color='royalblue',alpha=0.7)

plt.grid(color='black',linstyle='--',linewidth=3,axis='y',alpha=0.6)

#运行结果：

2.3 图例：

图例是标识图表元素的重要工具，在bar函数中传入label参数表示图例名称，通过legend函数即可绘制出图例。

data1=[23,85,72,43,52]

data2=[42,35,21,16,9]

width=0.3

plt.bar(np.arange(len(data1)),data1,width=width,label='one')

plt.bar(np.arange(len(data2))+width,data2,width=width,label='two')

plt.legend()    #结果图：

2.4 文本注解：

例如：在柱状图中加入文本数字，可以很清楚的知道每个类别的数量。通过text函数可以在指定的坐标(x,y)上加入文本注释

data=[23,85,72,43,52]

labels=['A','B','C','D','E']

plt.xticks(range(len(data)),labels)         #设置刻度和标签

plt.xlabel('Class')

plt.ylabel('Amounts')

plt.title('Example')

plt.bar(range(len(data)),data)

for x,y in zip(range(len(data)),data):

plt.text(x,y,y,ha='center',va='bottom')         #文本注解#第一个参数是x轴坐标

# 第二个参数是y轴坐标

# 第三个参数是要显式的内容

3.散点图：

Matpltlib中scatter函数可以用来绘制散点图，传入X和Y轴坐标。Scatter(X,Y)

利用Numpy创建一组随机数

import numpy as np

import matplotlib.pyplot as plt

X=np.random.randn(100)

Y=np.random.randn(100)

plt.scatter(X,Y,color='red',marker='D')

#散点图：

4. 直方图

matplotlib的hist()函数用来绘制直方图。

直方图与条形图的区别：

直方图是用面积表示各频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其宽度与高度均有意义；

条形图(柱状图)是用条形的长度表示各类频数的多少，其宽度是固定的。

由于分组数据具有连续性，直方图的各矩形通常是连续排列，而条形图是分开排列；条形图主要是用于展示分类数据，而直方图则主要用于展示数据型数据。

x=np.random.normal(size=100)

plt.hist(x,bins=30)

5. 自定义设置

Matplotlib的图像位于Figure对象中，实际上就是创建了一个空的图像窗口。可通过figure函数可以创建一个新的Figure，用于绘制图表

fig=plt.figure(figsize=(10,6))     #figsize参数可以设置图表(整个图)的长宽比

ax1=fig.add_subplot(2,2,1)     #不能通过空figure绘图，必须用add_subplot()创建一个或者多个子subplot绘图区才能绘图

#意思是：绘制2*2两行两列共4个子subplot图像

ax2=fig.add_subplot(2,2,2)    #在创建Figure对象过程中，通过add_subplot函数创建子图，用于绘制图形

ax3=fig.add_subplot(2,2,3)

years=[1950,1960,1970,1980,1990,2000,2010]

gdp=[300.2,543.3,1075.9,2862.5,5979.6,10289.7,14958.3]

ax1.scatter(years,gdp)     #选用不同的ax变量，则可以在对应的subplot子图中绘图(散点图、线形图、柱状图)

ax2.plot(years,gdp)

ax3.bar(years,gdp)

#plt.subplots可以轻松的创建子图，而axes的索引类型类似于二维数组，这样就可以对指定的子图进行绘制。Subplot函数中有3个参数：垂直绘图的数量、水平绘图的数量以及表示绘图位置的索引(基于行进行计算)

fig,axes=plt.subplots(2,2,figsize=(10,6))

axes[1,0].plot(years,gdp)

axes[0,0].scatter(years,gdp)

axes[0,1].bar(years,gdp)

axes[1,1].hist(years,gdp)

注意：当没有设置figsize时，创建多子图会显得拥挤。通过plt..subplot_adjust方法可以设置子图的间距修改子图之间的间距(增加额外的空间以调整两个子图之间的距离)

subplots__adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None) ，其中前4个参数用于设置subplot子图的外围边距，wspace和hapace参数设置用于设置subplot子图间的边距。

fig,axes=plt.subplots(2,2)    #未设置figsize时，默认情况下，各sudplot子图间都会留有一定的间距。

years=[1950,1960,1970,1980,1990,2000,2010]

gdp=[300.2,543.3,1075.9,2862.5,5979.6,10289.7,14958.3]

fig,axes=plt.subplots(2,2)

plt.subplots_adjust(wspace=0.3,hspace=0.3)

axes[1,0].plot(years,gdp)

axes[0,0].scatter(years,gdp)

axes[0,1].bar(years,gdp)

axes[1,1].hist(years,gdp)

6. 样式与字体：

Matplotlib自带了一些样式供用户使用，如常用的ggplot样式，通过plt.style.use('ggplot') 函数即可调用该样式绘图。

Matplotlib默认为英文字体，如果绘制中出现汉字就会乱码，因此需要指定matplotlib的默认字体，这样就可以解决乱码的问题，

plt.rcParams['font.sans-serif']=['simhei']         #指定默认字体

plt.rcParams['axes.unicode_minus']=False        #解决保存图像时负号‘-’显示为方块的问题