机器学习-数据科学库（HM）_第2节_matplotlib散点图、条形图、直方图等

matplotlib

matplotlib散点图

• 假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律?
  a = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
  b = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]

matplotlib散点图的实现

# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname="/System/Library/Fonts/Hiragino Sans GB.ttc")
y_3 = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
y_10 = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]

x_3 = range(1,32)
x_10 = range(51,82)

# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)

# 使用scatter方法绘制散点图,和之前绘制折线图的唯一区别
plt.scatter(x_3,y_3,label="3月份")
plt.scatter(x_10,y_10,label="10月份")

# 调整x轴的刻度
	# 只有在plt.xticks标注轴的刻度的时候用的是fontproperties来显示中文
_x = list(x_3)+list(x_10)
_xtick_labels = ["3月{}日".format(i) for i in x_3]
_xtick_labels += ["10月{}日".format(i-50) for i in x_10]
plt.xticks(_x[::3],_xtick_labels[::3],fontproperties=my_font,rotation=45)

# 添加图例
plt.legend(loc="upper left",prop=my_font)

# 添加描述信息
plt.xlabel("时间",fontproperties=my_font)
plt.ylabel("温度",fontproperties=my_font)
plt.title("标题",fontproperties=my_font)

# 展示
plt.show()

绘制结果

散点图的更多应用场景

• 不同条件(维度)之间的内在关联关系
• 观察数据的离散聚合程度

matplotlib条形图

• 电影票房数据可以参考：http://58921.com/
• 假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?
  a = [“战狼2”,“速度与激情8”,“功夫瑜伽”,“西游伏妖篇”,“变形金刚5：最后的骑士”,“摔跤吧！爸爸”,“加勒比海盗5：死无对证”,“金刚：骷髅岛”,“极限特工：终极回归”,“生化危机6：终章”,“乘风破浪”,“神偷奶爸3”,“智取威虎山”,“大闹天竺”,“金刚狼3：殊死一战”,“蜘蛛侠：英雄归来”,“悟空传”,“银河护卫队2”,“情圣”,“新木乃伊”,]
  b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23] 单位:亿

matplotlib竖条形图的实现

# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname="/System/Library/Fonts/Hiragino Sans GB.ttc")

# 可以将名字过长的电影名字中间加"\n"来换行，以保持视觉美观
# a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：\n最后的骑士","摔跤吧！\n爸爸","加勒比海盗5：\n死无对证","金刚：骷髅岛","极限特工：\n终极回归","生化危机6：\n终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：\n殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b = [56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

# 设置图形大小
plt.figure(figsize=(20,15), dpi=80)

# 绘制条形图
	# bar绘制条形图，只能接受含数字的可迭代对象
	# width表示长条的宽度，默认0.8
plt.bar(range(len(a)), b, width=0.3)

# 设置字符串到x轴
	# 通过设置xticks实现数字和字符串的对应
plt.xticks(range(len(a)), a, fontproperties=my_font, rotation=90)

plt.savefig("./movie.png")

plt.show()

竖条形图的绘制结果

matplotlib横条形图的实现

# 绘制横着的条形图
from matplotlib import pyplot as plt
from matplotlib import font_manager

my_font = font_manager.FontProperties(fname="/System/Library/Fonts/Hiragino Sans GB.ttc")

a = ["战狼2","速度与激情8","功夫瑜伽","西游伏妖篇","变形金刚5：最后的骑士","摔跤吧！爸爸","加勒比海盗5：死无对证","金刚：骷髅岛","极限特工：终极回归","生化危机6：终章","乘风破浪","神偷奶爸3","智取威虎山","大闹天竺","金刚狼3：殊死一战","蜘蛛侠：英雄归来","悟空传","银河护卫队2","情圣","新木乃伊",]
b=[56.01,26.94,17.53,16.49,15.45,12.96,11.8,11.61,11.28,11.12,10.49,10.3,8.75,7.55,7.32,6.99,6.88,6.86,6.58,6.23]

# 设置图形大小
plt.figure(figsize=(20,8), dpi=80)

# 绘制条形图
	# 使用height来设置条形图的粗细
    # 使用color命令设置图像颜色
plt.barh(range(len(a)), b, height=0.3, color="orange")

# 设置字符串到y轴
plt.yticks(range(len(a)), a, fontproperties=my_font)

plt.grid(alpha=0.3)

plt.savefig("./movie.png")
plt.show()

横条形图的绘制结果

绘制多次条形图

• 数据来源: http://www.cbooo.cn/movieday
• 假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?
  a = [“猩球崛起3：终极之战”,“敦刻尔克”,“蜘蛛侠：英雄归来”,“战狼2”]
  b_16 = [15746,312,4497,319]
  b_15 = [12357,156,2045,168]
  b_14 = [2358,399,2358,362]

多次条形图的实现

# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager
my_font = font_manager.FontProperties(fname="/System/Library/Fonts/Hiragino Sans GB.ttc")

a = ["猩球崛起3：终极之战","敦刻尔克","蜘蛛侠：英雄归来","战狼2"]
b_16 = [15746,312,4497,319]
b_15 = [12357,156,2045,168]
b_14 = [2358,399,2358,362]

# 分开绘制多次条形图
	# 需要x3之后小于1，否则左右图形会重叠到一起
bar_width = 0.2
x_14 = list(range(len(a)))
x_15 =  [i+bar_width for i in x_14]
x_16 = [i+bar_width*2 for i in x_14]

# 设置图形大小
plt.figure(figsize=(20,8),dpi=80)

plt.bar(range(len(a)),b_14,width=bar_width,label="9月14日")
plt.bar(x_15,b_15,width=bar_width,label="9月15日")
plt.bar(x_16,b_16,width=bar_width,label="9月16日")

# 设置图例
plt.legend(prop=my_font)

# 设置x轴的刻度
plt.xticks(x_15,a,fontproperties=my_font)

plt.show()

多次条形图的绘制结果

条形图的更多应用场景

• 数量统计
• 频率统计(市场饱和度)

matplotlib直方图

• 组数要适当,太少会有较大的统计误差,大多规律不明显
  • 组数：将数据分组，当数据在100个以内时，按数据多少常分为5-12组。
  • 组距：指每个小组的两个端点的距离
  • 组数 = $\frac{极差}{组距}=\frac{max(a)-min(a)}{bin\_width}$

matplotlib直方图（raw data）

• 假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据?
  a=[131, 98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115, 99, 136, 126, 134, 95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117, 86, 95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123, 86, 101, 99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140, 83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144, 83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137, 92,121, 112, 146, 97, 137, 105, 98, 117, 112, 81, 97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112, 83, 94, 146, 133, 101,131, 116, 111, 84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

matplotlib直方图的实现（raw data）

# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager

a=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

# 计算组数
d = 3  # 组距
num_bins = (max(a)-min(a))//d
print(max(a),min(a),max(a)-min(a))
print(num_bins)

# 设置图形的大小
plt.figure(figsize=(20,8),dpi=80)

# 绘制直方图：传入需要统计的数据，以及组数
	# normed=True：绘制频率分布直方图
	# 默认normed=False：绘制频数直方图
plt.hist(a,num_bins,normed=True)

# 设置x轴的刻度
	# max(a)+d 是为了包含最后的一组的max
plt.xticks(range(min(a),max(a)+d,d))

plt.grid()

plt.show()

直方图的绘制结果（raw data）

matplotlib直方图的适用局限

• 一般来说使用plt.hist方法的是那些没有统计过的raw data
• 统计之后的数据，为了达到直方图效果，需要使用plt.bar方法。

matplotlib直方图（统计数据）

• 在美国2004年人口普查发现有124 million的人在离家相对较远的地方工作。根据他们从家到上班地点所需要的时间,通过抽样统计(最后一列)出了下表的数据。
  interval = [0,5,10,15,20,25,30,35,40,45,60,90]
  width = [5,5,5,5,5,5,5,5,5,15,30,60]
  quantity = [836,2737,3723,3926,3596,1438,3273,642,824,613,215,47]
  

matplotlib直方图的实现（统计数据）

# coding=utf-8
from matplotlib import pyplot as plt
from matplotlib import font_manager

interval = [0,5,10,15,20,25,30,35,40,45,60,90]
width = [5,5,5,5,5,5,5,5,5,15,30,60]
quantity = [836,2737,3723,3926,3596,1438,3273,642,824,613,215,47]

# 可以这样子来确认每一list统计数据都是一样长度的
print(len(interval),len(width),len(quantity))


# 设置图形大小
plt.figure(figuresize=(20, 8), dip=80)

# width=1可以使条形图连起来，长的像直方图
plt.bar(range(12), quantity, width=1)

# 设置x轴的刻度
_x = [i-0.5 for i in range(13)]	# range里多了1，为了包含住最后一个x
_xtick_lables = interval + [150]	# 60+90，最后一个单位
plt.xticks(_x, _xtick_lables)

plt.grid(alpha=0.4)
plt.show()

直方图的绘制结果（统计数据）

直方图更多应用场景

• 用户的年龄分布状态
• 一段时间内用户点击次数的分布状态
• 用户活跃时间的分布状态

更多的绘图工具的了解

matplotlib常见问题总结

• 应该选择那种图形来呈现数据
• matplotlib.plot(x,y)
• matplotlib.bar(x,y)
• matplotlib.scatter(x,y)
• matplotlib.hist(data,bins,normed)
• xticks和yticks的设置
• label和titile,grid的设置
• 绘图的大小和保存图片

matplotlib使用的流程总结

• 明确问题
• 选择图形的呈现方式
• 准备数据
• 绘图和图形完善

matplotlib更多的图形样式

• matplotlib支持的图形是非常多的，如果有其他的需求，我们可以查看一下url地址：http://matplotlib.org/gallery/index.html

更多的绘图工具

• ECharts Gallery（https://www.makeapie.com/explore.html#sort=rank~timeframe=all~author=all）：动态、有交互效果。
• plotly（https://plot.ly/python/）：动态、有交互效果可视化工具中的github，相比于matplotlib更加简单，图形更加漂亮，同时兼容matplotlib和pandas。
  • 使用用法:简单,照着文档写即可。
• seaborn（http://seaborn.pydata.org/examples/index.html）：静态。