直方图尖峰python_直方图、密度图、散点图，python数据可视化方法，你要的都在这里...

直方图和密度图

直方图

直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。

In [165]: data1=pd.read_csv('G:\LPTPython\practice.csv')

In [167]: data1['tip_pct']=data1['tip'] / data1['total_bill']

In [169]: data1['tip_pct'].hist(bins=50)

密度图

与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生。一般的过程是将该分布近似为一组合（即诸如正态（高斯）分布之类的较为简单的分布）。因此，密度图也被称作KDE图。调用plot时加上kind=’kde’即可生成一张密度图（标准混合正态分布KDE）：

In [170]: data1['tip_pct'].plot(kind='kde')

In [182]: values.hist(bins=100,alpha=0.3,color='#1d07f5',normed=True)

In [186]: values.plot(kind='kde',style='k--')

散布图（或散点图）

散布图（scatter plot）是观察两个一维数据序列之间的关系的有效手段。Matplotlib的scatter方法是绘制散布图的主要方法。

In [187]: macro=pd.read_csv('G:\LPTPython\macrodata.csv')

In [188]: data=macro[['cpi','m1','tbilrate','unemp']]

In [190]: trans_data=np.log(data).diff().dropna()

In [191]: trans_data[-5:]

Out[191]:

cpi m1 tbilrate unemp

198 -0.007904 0.045361 -0.396881 0.105361

199 -0.021979 0.066753 -2.277267 0.139762

200 0.002340 0.010286 0.606136 0.160343

201 0.008419 0.037461 -0.200671 0.127339

202 0.008894 0.012202 -0.405465 0.042560

plt.scatter

利用plt.scatter即可轻松绘制一张简单的散布图：

In [192]: plt.scatter(trans_data['m1'],trans_data['unemp'])

scatter_matrix函数

Pandas提供了一个能从DataFrame创建散布图矩阵的scatter_matrix函数。它还支持在对角线上放置各变量的直方图或密度图。

In [195]: pd.scatter_matrix(trans_data,diagonal='kde',c='r',alpha=0.3)