阅读笔记：利用Python进行数据分析第2版——第9章 绘图和可视化
信息可视化（也叫绘图）是数据分析中最重要的工作之一。Python有许多库进行静态或动态的数据可视化，但这里主要关注matplotlib和基于它的库。
matplotlib是一个用于创建出版质量图表的桌面绘图包（主要是2D方面）。该项目是由John Hunter于2002年启动的，其目的是为Python构建一个MATLAB式的绘图接口。matplotlib和IPython社区进行合作，简化了从IPython shell（包括现在的Jupyter notebook）进行交互式绘图。matplotlib支持各种操作系统上许多不同的GUI后端，而且还能将图片导出为各种常见的矢量（vector）和光栅（raster）图：PDF、SVG、JPG、PNG、BMP、GIF等。除了几张，本书中的大部分图都是用它生成的。
对于创建用于打印或网页的静态图形，我建议默认使用matplotlib和附加的库，比如pandas和seaborn。对于交互式图形以便在Web上发布，可以使用Plotly和Boken
学习本章代码案例的最简单方法是在Jupyter notebook进行交互式绘图。在Jupyter notebook中执行下面的语句：%matplotlib notebook
一、matplotlib API 入门
- 引入
matplotlib，并创建简单的图形
import matplotlib.pyplot as plt
import numpy as np
data = np.arange(10)
plt.plot(data)
虽然seaborn这样的库和pandas的内置绘图函数能够处理许多普通的绘图任务，但如果需要自定义一些高级功能的话就必须学习matplotlib API。matplotlib的示例库和文档是学习高级特性的最好资源。
matplotlib的图像都位于Figure对象中。你可以用plt.figure创建一个新的Figure，但不能通过空Figure绘图。必须用add_subplot创建一个或多个subplot才行：
fig = plt.figure()
ax1 = fig.add_subplot(2, 2, 1)
ax2 = fig.add_subplot(2, 2, 2)
ax3 = fig.add_subplot(2, 2, 3)
plt.plot(np.random.randn(50).cumsum(), 'k--') # 在最后一个用过的subplot上进行绘制，隐藏创建figure和subplot的过程
提示：使用Jupyter notebook有一点不同，即每个小窗重新执行后，图形会被重置。因此，对于复杂的图形，，你必须将所有的绘图命令存在一个小窗里。
由fig.add_subplot所返回的对象是AxesSubplot对象，直接调用它们的实例方法就可以在其它空着的格子里面画图了
ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.3)
ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.randn(30))
plt.subplots，它可以创建一个新的Figure，并返回一个含有已创建的subplot对象的NumPy数组：fig, axes = plt.subplots(2, 3)。可以轻松地对axes数组进行索引，就好像是一个二维数组一样，例如axes[0,1]。还可以通过sharex和sharey指定subplot应该具有相同的X轴或Y轴。在比较相同范围的数据时，这也是非常实用的，否则，matplotlib会自动缩放各图表的界限。
- 利用Figure的
subplots_adjust(也是个顶级函数)方法可以轻而易举地修改间距：subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)，其中wspace和hspace用于控制宽度和高度的百分比，可以用作subplot之间的间距。 - 在
plot函数中可以通过字符串来指定颜色和线型：ax.plot(x, y,'g--')
这种更为明确的方式也能得到同样的效果：ax.plot(x, y, linestyle='--', color='g')
常用的颜色可以使用颜色缩写，也可以指定颜色码（例如，#CECECE）
在
IPython和Jupyter中使用plot?可以查看文档说明。
- 线图可以使用标记强调数据点。因为
matplotlib可以创建连续线图，在点之间进行插值，因此有时可能不太容易看出真实数据点的位置。标记也可以放到格式字符串中，但标记类型和线型必须放在颜色后面：
from numpy.random import randn
plt.plot(randn(30).cumsum(), 'ko--')
plot(randn(30).cumsum(), color='k', linestyle='dashed', marker='o')
- 在线型图中，非实际数据点默认是按线性方式插值的。可以通过
drawstyle选项修改
data = np.random.randn(30).cumsum()
plt.plot(data,'k--', label='Default')
plt.plot(data,'k-', drawstyle='steps-post', label='steps-post')
plt.legend(loc='best')
笔记：你必须调用plt.legend（或使用ax.legend，如果引用了轴的话）来创建图例，无论你绘图时是否传递label标签选项。
- pyplot接口的设计目的就是交互式使用，含有诸如
xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种：
- 调用时不带参数，则返回当前的参数值（例如，
plt.xlim()返回当前的X轴绘图范围）。 - 调用时带参数，则设置参数值（例如，
plt.xlim([0,10])会将X轴的范围设置为0到10）。
所有这些方法都是对当前或最近创建的AxesSubplot起作用的。它们各自对应subplot对象上的两个方法，以xlim为例，就是ax.get_xlim和ax.set_xlim。
- 设置标题、轴标签、刻度以及刻度标签
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.plot(np.random.randn(1000).cumsum()) # 创建随机漫步数据
ticks = ax.set_xticks([0,250,500,750,1000]) # 改变x轴刻度
labels = ax.set_xticklabels(['one','two','three','four','five'], rotation=30, fontsize='small') # 设置轴标签
ax.set_title('My first matplotlib plot') # 设置题目
ax.set_xlabel('Stages') # 设置轴名称
props ={
'title':'My first matplotlib plot',
'xlabel':'Stages'
}
ax.set(**props) # 设置题目和轴名称
- 图例（legend）是另一种用于标识图表元素的重要工具。最简单的是在添加subplot的时候传入label参数。要从图例中去除一个或多个元素，不传入
label或传入label=’nolegend‘即可。
fig = plt.figure(); ax = fig.add_subplot(1,1,1)
ax.plot(randn(1000).cumsum(),'k', label='one')
ax.plot(randn(1000).cumsum(),'k--', label='two')
ax.plot(randn(1000).cumsum(),'k.', label='three')
ax.legend(loc='best') # 必须调用legend方法才能显示图例
- 注解以及在Subplot上绘图
- 注解和文字可以通过text、arrow和annotate函数进行添加。text可以将文本绘制在图表的指定坐标(x,y)，还可以加上一些自定义格式：
ax.text(x, y,'Hello world!', family='monospace', fontsize=10) - 注解中可以既含有文本也含有箭头。
- 要在图表中添加一个图形，你需要创建一个块对象shp，然后通过
ax.add_patch(shp)将其添加到subplot中：
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
rect = plt.Rectangle((0.2,0.75),0.4,0.15, color='k', alpha=0.3)
circ = plt.Circle((0.7,0.2),0.15, color='b', alpha=0.3)
pgon = plt.Polygon([[0.15,0.15],[0.35,0.4],[0.2,0.6]],
color='g', alpha=0.5)
ax.add_patch(rect)
ax.add_patch(circ)
ax.add_patch(pgon)
- 将图表保存到文件
plt.savefig可以将当前图表保存到文件。该方法相当于Figure对象的实例方法savefig。
参数：
dpi：控制“每英寸点数”分辨率；
bbox_inches：可以剪除当前图表周围的空白部分
plt.savefig('figpath.png', dpi=400, bbox_inches='tight')savefig并非一定要写入磁盘，也可以写入任何文件型的对象，比如BytesIO：
from io importBytesIO
buffer =BytesIO()
plt.savefig(buffer)
plot_data = buffer.getvalue()
matplotlib自带一些配色方案，以及为生成出版质量的图片而设定的默认配置信息。几乎所有默认行为都能通过一组全局参数进行自定义，它们可以管理图像大小、subplot边距、配色方案、字体大小、网格类型等。一种Python编程方式配置系统的方法是使用rc方法。
- 要将全局的图像默认大小设置为10×10，可以执行：
plt.rc('figure', figsize=(10,10)) rc的第一个参数是希望自定义的对象，如’figure’、’axes’、’xtick’、’ytick’、’grid’、’legend’等。其后可以跟上一系列的关键字参数。一个简单的办法是将这些选项写成一个字典：
font_options ={
'family':'monospace',
'weight':'bold',
'size':'small'
}
plt.rc('font',**font_options)
二、使用pandas和seaborn绘图
在pandas中，我们有多列数据，还有行和列标签。pandas自身就有内置的方法，用于简化从DataFrame和Series绘制图形。另一个库seaborn简化了许多常见可视类型的创建。
提示：引入seaborn会修改matplotlib默认的颜色方案和绘图类型，以提高可读性和美观度。即使你不使用seaborn API，你可能也会引入seaborn，作为提高美观度和绘制常见matplotlib图形的简化方法。
- Series和DataFrame都有一个用于生成各类图表的plot方法。默认情况下，它们所生成的是线型图：
s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
s.plot()
该Series对象的索引会被传给matplotlib，并用以绘制X轴。可以通过use_index=False禁用该功能。X轴的刻度和界限可以通过xticks和xlim选项进行调节，Y轴就用yticks和ylim。
pandas的大部分绘图方法都有一个可选的ax参数，它可以是一个matplotlib的subplot对象。这使你能够在网格布局中更为灵活地处理subplot的位置。DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例
df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=['A', 'B', 'C', 'D'], index=np.arange(0, 100, 10))
df.plot()
plot属性包含一批不同绘图类型的方法。例如，df.plot()等价于df.plot.line()
笔记：plot的其他关键字参数会被传给相应的matplotlib绘图函数，所以要更深入地自定义图表，就必须学习更多有关matplotlib API的知识。
plot.bar()和plot.barh()分别绘制水平和垂直的柱状图。这时，Series和DataFrame的索引将会被用作X（bar）或Y（barh）刻度
fig, axes = plt.subplots(2, 1)
data = pd.Series(np.random.rand(16), index=list('abcdefghijklmnop'))
data.plot.bar(ax=axes[0], color='k', alpha=0.7) # alpha设置透明度
data.plot.barh(ax=axes[1], color='k', alpha=0.7)
- 对于DataFrame，柱状图会将每一行的值分为一组，并排显示
df = pd.DataFrame(np.random.rand(6, 4), index=['one', 'two', 'three', 'four', 'five', 'six'], columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))
df.plot.bar()
- 设置
stacked=True即可为DataFrame生成堆积柱状图，这样每行的值就会被堆积在一起：df.plot.barh(stacked=True, alpha=0.5)
笔记：柱状图有一个非常不错的用法：利用
value_counts图形化显示Series中各值的出现频率，比如s.value_counts().plot.bar()。
- 做一张堆积柱状图以展示每天各种聚会规模的数据点的百分比。
In [75]: tips = pd.read_csv('pydata-book-2nd-edition/')
In [76]: party_counts = pd.crosstab(tips['day'], tips['size'])
In [77]: party_counts
Out[77]:
size 1 2 3 4 5 6
day
Fri 1 16 1 1 0 0
Sat 2 53 18 13 1 0
Sun 0 39 15 18 3 1
Thur 1 48 4 5 1 3
# Not many 1- and 6-person parties
In [78]: party_counts = party_counts.loc[:, 2:5]
In [79]: party_pcts = party_counts.div(party_counts.sum(1), axis=0) # 进行规格化，使得各行的和为1
In [81]: party_pcts.plot.bar()
- 对于在绘制一个图形之前，需要进行合计的数据，使用
seaborn可以减少工作量。seaborn的绘制函数使用data参数，它可能是pandas的DataFrame。其它的参数是关于列的名字。因为一天的每个值有多次观察，柱状图的值是tip_pct的平均值。绘制在柱状图上的黑线代表95%置信区间（可以通过可选参数配置）。
In [83]: import seaborn as sns
In [84]: %matplotlib inline # 在jupyter中输入，避免无法显示图的问题
In [85]: tips['tip_pct'] = tips['tip'] / (tips['total_bill'] - tips['tip'])
In [86]: tips.head()
Out[86]:
total_bill tip smoker day time size tip_pct
0 16.99 1.01 No Sun Dinner 2 0.063204
1 10.34 1.66 No Sun Dinner 3 0.191244
2 21.01 3.50 No Sun Dinner 3 0.199886
3 23.68 3.31 No Sun Dinner 2 0.162494
4 24.59 3.61 No Sun Dinner 4 0.172069
In [86]: sns.barplot(x='tip_pct', y='day', data=tips, orient='h')
In [87]: sns.barplot(x='tip_pct', y='day', hue='time', data=tips, orient='h') # 根据time列进行颜色区分
In [90]: sns.set(style="whitegrid") # 设置图形外观
- 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。
tips['tip_pct'].plot.hist(bins=50) # bins表示柱的数量
- 密度图是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核（即诸如正态分布之类的较为简单的分布）。因此，密度图也被称作KDE（Kernel Density Estimate，核密度估计）图。使用plot.kde和标准混合正态分布估计即可生成一张密度图：
tips['tip_pct'].plot.density() seaborn的distplot方法绘制直方图和密度图更加简单，还可以同时画出直方图和连续密度估计图。作为例子，考虑一个双峰分布，由两个不同的标准正态分布组成:
In [96]: comp1 = np.random.normal(0, 1, size=200)
In [97]: comp2 = np.random.normal(10, 2, size=200)
In [98]: values = pd.Series(np.concatenate([comp1, comp2]))
In [99]: sns.distplot(values, bins=100, color='k')
- 点图或散布图是观察两个一维数据序列之间的关系的有效手段。在下面这个例子中，我加载了来自
statsmodels项目的macrodata数据集，选择了几个变量，然后计算对数差：
In [100]: macro = pd.read_csv('examples/macrodata.csv')
In [101]: data = macro[['cpi', 'm1', 'tbilrate', 'unemp']]
In [102]: trans_data = np.log(data).diff().dropna()
In [103]: trans_data[-5:]
Out[103]:
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
In [104]: sns.regplot('m1', 'unemp', data=trans_data) # 做一个散布图，并加上一条线性回归的线
In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2}) # 生成散布图矩阵，pairplot支持在对角线上放置每个变量的直方图或密度估计
plot_kws参数可以传递配置选项到非对角线元素上的图形使用。
- 有多个分类变量的数据可视化的一种方法是使用小面网格。
seaborn有一个有用的内置函数factorplot，可以简化制作多种分面图
sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker', kind='bar', data=tips[tips.tip_pct < 1])
sns.factorplot(x='day', y='tip_pct', row='time', col='smoker', kind='bar', data=tips[tips.tip_pct < 1]) # 通过给每个时间值添加一行来扩展分面网格
factorplot支持其它的绘图类型，如盒图（它可以显示中位数，四分位数，和异常值）：
sns.factorplot(x='tip_pct', y='day', kind='box', data=tips[tips.tip_pct < 0.5])
