python 数据分析--数据可视化工具matplotlib

说明:
    数据可视化中的数据集下载地址:（数据来源:从零开始学python数据分析和挖掘）
    链接：https://pan.baidu.com/s/1zrNpzSNVHd8v1rGFRzKipQ 提取码：mx9d

数据可视化是数据分析中的一部分，可用于数据的探索和查找缺失值等，也是展现数据的重要手段。matplotlib是一个强大的工具箱，其完整的图表样式函数和个性化的自定义设置，可以满足几乎所有的2D和一些3D绘图的需求。

1. 条形图

条形图主要用来表示分组（或离散）变量的可视化，可以使用matplotlib完成条形图的绘制。

1.1 垂直条形图

以垂直条形图为例，离散型变量在各水平上的差异就是比较柱形的高低，柱体越高，代表的数值越大。plt.bar()函数的参数列表:

• left：传递数值序列，指定条形图中x轴上的刻度值,现left需改为x。
• height：传递数值序列，指定条形图y轴上的高度。
• width：指定条形图的宽度，默认为0.8。
• bottom：用于绘制堆叠条形图。
• color：指定条形图的填充色。
• edgecolor：指定条形图的边框色。
• linewidth：指定条形图边框的宽度，如果指定为0，表示不绘制边框。
• tick_label：指定条形图的刻度标签。
• xerr：如果参数不为None，表示在条形图的基础上添加误差棒。yerr：参数含义同xerr。
• label：指定条形图的标签，一般用以添加图例。
• ecolor：指定条形图误差棒的颜色。
• align：指定x轴刻度标签的对齐方式，默认为center，表示刻度标签居中对齐，如果设置为 edge，则表示在每个条形的左下角呈现刻度标签。
• log：bool类型参数，是否对坐标轴进行log变换，默认为False。
• **kwargs：关键字参数，用于对条形图进行其他设置，如透明度等。

import matplotlib.pyplot as plt
import pandas as pd
# 条形图的绘制--垂直条形图

# 读入数据
GDP = pd.read_excel(r'E:\Data\4\Province GDP 2017.xlsx')
# 设置绘图风格（不妨使用R语言中的ggplot2风格）
plt.style.use('ggplot')
# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False

# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 添加y轴的标签
plt.ylabel('GDP(万亿)')

# 绘制条形图
plt.bar( x = range(GDP.shape[0]),   # 指定条形图x轴的刻度值
        height = GDP.GDP,           # 指定条形图y轴的数值
        tick_label = GDP.Province,  # 指定条形图x轴的刻度标签
        color = 'pink',        # 指定条形图的填充色
       )

# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
    plt.text(x,y+0.1,'%s' %round(y,1),ha='center') #round 四舍五入保留1位小数
# 显示图形    
plt.show()

1.2 水平条形图

水平条形图不再是bar函数，而是barh函数。对原始数据做升序排序，但是图形看上去是降序,是因为水平条形图的y轴刻度值是从下往上布置的，所以条形图从下往上是满足升序的。

# 条形图的绘制--水平条形图

# 导入第三方库和读入数据同上

# 添加条形图的标题
plt.title('2017年度6个省份GDP分布')
# 添加x轴的标签
plt.xlabel('GDP(万亿)')

# 对读入的数据作升序排序
GDP.sort_values(by = 'GDP', inplace = True)
# 绘制条形图
plt.barh(y = range(GDP.shape[0]),      # 指定条形图y轴的刻度值
        width = GDP.GDP,               # 指定条形图x轴的数值
        tick_label = GDP.Province,     # 指定条形图y轴的刻度标签
        color = 'green',               # 指定条形图的填充色
       )

# 为每个条形图添加数值标签
for y,x in enumerate(GDP.GDP):
    plt.text(x+0.1,y,'%s' %round(x,1),va='center') #此处x在前，y在后，数值标签加在x上， 居中也是垂直方向居中
# 显示图形    
plt.show()

1.3 堆叠条形图

不管是垂直条形图还是水平条形图，只是反映单个离散变量的统计图形，如果想通过条形图传递两个离散变量的信息该如何做到？这就需要使用堆叠条形图，该类型条形图的横坐标代表一个维度的离散变量，堆叠起来的“块”代表了另一个维度的离散变量。这样的条形图，最大的优点是可以方便比较累积和。

# 条形图的绘制--堆叠条形图
# 读入数据
Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签
Quarters = Industry_GDP.Quarter.unique()

# 取出第一产业的四季度值
Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']
# 重新设置行索引
Industry1.index = range(len(Quarters))

# 取出第二产业的四季度值
Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']
# 重新设置行索引
Industry2.index = range(len(Quarters))

# 取出第三产业的四季度值
Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']

# 绘制堆叠条形图
# 各季度下第一产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry1, color = 'yellow', label = '第一产业', tick_label = Quarters)
# 各季度下第二产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry2, bottom = Industry1, color = 'green', label = '第二产业')
# 各季度下第三产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry3, bottom = Industry1  + Industry2, color = 'red', label = '第三产业')


# 添加y轴标签
plt.ylabel('生成总值（亿）')
# 添加图形标题
plt.title('2017年各季度三产业总值')

# 显示各产业的图例
plt.legend()
# 显示图形
plt.show()

1.4 水平交错条形图

堆叠条形图可以包含两个离散变量的信息，而且可以比较各季度整体产值的高低水平，但是其缺点是不易区分“块”之间的差异，例如二、三季度的第三产业值差异就不是很明显，区分高低就相对困难。而交错条形图恰好就可以解决这个问题，该类型的条形图就是将堆叠的“块”水平排开。

# 条形图的绘制--水平交错条形图

# 导入第三方模块
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 读取数据
Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签
Quarters = Industry_GDP.Quarter.unique()

# 取出第一、二、三产业的四季度值
Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']
Industry1.index = range(len(Quarters))# 重新设置行索引
Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']
Industry2.index = range(len(Quarters))
Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']


# 绘制水平交错条形图
bar_width = 0.3
# 各季度下第一产业的条形图
plt.bar(x = np.arange(len(Quarters)), height=Industry1, color = 'yellow', label = '第一产业' , width = bar_width)   
# 各季度下第二产业的条形图
plt.bar(x = np.arange(len(Quarters))+ bar_width, height=Industry2, color = 'green', label = '第二产业', width = bar_width)
# 各季度下第三产业的条形图
plt.bar(x = np.arange(len(Quarters))+ 2*bar_width, height=Industry3, color = 'indianred', label = '第三产业', width = bar_width)

# 为每个条形图添加数值标签
for x,y in enumerate(Industry1):
    plt.text(x,y+0.1,'%s' %round(y,1),ha='center') # 为每个条形图添加数值标签
for x,y in enumerate(Industry2):
    plt.text(x+0.3,y+0.1,'%s' %round(y,1),ha='center')    
for x,y in enumerate(Industry3):
    plt.text(x+0.6,y+0.1,'%s' %round(y,1),ha='center') 
# 添加刻度标签
plt.xticks(np.arange(4)+0.3, Quarters)


plt.ylabel('生成总值（亿）')
plt.title('2017年各季度三产业总值')
plt.legend(loc='upper left',bbox_to_anchor=(0,1.2),ncol=3, shadow=True)
plt.show()

2.饼状图

饼图属于最传统的统计图形之一，如果你选择matplotlib模块绘制饼图的话，首先需要导入该模块的子模块pyplot，然后调用模块中的pie函数。

• x：指定绘图的数据。
• explode：指定饼图某些部分的突出显示，即呈现爆炸式。
• labels：为饼图添加标签说明，类似于图例说明。
• colors：指定饼图的填充色。
• autopct：自动添加百分比显示，可以采用格式化的方法显示。
• pctdistance：设置百分比标签与圆心的距离。
• shadow：是否添加饼图的阴影效果。
• labeldistance：设置各扇形标签（图例）与圆心的距离。
• startangle：设置饼图的初始摆放角度。
• radius：设置饼图的半径大小。
• counterclock：是否让饼图按逆时针顺序呈现。
• wedgeprops：设置饼图内外边界的属性，如边界线的粗细、颜色等。
• textprops：设置饼图中文本的属性，如字体大小、颜色等。
• center：指定饼图的中心点位置，默认为原点。
• frame：是否要显示饼图背后的图框，如果设置为True的话，需要同时控制图框x轴、y轴的范围和饼图的中心位置。

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

# 读取数据
Industry_GDP = pd.read_excel(r'E:\Data\4\Industry_GDP.xlsx')

# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签
Quarters = Industry_GDP.Quarter.unique()

# 取出第一、二、三产业的四季度值
Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业']
Industry1.index = range(len(Quarters))# 重新设置行索引
Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业']
Industry2.index = range(len(Quarters))
Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业']
Industry3.index = range(len(Quarters))

DataQ1 = Industry1[0] + Industry2[0] + Industry3[0] 
DataQ2 = Industry1[1] + Industry2[1] + Industry3[1] 
DataQ3 = Industry1[2] + Industry2[2] + Industry3[2] 
DataQ4 = Industry1[3] + Industry2[3] + Industry3[3] 
DataToatal = DataQ1+DataQ2+DataQ3+DataQ4
# 构造数据
Industry  = [DataQ1/DataToatal,DataQ2/DataToatal,DataQ3/DataToatal,DataQ4/DataToatal]
labels = Quarters

# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False
explode = [0,0,0,0.1] 
# 绘制饼图
plt.pie(x = Industry,                           # 绘图数据
        labels=labels,                          # 添加教育水平标签
        autopct='%.1f%%',                       # 设置百分比的格式，这里保留一位小数
        colors = np.array(['#332DF1','#2F8177','#A21B63','#22BB99']),
        radius= 1.2,                            #  圆的半径
        shadow= True,                            #  圆的阴影
        startangle = 0,                         # 设置饼图的初始角度
        counterclock= False,                   # False 表示逆时针
        wedgeprops = {'linewidth': 1.5, 'edgecolor':'green'},          # 设置饼图内外边界的属性值
        textprops = {'fontsize':20, 'color':'black'},                  # 设置文本标签的属性值
        explode= explode,                                              #第四季度突出显示
       )
# 添加图标题
plt.title('各个季度工业GDP总值百分比情况')
# 显示图形
plt.show()

3. 直方图与核密度曲线

直方图一般用来观察数据的分布形态，横坐标代表数值的均匀分段，纵坐标代表每个段内的观测数量（频数）。一般直方图都会与核密度图搭配使用，目的是更加清晰地掌握数据的分布特征。matplotlib模块中的hist函数就是用来绘制直方图的。关于该函数的语参数含义如下：

• x：指定要绘制直方图的数据。
• bins：指定直方图条形的个数。
• range：指定直方图数据的上下界，默认包含绘图数据的最大值和最小值。
• normed：是否将直方图的频数转换成频率。
• weights：该参数可为每一个数据点设置权重。
• cumulative：是否需要计算累计频数或频率。
• bottom：可以为直方图的每个条形添加基准线，默认为0。
• histtype：指定直方图的类型，默认为bar，除此之外，还有barstacked、stepstepfilled。
• align：设置条形边界值的对齐方式，默认为mid，另外还有left和right。
• orientation：设置直方图的摆放方向，默认为垂直方向。
• rwidth：设置直方图条形的宽度。
• log：是否需要对绘图数据进行log变换。
• color：设置直方图的填充色。
• edgecolor：设置直方图边框色。
• label：设置直方图的标签，可通过legend展示其图例。
• stacked：当有多个数据时，是否需要将直方图呈堆叠摆放，默认水平摆放。

import matplotlib.pyplot as plt 
import pandas as pd 

Titanic = pd.read_csv(r"E:/Data/4/titanic_train.csv")
if any(Titanic.Age.isnull()):
    Titanic.dropna(subset=['Age'], inplace=True)
Titanic.head()    

plt.hist(x = Titanic.Age,
         bins = 20,
         color= 'steelblue',
         edgecolor = 'black')
plt.xlabel("年龄")
plt.ylabel("人数")
plt.title("泰坦尼克号乘客年龄分布")

如果原始数据集中存在缺失值，一定要对缺失观测进行删除或替换，否则无法绘制成功。如果在直方图的基础上再添加核密度图，通过matplotlib模块就比较吃力了，因为首先得计算出每一个年龄对应的核密度值。为了简单起见，下面利用pandas模块中的plot方法将直方图和核密度图绘制到一起。

# Pandas模块绘制直方图和核密度图

# 绘制直方图
Titanic.Age.plot(kind = 'hist', bins = 20, color = 'steelblue', edgecolor = 'black', normed = True, label = '直方图')

# 绘制核密度图
Titanic.Age.plot(kind = 'kde', color = 'red', label = '核密度图')
# 添加x轴和y轴标签


# 添加标题
plt.title('泰坦尼克号乘客年龄分布')
plt.xlabel('年龄')
plt.ylabel('核密度值')

# 显示图例
plt.legend()
# 显示图形
plt.show()

4. 箱线图

箱线图是另一种体现数据分布的图形，通过该图可以得知数据的下须值（Q1-1.5IQR）、下四分位数（Q1）、中位数（Q2）、均值、上四分位（Q3）数和上须值（Q3+1.5IQR），更重要的是，箱线图还可以发现数据中的异常点。matplotlib模块中绘制箱线图的boxplot函数的参数含义如下：

• x：指定要绘制箱线图的数据。
• notch：是否以凹口的形式展现箱线图，默认非凹口。
• sym：指定异常点的形状，默认为＋号显示。
• vert：是否需要将箱线图垂直摆放，默认垂直摆放。
• whis：指定上下须与上下四分位的距离，默认为1.5倍的四分位差。
• positions：指定箱线图的位置，默认为[0,1,2…]。
• widths：指定箱线图的宽度，默认为0.5。
• patch_artist：bool类型参数，是否填充箱体的颜色；默认为False。
• meanline：bool类型参数，是否用线的形式表示均值，默认为False。
• showmeans：bool类型参数，是否显示均值，默认为False。
• showcaps：bool类型参数，是否显示箱线图顶端和末端的两条线（即上下须），默认为True。
• showbox：bool类型参数，是否显示箱线图的箱体，默认为True。
• showfliers：是否显示异常值，默认为True。
• boxprops：设置箱体的属性，如边框色，填充色等。
• labels：为箱线图添加标签，类似于图例的作用。
• filerprops：设置异常值的属性，如异常点的形状、大小、填充色等。
• medianprops：设置中位数的属性，如线的类型、粗细等。
• meanprops：设置均值的属性，如点的大小、颜色等。
• capprops：设置箱线图顶端和末端线条的属性，如颜色、粗细等。
• whiskerprops：设置须的属性，如颜色、粗细、线的类型等。

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

# 读取数据
Sec_Buildings = pd.read_excel(r"E:/Data/4/sec_buildings.xlsx")
Sec_Buildings.head()

# 解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi']
plt.rcParams['axes.unicode_minus'] = False

# 绘制箱线图
plt.boxplot(x = Sec_Buildings.price_unit, # 指定绘图数据
            patch_artist=True, # 要求用自定义颜色填充盒形图，默认白色填充
            showmeans=True,    # 以点的形式显示均值
            boxprops = {'color':'black','facecolor':'steelblue'},                   # 设置箱体属性，如边框色和填充色
            flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3},    # 设置异常点属性，如点的形状、填充色和点的大小
            meanprops = {'marker':'D','markerfacecolor':'yellow', 'markersize':4},  # 设置均值点的属性，如点的形状、填充色和点的大小
            medianprops = {'linestyle':'--','color':'green'},                       # 设置中位数线的属性，如线的类型和颜色
            labels = ['']                                                           # 删除x轴的刻度标签，否则图形显示刻度标签为1
           )
# 添加图形标题
plt.title('二手房单价分布的箱线图')
# 显示图形
plt.show()

# 二手房在各行政区域的平均单价
group_region = Sec_Buildings.groupby('region')
avg_price = group_region.aggregate({'price_unit':np.mean}).sort_values('price_unit', ascending = False)

# 通过循环，将不同行政区域的二手房存储到列表中
region_price = []
for region in avg_price.index:
    region_price.append(Sec_Buildings.price_unit[Sec_Buildings.region == region])
    
# 绘制分组箱线图
plt.boxplot(x = region_price, 
            patch_artist=True,
            labels = avg_price.index, # 添加x轴的刻度标签
            showmeans=True, 
            boxprops = {'color':'black', 'facecolor':'steelblue'}, 
            flierprops = {'marker':'o','markerfacecolor':'red', 'markersize':3}, 
            meanprops = {'marker':'D','markerfacecolor':'indianred', 'markersize':4},
            medianprops = {'linestyle':'--','color':'orange'}
           )

# 添加y轴标签
plt.ylabel('单价（元）')
# 添加标题
plt.title('不同行政区域的二手房单价对比')
# 显示图形
plt.show()

5. 折线图

对于时间序列数据而言，一般都会使用折线图反映数据背后的趋势。通常折线图的横坐标指代日期数据，纵坐标代表某个数值型变量，当然还可以使用第三个离散变量对折线图进行分组处理。折线图的绘制可以使用matplotlib模块中的plot函数实现。该函数参数含义如下:

• x：指定折线图的x轴数据。
• y：指定折线图的y轴数据。
• linestyle：指定折线的类型，可以是实线、虚线、点虚线、点点线等，默认为实线。
• linewidth：指定折线的宽度。
• marker：可以为折线图添加点，该参数是设置点的形状。
• markersize：设置点的大小。
• markeredgecolor：设置点的边框色。
• markerfactcolor：设置点的填充色。
• markeredgewidth：设置点的边框宽度。
• label：为折线图添加标签，类似于图例的作用。

import random
import matplotlib.pyplot as plt
x = [1,2,2,4,4,6,7,8,9,9,11]
y = [i**2 for i in x ]
plt.plot(x, y , label='x**2')
plt.xlabel('x label')
plt.ylabel('y label')

plt.title("Simple Plot")

plt.legend()

plt.show()

6. 散点图

如果需要研究两个数值型变量之间是否存在某种关系，例如正向的线性关系，或者是趋势性的非线性关系，那么散点图将是最佳的选择。matplotlib模块中的scatter函数可以非常方便地绘制两个数值型变量的散点图。函数的参数含义写在下方：

• x：指定散点图的x轴数据。
• y：指定散点图的y轴数据。
• s：指定散点图点的大小，默认为20，通过传入其他数值型变量，可以实现气泡图的绘制。
• c：指定散点图点的颜色，默认为蓝色，也可以传递其他数值型变量，通过cmap参数的色阶表示数值大小。
• marker：指定散点图点的形状，默认为空心圆。
• cmap：指定某个Colormap值，只有当c参数是一个浮点型数组时才有效。
• norm：设置数据亮度，标准化到0～1，使用该参数仍需要参数c为浮点型的数组。
• vmin、vmax：亮度设置，与norm类似，如果使用norm参数，则该参数无效。
• alpha：设置散点的透明度。
• linewidths：设置散点边界线的宽度。
• edgecolors：设置散点边界线的颜色。

import matplotlib.pyplot as plt
import pandas as pd

# 读入数据
iris = pd.read_csv(r'E:\Data\4\iris.csv')
iris.head()

# 绘制散点图
plt.scatter(x = iris.Petal_Width, # 指定散点图的x轴数据
            y = iris.Petal_Length, # 指定散点图的y轴数据
            color = 'steelblue' # 指定散点图中点的颜色
           )
# 添加x轴和y轴标签
plt.xlabel('花瓣宽度')
plt.ylabel('花瓣长度')
# 添加标题
plt.title('鸢尾花的花瓣宽度与长度关系')
# 显示图形
plt.show()

7. 气泡图

气泡图的实质就是通过第三个数值型变量控制每个散点的大小，点越大，代表的第三维数值越高，反之亦然。matplotlib模块中的scatter函数绘制了散点图，绘制气泡图将继续使用该函数。关键的参数是s，即散点图中点的大小，如果将数值型变量传递给该参数，就可以轻松绘制气泡图了。

import matplotlib.pyplot as plt
import pandas as pd
# 读取数据
Prod_Category = pd.read_excel(r'E:\Data\4\SuperMarket.xlsx')
Prod_Category.head()

# 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001
range_diff = Prod_Category.Profit_Ratio.max()-Prod_Category.Profit_Ratio.min()
Prod_Category['std_ratio'] = (Prod_Category.Profit_Ratio-Prod_Category.Profit_Ratio.min())/range_diff + 0.001

# 绘制办公用品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '办公用品'], 
            y = Prod_Category.Profit[Prod_Category.Category == '办公用品'], 
            s = Prod_Category.std_ratio[Prod_Category.Category == '办公用品']*1000,
            color = 'steelblue', label = '办公用品', alpha = 0.6
            )
# 绘制技术产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '技术产品'], 
           y = Prod_Category.Profit[Prod_Category.Category == '技术产品'], 
           s = Prod_Category.std_ratio[Prod_Category.Category == '技术产品']*1000,
           color = 'indianred' , label = '技术产品', alpha = 0.6
          )
# 绘制家具产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == '家具产品'], 
           y = Prod_Category.Profit[Prod_Category.Category == '家具产品'], 
           s = Prod_Category.std_ratio[Prod_Category.Category == '家具产品']*1000,
           color = 'black' , label = '家具产品', alpha = 0.6
          )

# 添加x轴和y轴标签
plt.xlabel('销售额')
plt.ylabel('利润')
# 添加标题
plt.title('销售额、利润及利润率的气泡图')
# 添加图例
plt.legend()
# 显示图形
plt.show()

如图上所示，应用scatter函数绘制了分组气泡图，从图中可知，办公用品和家具产品的利润率波动比较大（因为这两类圆点大小不均）。从代码角度来看，绘图的核心部分是使用三次scatter函数，而且代码结构完全一样，如果读者对for循环掌握得比较好，完全可以使用循环的方式替换三次scatter函数的重复应用。需要说明的是，如果s参数对应的变量值小于等于0，则对应的气泡点是无法绘制出来的。这里提供一个解决思路，就是先将该变量标准化为[0,1]，再加上一个非常小的值，如0.001。如上代码所示，最后对s参数扩大1000倍的目的就是凸显气泡的大小。

当然，作为强大的绘图库，Matplotlib的功能远远不止上面这一点，未涉及到的，以后需要用的时候，在进一步学习吧，坚持，坚持，坚持，每天进步一点点，不积跬步，无以至千里；不积小流，无以成江河。