用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

在数据分析过程中,一般提取数据库里面的数据时候,拿着表格数据反复思索,希望能够根据自己所想立马生成一张数据可视化的图表来更直观的呈现数据。

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

但想要进行数据可视化的时候,往往需要调用很多的库与函数,还需要数据转换以及大量的代码处理编写。这都是十分繁琐的工作,确实只为了数据可视化我们不需要实现数据可视化的工程编程,这都是数据分析师以及拥有专业的报表工具来做的事情,日常分析的话我们根据自己的需求直接进行快速出图即可,而Pandas正好就带有这个功能,当然还是依赖matplotlib库的,只不过将代码压缩更容易实现。下面就让我们来了解一下如何快速出图。

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

一、基础绘图:plot

Series和DataFrame上的plot方法只是plt.plot()的简单包装,这里我们用一段实际数据来进行可视化展示:

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

这是一段真实地铁通行量特征数据,我们用此数据进行展示:

 

df_flow['客流量'].plot()

# 小伙伴们在学习Python的过程中,有时候不知道怎么学,从哪里开始学。掌握了一些基本的知识或者做了一些案例后,不知道下一步怎么走,不知道如何去学习更加高深的知识。
# 那么对于这些大兄弟们,我准备了大量的免费视频教程,PDF电子书籍,以及源代码!
# 我都放在这个裙了 279199867  大家自取即可~ 

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

如果索引由日期组成,则调用gcf().autofmt_xdate()方法可以很好地格式化x轴。

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

在DataFrame上,plot()可以方便地用标签绘制所有列:

df_flow_mark[['湿度','风级','降水量']].plot()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

可以使用plot()中的x和y关键字绘制一列与另一列的对比,比如我们想要使用星期六的客流量和星期日的客流量作对比:

df_flow_7=df_flow[df_flow['日期']=='星期日'].iloc[:7,:]
df_flow_7.rename(columns={'客流量':'星期日客流量'},inplace=True)
df_flow_6=df_flow[df_flow['日期']=='星期六'].iloc[:7,:]
df_flow_6.rename(columns={'客流量':'星期六客流量'},inplace=True)
df_compare=pd.concat([columns_convert_df(df_flow_7['星期日客流量']),columns_convert_df(df_flow_6['星期六客流量'])],axis=1)
df_compare.plot(x='星期日客流量',y='星期六客流量')

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

二、底图板块

根据Pandas包装后的kind关键字我们梳理一下底图种类:

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

也可以使用DataFrame.plot方法创建这些其他绘图而不是提供kind关键字参数。这使得更容易发现绘图方法及其使用的特定参数:

df.plot.area     df.plot.barh     df.plot.density  df.plot.hist     df.plot.line     df.plot.scatter
df.plot.bar      df.plot.box      df.plot.hexbin   df.plot.kde      df.plot.pie

 

除了这些类型,还有DataFrame.hist()和DataFrame.boxplot()方法,它们使用单独的接口。

最后,pandas中有几个绘图功能。以Series或DataFrame作为参数的绘图。其中包括:

  • Scatter Matrix

  • Andrews Curves

  • Parallel Coordinates

  • Lag Plot

  • Autocorrelation Plot

  • Bootstrap Plot

  • RadViz

分别是:

  • 散射矩阵
  • 安德鲁斯曲线
  • 平行坐标
  • 滞后图
  • 自相关图
  • 引导图
  • 拉德维兹图

绘图也可以用错误条或表格进行装饰。

1、条形图

df_flow_mark['客流量'].plot(kind='bar')
df_flow_mark['客流量'].plot.bar()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

多个标签图表也可以一齐绘出:

df_flow_mark[['风级','降水量']].plot.bar()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

要生成堆叠条形图,传递stacked=True:

df_flow_mark[['风级','降水量']].plot.bar(stacked=True)

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

长久看这个maatplotlib的默认地图有点疲劳了,我这里换个主题,还是一样的效果不碍事。

要获得水平条形图可以使用barh方法:

df_flow_mark[['风级','降水量']].plot.barh(stacked=True)

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

2、直方图

可以使用DataFrame.plo.hist()和Series.plot.hist()方法绘制直方图.

df4 = pd.DataFrame(
    {
        "a": np.random.randn(1000) + 1,
        "b": np.random.randn(1000),
        "c": np.random.randn(1000) - 1,
    },
    columns=["a", "b", "c"],
)
plt.figure();
df4.plot.hist(alpha=0.5)

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

直方图可以使用stacked=True进行叠加。可以使用bins关键字更改bin大小。

df4.plot.hist(stacked=True, bins=20);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

可以传递matplotlib hist支持的其他关键字。例如,水平和累积直方图可以通过orientation='horizontal’和cumulative=True绘制。

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

有关详细信息,可以参阅hist方法和matplotlib hist文档。
现有接口DataFrame.hist,但仍然可以使用hist绘制直方图

plt.figure();
df_flow_mark['风级'].hist();

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

DataFrame.hist()可以在多个子地块上绘制列的直方图:

plt.figure();
df_flow_mark[['风级','降水量']].diff().hist(color="k", alpha=0.5, bins=50);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

可以指定by关键字来绘制分组直方图:

data = pd.Series(np.random.randn(1000))
 
data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4));

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

此外,还可以在DataFrame.plot.hist()中指定by关键字:

data = pd.DataFrame(
    {
        "a": np.random.choice(["x", "y", "z"], 1000),
        "b": np.random.choice(["e", "f", "g"], 1000),
        "c": np.random.randn(1000),
        "d": np.random.randn(1000) - 1
    }
)
data.plot.hist(by=["a", "b"], figsize=(10, 5));

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

三、箱线图

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

调用

  • Series.plot.box()
  • DataFrame.plot.box()
  • DataFrame.boxplot()

可以绘制箱线图可视化每个列中的值分布。

df_flow_mark[['风级','降水量']].plot.box()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
可以通过传递color关键字对Boxplot进行着色。你可以传递一个字典dict,key关键字为boxes、whiskers,medians,caps。如果dict中缺少一些键,则会为相应的使用默认颜色。此外,箱线图还有sym关键字来指定传单样式。

color = {
    "boxes": "DarkGreen",
    "whiskers": "DarkOrange",
    "medians": "DarkBlue",
    "caps": "Gray",
}
df_flow_mark[['风级','降水量']].plot.box(color=color, sym="r+")

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
创建一个数据集展示更加明显:

df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])
color = {
    "boxes": "DarkGreen",
    "whiskers": "DarkOrange",
    "medians": "DarkBlue",
    "caps": "Gray",
}
df.plot.box(color=color, sym="r+")

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
此外,还可以传递matplotlib箱线图支持的其他关键字。例如,可以通过vert=False和positions关键字绘制水平和自定义定位箱线图。

df.plot.box(vert=False, positions=[1, 4, 5, 6, 8])

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

现有接口仍然可以使用DataFrame.boxplot:

df.boxplot()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

可以使用by关键字参数创建分层箱线图来创建分组。

例如

df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"])
df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
plt.figure();
bp = df.boxplot(by="X")

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
还可以传递要打印的列子集,以及按多个列分组:

df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
df["Y"] = pd.Series(["A", "B", "A", "B", "A", "B", "A", "B", "A", "B"])
plt.figure();
bp = df.boxplot(column=["Col1", "Col2"], by=["X", "Y"])

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
用DataFrame.plot.box()也是一样的:

df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])
df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])
plt.figure()
bp = df.plot.box(columns=["Col1", "Col2"], by="X")

 

在箱线图中,返回类型可以由return_type,关键字控制。有效选项是{“axes”、“dict”、“both”、“None}。镶嵌面,由DataFrame.boxplot创建by关键字的箱线图也会影响输出类型:

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

np.random.seed(1234)
df_box = pd.DataFrame(np.random.randn(50, 2))
df_box["g"] = np.random.choice(["A", "B"], size=50)
df_box.loc[df_box["g"] == "B", 1] += 3
bp = df_box.boxplot(by="g")

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
上面的子地块首先由数字列分割,然后由g列的值分割。下面的子地块首先由g值分割,然后由数字列分割。

bp = df_box.groupby("g").boxplot()

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

四、面积填充图

可以使用Series.plot.area()和DataFrame.plot.area()创建面积图。默认情况下,面积图是堆叠的。要生成堆叠面积图,每列必须全部为正值或全部为负值。

当输入数据包含NaN时,它将自动由0填充。如果要使用不同的值进行删除或填充,调用plot之前可以使用DataFrame.dropna()或DataFrame.fillna()。

代码如下(示例):

df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.plot.area();

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
要生成未堆叠的绘图,请传递stacked=False。Alpha值设置为0.5。

df.plot.area(stacked=False);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

五、散点图

可以使用DataFrame.plot.scatter()方法绘制散点图,散点图需要x轴和y轴的数字列。这些可以由x和y关键字指定。

df_flow_mark.plot.scatter(x='日期',y='客流量')

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
要在单个轴上绘制多个列组,可以重复指定目标轴的打印方法。建议指定颜色(color)和标签(label)关键字以区分每个组。

df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])
df["species"] = pd.Categorical(
    ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10
)
ax = df.plot.scatter(x="a", y="b", color="DarkBlue", label="Group 1")
df.plot.scatter(x="c", y="d", color="DarkGreen", label="Group 2", ax=ax);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
关键字c可以作为列的名称,为每个点提供颜色:

df.plot.scatter(x="a", y="b", c="c", s=50);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
如果将分类列传递给c,则将生成一个离散的颜色条:

df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50);

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~
可以传递matplotlib.scatter支持的其他关键字。下面的示例显示了一个气泡图,它使用DataFrame的一列作为气泡大小。

df_flow_mark.plot.scatter(x='日期',y='客流量',s=df_flow_mark['湿度']*200)

 

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

六、最后

最后给大家分享一套Python视频:Python实战100例

今天的分享就到这里结束辽~

大家下次再见!

用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:用Python自动实现图表可视化操作,提高工作效率,又能有更多的时间摸鱼了~ - Python技术站

(0)
上一篇 2023年4月2日 下午4:55
下一篇 2023年4月2日

相关文章

  • 重温Python基础——列表

    哈喽,兄弟们,今天让我们一起来重温一下Python基础中的列表,看看你还记得多少呢? 列表是什么 列表有一系列特定顺序排列的元素组成。可以包含字母表中的所有字母,数字等。其中的元素之间可以没有任何联系,列表通常包含多种元素。 在Python中用方括号([])表示列表,用逗号分隔其中的元素。 a=[‘wo’,’ai’,’xue’,’xi’,13,14]   访…

    Python开发 2023年4月2日
    00
  • Python常用命名规范,让你的代码更加优雅!

    哈喽兄弟们,今天分享一下以前总结的一些Python常用命名规范,希望对大家有所帮助。 命名规范在编写代码中起到很重要的作用,虽然不遵循命名规范,程序也可以运行,但是使用命名规范可以更加直观地了解代码所代表的含义,本文将介绍Python中常用的一些命名规范。 常用命名规范 1、模块名尽量短小,并且全部使用小写字母,可以使用下划线。例如,game_main、ga…

    Python开发 2023年4月2日
    00
  • python 装饰器

    一、我们在python语言中  常用@classmethod、@staticmethod这个装饰器,装饰器的作用简单来讲就是我们在很多地方可能都会用到一下相同的功能,这时我们会有两种想法。 1. 将这部分相同的功能封装成函数,然后在使用这个功能的时候程序中调用这个函数。 2. 将这部分相同的功能封装成装饰器,然后在使用这个功能的时候在需要处理的方法前加上对应…

    Python开发 2023年4月2日
    00
  • 奶奶常说,黑白照片看的不清晰,还好我会Python,分分钟给她变成彩色的~

    咳咳~ 其实是奶奶常说,艾欧尼亚昂扬不灭,正义将指引着我们!   好吧,并不是奶奶说,只是最近回家发现一些黑白老照片,看着不够清晰,然后实验了一波用Python把老照片变成彩色的。 代码展示 import requests # Python学习交流资料源码获取群 279199867 r = requests.post( “https://api.deepai…

    2023年4月2日
    00
  • Python字典对象的创建(9种方式)

    第一种方式:使用{} firstDict = {“name”: “wang yuan wai “, “age” : 25}   说明:{}为创建一个空的字典对象 第二种方式:使用fromkeys()方法 second_dict = dict.fromkeys((“name”, “age”)) #value使用默认的None,也可以指定value值   说明:…

    Python开发 2023年3月31日
    00
  • Python一键读取文件中英文单词数量

    一、 序言 今天用Python来试试,对一个文件里面的英文单词数量进行快速统计,告别传统计数方式。 目标文件 我也不知道多少个,瞎复制的~ 二、涉及知识点 文件读写 基础语法 字符串分割   三、代码实践 首先我们创建一个Python文件 导入我们需要用到的模块 import platform # 我给大家准备了这些资料:Python视频教程、100本Pyt…

    Python开发 2023年4月2日
    00
  • 利用Python生成随机密码,灰常简单

    兄弟们,今天我们来用Python生成随机密码试试~ 知识点 文件读写 基础语法 字符串处理 字符拼接   代码解析 导入模块 import platform import string import random # 我还给大家准备了这些资料:Python视频教程、100本Python电子书、基础、爬虫、数据分析、web开发、机器学习、人工智能、面试题、Py…

    Python开发 2023年4月2日
    00
  • Python基础之reduce函数

    哈喽大家好,今天说一下reduce函数的使用方法,以及与for循环的对比。 reduce函数原本在python2中也是个内置函数,不过在python3中被移到functools模块中。 reduce函数先从列表(或序列)中取出2个元素执行指定函数,并将输出结果与第3个元素传入函数,输出结果再与第4个元素传入函数,…,以此类推,直到列表每个元素都取完。 # 很…

    Python开发 2023年4月2日
    00
合作推广
合作推广
分享本页
返回顶部