以下默認所有的操作都先導入了numpy、pandas、matplotlib、seaborn
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns
一、折線圖
折線圖可以用來表示數據隨著時間變化的趨勢
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]
Matplotlib
plt.plot(x, y)plt.show()
Seaborn
df = pd.DataFrame({'x': x, 'y': y})sns.lineplot(x="x", y="y", data=df)plt.show()
二、直方圖
直方圖是比較常見的視圖，它是把橫坐標等分成了一定數量的小區間，然後在每個小區間內用矩形條（bars）展示該區間的數值
a = np.random.randn(100)s = pd.Series(a)
Matplotlib
plt.hist(s)plt.show()
Seaborn
sns.distplot(s, kde=False)plt.show()sns.distplot(s, kde=True)plt.show()
三、垂直條形圖
條形圖可以幫我們查看類別的特徵。在條形圖中，長條形的長度表示類別的頻數，寬度表示類別。
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']y = [5, 4, 8, 12, 7]
Matplotlib
plt.bar(x, y)plt.show()
Seaborn
plt.show()
四、水平條形圖
x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']y = [5, 4, 8, 12, 7]plt.barh(x, y)plt.show()
五、餅圖
nums = [25, 37, 33, 37, 6]labels = ['High-school','Bachelor','Master','Ph.d', 'Others']plt.pie(x = nums, labels=labels)plt.show()
六、箱線圖
箱線圖由五個數值點組成：最大值 (max)、最小值 (min)、中位數 (median) 和上下四分位數 (Q3, Q1)。
可以幫我們分析出數據的差異性、離散程度和異常值等。
Matplotlib
# 生成0-1之間的10*4維度數據data=np.random.normal(size=(10,4)) lables = ['A','B','C','D']# 用Matplotlib畫箱線圖plt.boxplot(data,labels=lables)plt.show()
Seaborn
# 用Seaborn畫箱線圖df = pd.DataFrame(data, columns=lables)sns.boxplot(data=df)plt.show()
七、熱力圖
力圖，英文叫 heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。通過顏色就能直觀地知道某個位置上數值的大小。
flights = sns.load_dataset("flights")data=flights.pivot('year','month','passengers')sns.heatmap(data)plt.show()
通過 seaborn 的 heatmap 函數，我們可以觀察到不同年份，不同月份的乘客數量變化情況，其中顏色越淺的代表乘客數量越多
八、散點圖
散點圖的英文叫做 scatter plot，它將兩個變量的值顯示在二維坐標中，非常適合展示兩個變量之間的關係。
N = 1000x = np.random.randn(N)y = np.random.randn(N)
Matplotlib
plt.scatter(x, y,marker='x')plt.show()
Seaborn
df = pd.DataFrame({'x': x, 'y': y})sns.jointplot(x="x", y="y", data=df, kind='scatter');plt.show()
九、蜘蛛圖
蜘蛛圖是一種顯示一對多關係的方法，使一個變量相對於另一個變量的顯著性是清晰可見
labels=np.array([u"推進","KDA",u"生存",u"團戰",u"發育",u"輸出"])stats=[83, 61, 95, 67, 76, 88]# 畫圖數據準備，角度、狀態值angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)stats=np.concatenate((stats,[stats[0]]))angles=np.concatenate((angles,[angles[0]]))# 用Matplotlib畫蜘蛛圖fig = plt.figure()ax = fig.add_subplot(111, polar=True) ax.plot(angles, stats, 'o-', linewidth=2)ax.fill(angles, stats, alpha=0.25)# 設置中文字體font = FontProperties(fname=r"/System/Library/Fonts/PingFang.ttc", size=14) ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)plt.show()
十、二元變量分布
二元變量分布可以看兩個變量之間的關係
tips = sns.load_dataset("tips")tips.head(10)#散點圖sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')#核密度圖sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')#Hexbin圖sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')plt.show()
十一、面積圖
面積圖又稱區域圖，強調數量隨時間而變化的程度，也可用於引起人們對總值趨勢的注意。
堆積面積圖還可以顯示部分與整體的關係。折線圖和面積圖都可以用來幫助我們對趨勢進行分析，當數據集有合計關係或者你想要展示局部與整體關係的時候，使用面積圖為更好的選擇。
df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])# 堆面積圖df.plot.area()# 面積圖df.plot.area(stacked=False)
十二、六邊形圖
六邊形圖將空間中的點聚合成六邊形，然後根據六邊形內部的值為這些六邊形上色。
df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b'])df['b'] = df['b'] + np.arange(1000)# 關鍵字參數gridsize；它控制x方向上的六邊形數量，默認為100，較大的gridsize意味著更多，更小的bindf.plot.hexbin(x='a', y='b', gridsize=25)