乐趣区

关于数据分析:Python数据分析-基于Pandas的数据可视化

jiezi

作者：韩信子 @ShowMeAI
教程地址：http://www.showmeai.tech/tutorials/33
本文地址：http://www.showmeai.tech/article-detail/150
申明：版权所有，转载请分割平台与作者并注明出处

大家在后面的教程中看到了 Pandas 进行数据分析的灵便操作，但同时作为一个功能强大的全能工具库，它也能十分不便地反对数据可视化，而且大部分根底图像绘制只有一行代码就能实现，大大减速了咱们的剖析效率，本文咱们介绍 pandas 可视化及绘制各种图形的办法。

一、根本绘图函数 plot

Series 和 DataFrame 上的可视化性能，只是围绕 matplotlib 库 plot() 办法的简略包装。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(10,4),index=pd.date_range('1/1/2022',
   periods=10), columns=list('ABCD'))
df.plot()

运行后果如下：

如果索引由日期组成，如上图所示，会主动进行日期填充。

除默认线图外，还能够绘制多种款式，能够应用 DataFrame.plot.[图类型参数] 办法进行不同图形的抉择。

二、条形图

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(10,4),columns=['e','f','g','h'])
df.plot.bar()

运行后果如下：

产生重叠的柱状图, 能够设置 stacked=True

import pandas as pd
df = pd.DataFrame(np.random.rand(10,4),columns= ['e','f','g','h'])
df.plot.bar(stacked=True)

运行后果如下：

要获取程度条形图，能够应用 barh 办法：

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(10,4),columns= ['e','f','g','h'])
df.plot.barh(stacked=True)

运行后果如下：

三、直方图

能够应用 plot.hist() 办法绘制直方图。咱们能够指定数量。

import pandas as pd
import numpy as np
df = pd.DataFrame({'a':np.random.randn(1000)+1,'b':np.random.randn(1000),'c':np.random.randn(1000) - 1, 'd':np.random.randn(1000) -2}, columns=['a', 'b', 'c', 'd'])
df.plot.hist(bins=20)

运行后果如下：

能够应用以下代码为每列绘制不同的直方图：

import pandas as pd
import numpy as np
df = pd.DataFrame({'a':np.random.randn(1000)+1,'b':np.random.randn(1000),'c':np.random.randn(1000) - 1, 'd':np.random.randn(1000) -2}, columns=['a', 'b', 'c', 'd'])
df.diff().hist(bins=20)

运行后果如下：

四、箱形图

能够通过调用 Series.box.plot() 和 DataFrame.box.plot() 或 DataFrame.boxplot() 来绘制 Boxplot，以可视化每个列中值的散布。

例如，这是一个箱线图，代表对[0,1）上的一个随机变量的 10 个观测值的五个试验。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
df.plot.box()

运行后果如下：

五、面积图

能够应用 Series.plot.area() 或 DataFrame.plot.area() 办法创立面积图。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(10, 4), columns=['A', 'B', 'C', 'D'])
df.plot.area()

运行后果如下：

六、散点图

创立散点图能够应用 DataFrame.plot.scatter() 办法。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')

运行后果如下：

七、饼形图

创立饼图能够应用 DataFrame.plot.pie() 办法。

import pandas as pd
import numpy as np
df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)

运行后果如下：

材料与代码下载

本教程系列的代码能够在 ShowMeAI 对应的 github 中下载，可本地 python 环境运行，能迷信上网的宝宝也能够间接借助 google colab 一键运行与交互操作学习哦！

本系列教程波及的速查表能够在以下地址下载获取：

  • Pandas 速查表
  • NumPy 速查表
  • Matplotlib 速查表
  • Seaborn 速查表

拓展参考资料

  • Pandas 可视化教程
  • Seaborn 官网教程

ShowMeAI 相干文章举荐

  • 数据分析介绍
  • 数据分析思维
  • 数据分析的数学根底
  • 业务认知与数据初探
  • 数据荡涤与预处理
  • 业务剖析与数据挖掘
  • 数据分析工具地图
  • 统计与数据科学计算工具库 Numpy 介绍
  • Numpy 与 1 维数组操作
  • Numpy 与 2 维数组操作
  • Numpy 与高维数组操作
  • 数据分析工具库 Pandas 介绍
  • 图解 Pandas 外围操作函数大全
  • 图解 Pandas 数据变换高级函数
  • Pandas 数据分组与操作
  • 数据可视化准则与办法
  • 基于 Pandas 的数据可视化
  • seaborn 工具与数据可视化

ShowMeAI 系列教程举荐

  • 图解 Python 编程：从入门到精通系列教程
  • 图解数据分析：从入门到精通系列教程
  • 图解 AI 数学根底：从入门到精通系列教程
  • 图解大数据技术：从入门到精通系列教程

退出移动版