Pandas可视化详解 | 轻松玩转Pandas(12)

2018年8月6日18:22:12 发表评论 58

教你学会 Pandas 不是我的目的,教你轻松玩转 Pandas 才是我的目的。我会通过一系列实例来带入 Pandas 的知识点,让你在学习 Pandas 的路上不再枯燥。

声明:我所写的轻松玩转 Pandas 教程都是免费的,如果对你有帮助,你可以持续关注我。

数据分析的结果不仅仅只是你来看的,更多的时候是给需求方或者老板来看的,为了更直观地看出结果,数据可视化是必不可少的一个环节。这里带大家来看下一些常用的图形的画法。

# 导入相关库
import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import matplotlib
# matplotlib.style.use("ggplot")
%matplotlib inline

np.random.seed(100)

Pandas 的数据可视化的实现底层依赖于 matplotlib,所以画图时很多基础知识需要涉及到 matplotlib。画图其实就是跟各种数字打交道,这里我们先给伪造一些数据。

df = pd.DataFrame(np.random.randint(-10, 10, (10, 3)), index=pd.date_range("1/1/2000", periods=10), columns=list("ABC"))
df = df.cumsum()
df.head()
A B C
2000-01-01 -2 -7 -3
2000-01-02 3 -1 -3
2000-01-03 -5 -9 -11
2000-01-04 -1 -17 -4
2000-01-05 5 -12 -10

折线图

生成数据之后,我们看下如何进行画图。其实非常简单的,调用 plot 方法就可以看到画图的结果了。

默认情况下参数 kind="line" 表示图的类型为折线图。通过折线图可以看出数据随着某个变量的变化趋势。

df.plot()

可以看看到,默认情况下,plot 会将索引作为 x 轴,列作为 y 轴,然后画出 line 图。但是有时候,我们需要自己指定 x 轴和 y 轴,这可如何是好呢?

别怕,Pandas 非常方便的为我们提供了参数 xy

df.plot(x="A", y="C")

柱状图

通过柱状图可以对比多个值的差别。如果想要画出柱状图,可以将参数 kind 设置为 bar 或者 barh

df.plot(kind="bar")

可以看到,设置 kind="bar" 之后,图形以索引为 x 轴, 列为 y 轴。

df.plot(kind="barh")

可以看到,设置 kind="barh" 之后,图形以列为 x 轴, 索引为 y 轴。同样我们也可以自己指定 x 轴和 y 轴。

df.plot(kind="bar", x="A", y=["B", "C"])

此外,如果想要生成堆叠条形图的haunted,可以设置参数 stacked=True

df.plot(kind="bar", stacked=True)

直方图

直方图是一种展示数据频数/率的特殊的柱状图。如果想要画出直方图,可以将参数 kind 设置为 hist

df.plot(kind="hist")

可以通过设置参数 bins 来改变 bin 的大小。

df.plot(kind="hist", bins=5)

箱线图

通过箱线图可以展示出分位数,具体包括上四分位数、下四分位数、中位数以及上下5%的极值。如果想要画出箱线图,可以将参数 kind 设置为 box

df.plot(kind="box")

区域图

如果想要画出区域图,可以将参数 kind 设置为 area

默认情况下,区域图是堆积的,要生成堆积的区域图图,每列必须全部为正值或全为负值。

df.abs().plot(kind="area")

想要生成不堆积的区域图,设置参数 stacked=False 即可。

df.plot(kind="area", stacked=False)

散点图

如果想要画出散点图,可以将参数 kind 设置为 scatter,同时需要指定 x 和 y。

通过散点图可以探索变量之间的关系。

df.plot(kind="scatter", x="A", y="B")

可以设置参数 c 作为列的名称以为每个点提供颜色。

df.plot(kind="scatter", x="A", y="B", c="C")

如果想要在单个轴上绘制多个列组,需要指定 ax。

ax = df.plot(kind="scatter", x="A", y="B", color="blue")
df.plot(kind="scatter", x="C", y="B", color="green", ax=ax)

饼图

如果想要画出饼图,可以将参数 kind 设置为 scatter

a = df.A[:5]
a.abs().plot.pie(subplots=True, figsize=(4, 4))
array([],
      dtype=object)

如果想要自动计算出比例,可以设置参数 autopct

a.abs().plot.pie(subplots=True, figsize=(4, 4), autopct="%.2f")
array([],
      dtype=object)

六边形容器图

在绘制散点图时,如果数据过于密集,则无法单独绘制出每个点,这时候可以考虑 Hexbin 图。

df = pd.DataFrame(np.random.randn(1000, 2), columns=["A", "B"])

df["B"] = df["B"] + np.arange(1000)

df.plot(kind="hexbin", x="A", y="B", gridsize=10)

其中,左边坐标表示的是值的分布,右边坐标表示的是数据量大小与颜色的对比。

一个有用的关键字参数是 gridsize ; 它控制x方向的六边形数量,并且默认为100.较大的格栅意味着更多的较小的分区。

df.plot(kind="hexbin", x="A", y="B", gridsize=20)


想要学习更多关于人工智能的知识,请关注公众号:AI派

这里我将整篇文章的内容整理成了pdf,想要pdf文件的可以在公众号后台回复关键字:pandas

  • 个人微信号
  • 添加时请备注“脑洞大开读者”
  • weinxin
  • 微信公众号
  • 关注会有更多精彩内容!
  • weinxin

发表评论

您必须登录才能发表评论!