Python可视化创建图表示例,python做可视化数据图表

　　数据可视化是指以图形或表格的形式呈现数据。图表可以清楚地显示数据的性质以及数据或属性之间的关系。本文分享几个Python数据可视化绘图的例子，有兴趣的可以看看。

　　00-1010使用可视化来探索图表1。数据可视化和探索图2。常用图表实例数据探索与实战分享1.2013美国社区调查2。波士顿房屋数据集

利用可视化探索图表

　　数据可视化是指以图形或表格的形式呈现数据。图表可以清楚地显示数据的性质，以及数据或属性之间的关系，并且可以很容易地被人们所理解。用户可以通过探索图了解数据的特征，发现数据的趋势，降低理解数据的门槛。

1.数据可视化与探索图

　　本章主要是用熊猫来画图，而不是用Matplotlib模块。事实上，Pandas已经将Matplotlib的绘制方法集成到DataFrame中，因此在实际应用中，用户无需直接引用Matplotlib即可完成绘制。

　　1.折线图

　　折线图是最基本的图表，可以用来表示不同领域的连续数据之间的关系。Plot.line()用于绘制折线图。您可以设置颜色和形状等参数。在使用中，拆线图的绘制方法完全继承了Matplotlib的用法，所以程序最终必须调用plt.show()生成一个图，如图8.4所示。

　　df _ iris[[ sepallength(cm)]]. plot . line()

　　plt.show()

　　ax=df[[ sepallength(cm)]]. plot . line(color= green ，title=Demo ，style= -)

　　ax.set(xlabel=index ，ylabel=length )

　　plt.show()

　　2.散布图

　　散点图用于查看不同领域的离散数据之间的关系。散点图是用df.plot.scatter()绘制的，如图8.5所示。

　　df=df_iris

　　df . plot . scatter(x= sepal length(cm)，y=sepalwidth(cm))

　　frommatplotlibimporttcm

　　cmap=cm.get_cmap(Spectral )

　　df.plot.scatter(x=分离长度(厘米)，

　　y=sepalwidth(cm)，

　　s=df[[拍长(厘米)]]*20，

　　c=df[目标]，

　　cmap=cmap，

　　title= differentcirclesizebypetallength(cm))

　　3.直方图、长条图

　　直方图通常用于同一领域，以显示连续数据的分布情况。另一种类似直方图的图表是条形图，用于查看同一字段，如图8.6所示。

　　df[[sepallength(cm)， sepalwidth(cm)， petallength(cm)， petalwidth(cm)]]]. plot . hist()

　　2df.target.value_counts()。

　　4. 圆饼图、箱形图

　　饼图可用于查看同一字段中类别的比例，而盒图可用于查看同一字段中数据的分布差异或比较不同字段，如图8.7所示。

　　df.target.va

　　lue_counts().plot.pie(legend=True)

　　df.boxplot(column=[target],ﬁgsize=(10,5))

数据探索实战分享

　　本节利用两个真实的数据集实际展示数据探索的几种手法。

1.2013年美国社区调查

　　在美国社区调查（American Community Survey）中，每年约有 350 万个家庭被问到关于他们是谁及他们如何生活的详细问题。调查的内容涵盖了许多主题，包括祖先、教育、工作、交通、互联网使用和居住。

　　数据来源

　　数据名称：2013 American Community Survey。

　　先观察数据的样子与特性，以及每个栏位代表的意义、种类和范围。

# 读取数据
　　df = pd.read_csv("./ss13husa.csv")
　　# 栏位种类数量
　　df.shape
　　# (756065,231)
　　# 栏位数值范围
　　df.describe()

　　先将两个 ss13pusa.csv 串连起来，这份数据总共包含 30 万笔数据，3 个栏位：SCHL ( 学历，School Level)、 PINCP ( 收入，Income) 和 ESR ( 工作状态，Work Status)。

pusa = pd.read_csv("ss13pusa.csv") pusb = pd.read_csv("ss13pusb.csv")
　　# 串接两份数据
　　col = [SCHL,PINCP,ESR]
　　df[ac_survey] = pd.concat([pusa[col],pusb[col],axis=0)

　　依据学历对数据进行分群，观察不同学历的数量比例，接着计算他们的平均收入。

group = df[ac_survey].groupby(by=[SCHL]) print(学历分布: + group.size())
　　group = ac_survey.groupby(by=[SCHL]) print(平均收入: +group.mean())

2.波士顿房屋数据集

　　波士顿房屋数据集（Boston House Price Dataset）包含有关波士顿地区的房屋信息，包 506 个数据样本和 13 个特征维度。

　　数据来源

　　数据名称：Boston House Price Dataset。

　　先观察数据的样子与特性，以及每个栏位代表的意义、种类和范围。

　　可以用直方图的方式画出房价（MEDV）的分布，如图 8.8 所示。

df = pd.read_csv("./housing.data")
　　# 栏位种类数量
　　df.shape
　　# (506, 14)
　　#栏位数值范围df.describe()
　　import matplotlib.pyplot as plt 
　　df[[MEDV]].plot.hist() 
　　plt.show()

　　注：图中英文对应笔者在代码中或数据中指定的名字，实践中读者可将它们替换成自己需要的文字。

　　接下来需要知道的是哪些维度与房价关系明显。先用散布图的方式来观察，如图8.9所示。

# draw scatter chart 
　　df.plot.scatter(x=MEDV, y=RM) .
　　plt.show()

　　最后，计算相关系数并用聚类热图（Heatmap）来进行视觉呈现，如图 8.10 所示。

# compute pearson correlation 
　　corr = df.corr()
　　# draw  heatmap 
　　import seaborn as sns 
　　corr = df.corr() 
　　sns.heatmap(corr) 
　　plt.show()

　　颜色为红色，表示正向关系；颜色为蓝色，表示负向关系；颜色为白色，表示没有关系。RM 与房价关联度偏向红色，为正向关系；LSTAT、PTRATIO 与房价关联度偏向深蓝，为负向关系；CRIM、RAD、AGE 与房价关联度偏向白色，为没有关系。

　　以上就是Python数据可视化绘图实例详解的详细内容，更多关于Python数据可视化的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。