人工智能-画图形（扩展）

Matplotlib:其能够支持所有的2D作图和部分3D作图。能通过交互环境做出印刷质量的图像。

Seaborn：基于Matplotlib，seaborn提供许多功能，比如：内置主题、颜色调色板、函数和提供可视化单变量、双变量、线性回归的工具。其能帮助我们构建复杂的可视化。

小提琴图

 

        小提琴图 (Violin Plot) 用于显示数据分布及其概率密度。

        这种图表结合了箱形图和密度图的特征，主要用来显示数据的分布形状。中间的黑色粗条表示四分位数范围，从其延伸的幼细黑线代表 95% 置信区间，而白点则为中位数。

 

# 导包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

if __name__ == "__main__":

　　# 读取数据

　　df = pd.read_excel('test.xlsx','sheet1')

　　print(df)

 

 

　　# 绘制小提琴图

　　sns.violinplot(df['Age'],df['Sales'])

　　

　　# 初始化数据

　　sns.despine()

　　

　　# 绘制

　　plt.show()

 

 

 

 

 

 

 

堆积柱形图

 

 

 

 

 

 

 

 

 

 

# 导包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

if __name__ == "__main__":

# 读取数据

　　df = pd.read_excel('test.xlsx','sheet1')

　　print(df)

　　# 根据性别体重分组求男女体重比例

　　# 生命绘图对象

　　myexcel = df.groupby(['BMI','Gender']).Sales.sum()

　　# 绘制柱状图

　　myexcel.unstack().plot(

　　　　kind= 'bar',

　　　　stacked=True,

　　　　color=['red','blue']

　　)

　　# 绘制

　　plt.show()

 

 

 

箱线图

 

 

箱形图（Box-plot）又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理。它主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比 较。箱线图的绘制方法是：先找出一组数据的最大值、最小值、中位数和两个四分位数；然后， 连接两个四分位数画出箱子；再将最大值和最小值与箱子相连接，中位数在箱子中间。

 

用 作：   显示一组数据分散情况资料

# 导包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

if __name__ == "__main__":

　　# 读取数据

　　df = pd.read_excel('test.xlsx','sheet1')

　　print(df)

　　# 箱线图

　　sns.boxplot(df['Age'])

　　# 初始化数据

　　sns.despine()

　　plt.show()

 

 

 

 

 直方图

 

直方图(Histogram)，又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。

直方图是数值数据分布的精确图形表示。 这是一个连续变量（定量变量）的概率分布的估计，并且被卡尔·皮尔逊（Karl Pearson）首先引入。它是一种条形图。 为了构建直方图，第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。

直方图也可以被归一化以显示“相对”频率。 然后，它显示了属于几个类别中的每个案例的比例，其高度等于1。

 

 

 

直方图的常见作用有以下三点：

(1)显示质量波动的状态；

(2)较直观地传递有关过程质量状况的信息；

(3)通过研究质量波动状况之后，就能掌握过程的状况，从而确定在什么地方集中力量进行质量改进工作。

 

 

# 导包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

if __name__ == "__main__":

　　# 读取数据

　　df = pd.read_excel('test.xlsx','sheet1')

　　print(df)

　　# 直方图

　　fig = plt.figure()

　　ax = fig.add_subplot(111)

　　ax.hist(df['Age'], bins=7)

　　plt.title('Age distribution')

　　plt.xlabel('Age')

　　plt.ylabel('Employee')

　　
　　plt.show()

 

气泡图

 

气泡图（bubble chart）是可用于展示三个变量之间的关系。它与散点图类似，绘制时将一个变量放在横轴，另一个变量放在纵轴，而第三个变量则用气泡的大小来表示。排列在工作表的列中的数据（第一列中列出 x 值，在相邻列中列出相应的 y 值和气泡大小的值）可以绘制在气泡图中。气泡图与散点图相似，不同之处在于：气泡图允许在图表中额外加入一个表示大小的变量进行对比。 

 

 

# 导包

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

if __name__ == "__main__":

　　# 读取数据

　　df = pd.read_excel('test.xlsx','sheet1')

　　print(df)

　　

　　fig = plt.figure()

　　ax = fig.add_subplot(111)

　　ax.scatter(df['Age'], df['Sales'], s=df['Income']) # 第三个变量表明根据收入气泡的大小

　　plt.show()