Python-Matplotlib、Seaborn、Plotly

Catalog：Click to jump to the corresponding position

一、绘图参数详解

二、折线图

三、饼图

四、条形图

五、直方图

六、散点图

七、堆积条形图

八、箱线图

九、图形的完整设置

　　9.1图例

　　9.2图像大小

　　9.3绘制网格线

　　9.4绘制参考线

　　9.5绘制参考区域

　　9.6画布的使用

　　9.7调整刻度轴

　　9.8图形添加文本内容

十、绘制双坐标轴

十一、多个图形合并

十二、Seaborn

十三、使用seaborn函数绘制统计图形

　　13.1绘制柱状图

　　13.2绘制散点图

　　13.3绘制箱线图

　　13.4绘制直方图

　　13.5折线图

　　13.6回归图

　　13.7countplot

十四、绘图风格

十五、plotly模块

　　15.1使用plotly绘制散点图、折线图

　　15.2使用plotly绘制各类柱状图

　　15.3使用plotly绘制直方图

　　15.4使用plotly绘制饼图

十六、plotly下的图形设置

　　16.1多图表

　　16.2双坐标轴

　　16.3多子图

=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=.=

一、绘图参数详解

plt.plot(x,y,ls=,lw=,c=,marker=,markersize=,markeredgecolor=,markerfacecolor, label=)

x:x轴上的数值

y: y轴上的数值

ls:折线的风格

lw:线条宽度

c:颜色

marker:线条上点的形状

markersize:线条上点的形状的大小

markeredgecolor:点的边框色

markerfacecolor:点的填充色

label:图例的标签

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')
plt.show()

绘图的其他参数：

设置画布的代码参数 plt.figure(figsize=,dpi=,facecolor=)  figsize表示画布的长宽，dpi表示分辨率，facecolor表示画布边框的颜色，画布的设置一定要在画图之前

图片的标题 plt.title(string,color=,size=,loc=)

X轴的标签 plt.xlabel()

Y轴的标签 plt.ylabel()

确定X轴范围 plt.xlim() 

确定Y轴范围 plt.ylim()

确定X轴的标签刻度 plt.xticks()

确定Y轴的标签刻度 plt.yticks() 

plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')

展示图例：loc参数表示图例的位置(upper、lower、left、right、center)，fontsize表示字体大小，frameon表示是否有边框

　　 plt.legend(loc='best',fontsize=10,frameon=True)  #图例就是plt.plot代码里label定义的内容

保存图片 plt.savefig(r'F:datacase_picture.png') #一定要在show代码前

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题
plt.rcParams['axes.unicode_minus']=False  #解决某些标点符号显示问题
x = np.linspace(0,20,10)
y = np.sin(x)
plt.figure(figsize=(5,3),dpi=150,facecolor='white')
plt.title('This is a case')
plt.xlabel('X轴的标签')
plt.ylabel('Y轴的标签')
plt.xlim([0,22])#确定X轴范围
plt.ylim([-1.2,1.2])#确定Y轴范围
plt.xticks([i*2 for i in range(0,11)])#确定X轴的标签刻度
plt.yticks([-1,-0.75,-0.5,-0.25,-0.00,0.25,0.5,0.75,1.00]) #确定Y轴的标签刻度
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')
plt.legend(loc='best')  #展示图例，loc参数表示图例的位置
plt.savefig(r'F:datacase_picture.png')
plt.show()

线条风格："-"、"--"、"-."、":"

填充形状："."、","、"o"、"v"、"^"、"<"、">"、"1"、"2"、"3"、"4"、"s"、"p"、"*"、"h"、"H"、"+"、"x"、"D"、"d"、"|"、"_"

二、折线图

折线图是将数据点按照顺序连接起来的图形，可以认为主要作用是查看y随着x改变的趋势,非常适合时间序列分析

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel(r'F:data国民经济核算季度数据.xlsx')
data.head(3)

输出结果：

plt.rcParams['font.sans-serif']=['SimHei']
plt.figure(dpi=90)
plt.plot(data.iloc[:,0], data.iloc[:,3],'bs--',
data.iloc[:,0],data.iloc[:,4],'gh--',
data.iloc[:,0],data.iloc[:,5],'ro--')
plt.xlabel('年份',fontsize=10)
plt.ylabel('生产总值',fontsize=10)
plt.xticks(range(0,70,4), data.iloc[range(0,70,4),1], rotation=45,fontsize=10)
plt.legend(['第一产业’,’第二产业','第三产业'])
plt.show()

输出结果： 

三、饼图

饼图用于实现可视化离散型变量的分布的一种图形

plt.pie(x,explode,labels,colors,autopct=,pctdistance,shadow,startangle,radius,wedgeprops,textprops,center)

--explode:突出显示

--labels:标签

--colors:颜色

--autopct:百分比

--pctdistance:百分比标签与圆心距离

--shadow:是否添加饼图阴影效果

--labeldistance:设置各扇形标签与圆心距离

--startangle:设置饼图的初始摆放角度

--radius:设置饼图半径大小

--wedgeprops:设置饼图内外边界的属性

--textprops:设置饼图中文本属性

 --center:设置中心位置

--counterclock:是否逆时针呈现

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题
plt.rcParams['axes.unicode_minus']=False  #解决某些标点符号显示问题
data = [10,20,40,15,35]
area_name = ['橘子','苹果','香蕉','猕猴桃','雪梨']
plt.figure(dpi=90)
plt.pie(x=data,explode=[0,0.1,0,0,0.1],labels=area_name,colors=['red','green','blue','yellow','purple'],autopct='%.1f%%',
pctdistance=0.6,labeldistance=1.1,radius=1.5,counterclock=False,
wedgeprops={'linewidth':1.5,'edgecolor':'black'},
textprops={'fontsize':15,'color':'black'},startangle=90)
plt.title('水果销量占比图',pad=30,size=20)
plt.axis('equal')
plt.show()

 

注意：plt.axis('equal') 用于将饼图显示为正圆

四、条形图

plt.bar(x, height,width,bottom,color,linewidth,tick_label,align)

x:指定x轴上数值

height:指定y轴上数值

指定条形图宽度

color:条形图的填充色

edgecolor:条形图的边框色

line条形图边框宽度

tick_label:条形图的刻度标签

align:指定x轴上对齐方式

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题
plt.rcParams['axes.unicode_minus']=False  #解决某些标点符号显示问题
data = [10,20,40,15,35]
area_name = ['橘子','苹果','香蕉','猕猴桃','雪梨']
plt.figure(dpi=90)
plt.bar(x=area_name,height=data,color='blue',edgecolor='black',linewidth=2,align='center')
plt.xlabel('水果种类',labelpad=20)
plt.ylabel('水果数量',labelpad=10)
plt.title('各水果销售数量',pad=30)
plt.show()

五、直方图

对于连续型变量，往往需要查看其分布图，直方图就是用来观察数据的分布形态

直方图,一般用来观察数据的分布形态，横坐标代表数值的分段,纵坐标代表了观测数量和频数，

直方图有时候会和核密度图搭配使用，主要是为了更加详细的展示数据的分布特征

plt.hist(x,bins,range,normed,cumulative,bottom,align,rwidth,color,edgecolor,label)

x:数据

bin:条形个数

range:上下界

normed:是否将频数转换成频率

cumulative:是否计算累计频率

bottom:为直方图的每个条形添加基准线,默认为0

align:对齐方式

r条形的宽度

color:填充色

edgecolor:设置直方图边框色

label:设置直方图标签

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = [1,1,2,2,2,3,4,4,5,6,6,6,6]
plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题
plt.rcParams['axes.unicode_minus']=False  #解决某些标点符号显示问题
plt.figure(dpi=90)
plt.hist(x=data,bins=15,align='left',color='blue',edgecolor='black')
plt.show()

直方图与核密度图、正态分布曲线的搭配使用：

import numpy as np
import pandas as pd
import matplotlib. pyplot as plt
data=pd.read_csv(r'F:data	itanic_train.csv',sep=',')
data.dropna(subset=['Age'],inplace=True)
data.head ()

输出结果：

import numpy as np
import pandas as pd
import matplotlib. pyplot as plt
data=pd.read_csv(r'F:data	itanic_train.csv',sep=',')
data.dropna(subset=['Age'],inplace=True)
def normfun(x, mu,sigma):  #正态分布函数
    pdf=np.exp(-((x-mu)**2)/(2*sigma*2))/(sigma*np.sqrt(2*np.pi))
    return pdf
mean_x = data.Age.mean()
std_x = data.Age.std()
x = np.arange(data.Age.min(),data.Age.max(),1)
y=normfun(x,mean_x,std_x)
plt.rcParams['font.sans-serif']=['SimHei']
plt.hist(x=data.Age,bins=20,color='orange',edgecolor='black', density=True,label='直方图')
plt.plot(x,y,color='green',linewidth=3,label='正态分布图')
data.Age.plot(kind='kde',color='red',xlim=[0,90],label='核密度图')
plt.xlabel('年龄',fontsize=10,labelpad=10)
plt.ylabel('频率',fontsize=10,labelpad=10)
plt.title('年龄分布直方图')
plt.legend(loc='best')
plt.show()

输出结果：

六、散点图

散点图一般用来展示2个连续型变量的关系，可以通过散点图来判断两个变量之间是否存在某种关系，

例如线性还是非线性关系

plt.scatter(x,y,s,c,marker,cmap,norm,alpha,linewidths,edgecolor)

x:x数据

y:y轴数据

s:散点大小

c:散点颜色

marker:散点图形状

cmap:指定某个colormap值,该参数一般不用，用默认值

alpha:散点的透明度

linewidths:散点边界线的宽度

edgecolor:设置散点边界线的颜色

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel(r'F:data散点图.xlsx')
x_data=data['电话次数']
y_data=data['销售额']
plt.rcParams['font.sans-serif']=['SimHei'] #解决图例显示乱码问题
plt.rcParams['axes.unicode_minus']=False  #解决某些标点符号显示问题
plt.figure(dpi=90)
plt.scatter(x=x_data,y=y_data,s=80,c='blue',marker='o',linewidths=1,edgecolor='black')
plt.xlabel('电话次数',labelpad=10,size=10)
plt.ylabel('销售额',labelpad=10,size=10)
plt.title('电话次数与销售额关系',pad=20,size=20)
plt.show()

不同种类下的散点图：

import pandas as pd
import matplotlib.pyplot as plt
import os
os.chdir('C: datal第四章')
data = pd.read_csv('iris.csv')
data.head()

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
os.chdir('C: datal第四章')
data = pd.read_csv('iris.csv')
data.head()
plt.rcParams['font.sans-serif']=['SimHei']
kind=['setosa','versicolor','virginica']
color_kind=['red','blue','green']
marker_kind=['o','x','v']
plt.figure(dpi=100)
for i in range(0, 3):
    plt.scatter(x=data['Petal_Width'][data['Species']==kind[i]],
    y=data['Petal_Length'][data['Species']==kind[i]],
    color=color_kind[i],marker=marker_kind[i],
    label=kind[i])
plt.legend(loc='best')
plt.xlabel('花瓣长度',fontsize=10)
plt.ylabel('花瓣宽度',fontsize=10)
plt.show ()

七、堆积条形图

数据源：

 将数据源使用透视图进行数据整理：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data=pd.read_excel(r'F:data各产业季度产值.xlsx')
data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)
data

创建各产业对应的四季度条形图：

#需要画出三张图，第一产业四季度的条形图、第二产业四季度的条形图、第三产业四季度的条形图，然后将三张图堆叠起来
plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])

使用bottom参数进行三张图的堆叠(使用bottom参数)：

plt.figure(dpi=85)
plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业'])  #这里的bottom可以表示第二幅图是画在第一幅图上面的，即把第一幅图用于画图的数据踩下去
plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业']+data['第二产业'])#这里的bottom可以表示第三幅图是画在第一幅图和第二幅图上面的，即把第一幅图用于画图的数据和第二幅图用于画图的数据踩下去
plt.legend(bbox_to_anchor=(1.01,0.90),fontsize=10,frameon=True) 
plt.xlabel('季度',size=10,labelpad=10) 
plt.ylabel('产值(亿)',size=10,labelpad=10) 
plt.title('各季度各产业产值堆积条形图',size=20,pad=10) 
plt.show()

八、箱线图

箱线图是由一个箱体和一对箱须组成的统计图形。箱体是由第一四分位数,中位数和第三四分位数所组成的。

在箱须的末端之外的数值可以理解成离群值，箱线图可以对一组数据范围大致进行直观的描述

plt.boxplot(x,notch,sym,vert,whis,positions,widths,patch_artist,meanline,showmeans,boxprops,labels,flierprops)

x:数据

宽度

patch_artist:是否填充箱体颜色

meanline:是否显示均值

showmeans:是否显示均值

showfliers:是否表示有异常值

Meanprops:设置均值属性，如点的大小，颜色等

medianprops:设置中位数的属性，如线的类型，大小等

boxprops:设置箱体的属性，边框色和填充色

flierprops:设置异常值的属性

cappops:设置箱线顶端和末端线条的属性，如颜色，粗细等

import numpy as np
import pandas as pd
import matplotlib. pyplot as plt
data = pd.read_excel(r'F:datasec_buildings.xlsx')
plt.figure(figsize=(7,4),dpi=90)
plt.boxplot(x=data['price_unit'],patch_artist=True,showmeans=True,showfliers=True,
            boxprops={'color':'black','facecolor':'steelblue'},
            flierprops={'markerfacecolor':'red','markersize':10},
            meanprops={'marker':'D','markerfacecolor':'indianred','markersize':10},
            medianprops={'linestyle':'--','color':'red'})
plt.title('二手房价格箱线图')
plt.show()

输出结果：

九、图形的完整设置

9.1图例

图例参数：

loc参数表示图例的位置(upper、lower、left、right、center)，

fontsize表示字体大小

frameon表示是否有边框、

ncol表示图例的排列列数

title表示标题

shadow:shadow线框是否添加阴影

fancybox:线框的圆角还是直角

#图例就是画图代码里label定义的内容

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data=pd.read_excel(r'F:data各产业季度产值.xlsx')
plt.rcParams['font.sans-serif']=['SimHei']
data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)
plt.figure(dpi=90)
plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业'])
plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业']+data['第二产业'])
plt.legend(title='各产业对应图',ncol=3,loc=2,fancybox=True,fontsize=10,frameon=True) 
plt.xlabel('季度',size=10,labelpad=10)
plt.ylabel('产值(亿)',size=10,labelpad=10) 
plt.title('各季度各产业产值堆积条形图',size=20,pad=10) 
plt.show()

loc对应数字的含义：

图例在图片外显示：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black',label='Y=Sin(X)')
plt.legend(bbox_to_anchor=(1.01,0.90),fontsize=10,frameon=True)
plt.show()

bbox_to_anchor=(1.01,0.90)所表示的含义为先将图片大小的长宽都看为1，然后将图例放在长为1.01,高为0.9的位置，因为1.01超过了1.0，所以图例显示在了外面

9.2图像大小

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
fig = plt.gcf()
fig.set_size_inches(8,4)
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')
plt.show()

9.3绘制网格线

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
plt.grid(ls='--',c='grey') #绘制网格线，线形为--，颜色为灰色
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')
plt.show()

9.4绘制参考线

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
plt.plot(x,y,c='black',lw=3,ls='--')
plt.axhline(y=0.25,c='red',ls='--',lw=1) #绘制平行于X轴的参考线
plt.axvline(x=10,c='red',ls='--',lw=1) #绘制平行于Y轴的参考线
#如果x轴为某个列表里汉字的话，则使用索引进行定位
plt.show()

9.5绘制参考区域

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
plt.plot(x,y,c='black',lw=3,ls='--')
plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3) #绘制平行于Y轴的参考区域，从10开始，到15结束，颜色为红色，透明度为0.3
plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3) #绘制平行于X轴的参考区域，从0开始，到0.5结束，颜色为蓝色，透明度为0.3
plt.show()

9.6画布的使用

fig=plt.figure()#创建画布

ax =fig.add_axes([a,b,c,d])

该参数是一个4元素列表，第一个元素代表距离最左边的距离，第二个元素代表距离最下面的距离，可以理解为画布左下角的起点坐标，第三个元素和第四个代表画布的长度和和宽度

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data=pd.read_excel(r'F:data各产业季度产值.xlsx')
plt.rcParams['font.sans-serif']=['SimHei']
data=pd.pivot_table(data=data,index='Quarter',values='GDP',columns='industr_Type',aggfunc=np.sum)
fig=plt.figure()#创建画布
ax =fig.add_axes([0.2,0.15,1.6,1.2])
plt.bar(x=data.index.values,height=data['第一产业'],color='red',label='第一产业',tick_label=['第一季度','第二季度','第三季度','第四季度'])
plt.bar(x=data.index.values,height=data['第二产业'],color='blue',label='第二产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业'])
plt.bar(x=data.index.values,height=data['第三产业'],color='green',label='第三产业',tick_label=['第一季度','第二季度','第三季度','第四季度'],
       bottom=data['第一产业']+data['第二产业'])
plt.legend(title='各产业对应图',ncol=3,loc=2,fancybox=True,fontsize=10,frameon=True) 
plt.xlabel('季度',size=10,labelpad=10)
plt.ylabel('产值(亿)',size=10,labelpad=10) 
plt.title('各季度各产业产值堆积条形图',size=20,pad=10) 
plt.show()

9.7调整刻度轴

暂无，看书补充，云开见明讲了个锤子

9.8图形添加文本内容

一个是添加图形内容细节的指向型注释文本，另外一个是添加图形细节的无指向型注释文本

无指向型注释文本：

plt.text(x,y,string,weight,color,fontsize)

x,y表示添加文本内容的坐标，string表示添加文本的内容，weight表示字体粗细风格，color表示颜色，fontsize表示字体大小

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
fig = plt.gcf()
fig.set_size_inches(8,4) #调整图像的大小
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')
plt.text(6.5,0.75,'这是添加的文本内容',fontsize=15,color='blue',weight='bold')
plt.show()

指向型注释文本：

plt.annotate(string,xy=(),xytext=(),weight=,color=,arrowprops=dict(arrowstyle= '->’,connection=‘acr3’,color=))

string:图形内容的注释文本

xy:被注释图形内容的位置坐标

xytext:注释文本的位置坐标

weight:注释文本的字体粗细风格

arrowprop:指示被注释内容的箭头的属性字典，arrowstyle=表示箭头的形状，使用此参数时只修改color、arrowstyle参数即可，其他参数使用默认就ok

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x = np.linspace(0,20,10)
y = np.sin(x)
fig = plt.gcf()
fig.set_size_inches(8,4) #调整图像的大小
plt.rcParams['font.sans-serif']=['SimHei']
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')
plt.annotate('最大值点',xy=(19.5,0.90),xytext=(2.9,0.5),color='blue',fontsize=15,arrowprops=dict(arrowstyle='<->',color='blue',))
plt.show()

可以使用 plt.annotate? 查看参数的可选范围等信息

十、绘制双坐标轴

在数据分析中，很多时候，由于变量之间量纲级不一样，如果绘制在同一个坐标轴上，量纲级较小的变量就很难看出变化趋势，所以需要绘制双坐标轴，来显示两个变量的趋势

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_excel('F:dataRegion.xlsx')
plt.rcParams['font.sans-serif']=['SimHei']
fig = plt.figure()
axis_1 = fig.add_subplot(111)
axis_1.plot(data.index,data.Sales,label='销量',color='blue')
axis_1.set_ylabel('不同地区销量情况')
plt.legend(loc='upper left')
axis_2 = axis_1.twinx()
axis_2.plot(data.index,data.Trans_Cost,color='red',label='成本')
plt.legend(loc='upper center')
plt.show()

十一、多个图形合并

subplot2grid函数可以让子区跨越固定的网格布局的多个行和列，实现不同的子区布局

plt.subplot2grid(shape,loc,colspan,rowspan)

参数：

shape:网格布局（几行几列的布局）

loc:表示图形的位置起点（从0开始）

colspan:跨越的列数

rowspan:跨越的行数

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.figure(figsize=(16,9))
#画第一幅图，从(0,0)开始，占一行两列
plt.subplot2grid((2,3),(0,0),colspan=2,rowspan=1)
x = np.linspace(0,40,10)
y = np.sin(x)
plt.plot(x,y,c='black',lw=3,ls='--')
plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3)
plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3)
#画第二幅图，从(0,2)开始，占两行一列
plt.subplot2grid((2,3),(0,2),colspan=1,rowspan=2)
x = np.linspace(0,20,10)
y = np.sin(x)
plt.plot(x,y,c='black',lw=3,ls='--')
plt.axvspan(xmin=10,xmax=15,facecolor='red',alpha=0.3)
plt.axhspan(ymin=0,ymax=0.5,facecolor='blue',alpha=0.3)
#画第三幅图，从(1,0)开始，占一行两列
plt.subplot2grid((2,3),(1,0),colspan=2,rowspan=1)
x = np.linspace(0,20,10)
y = np.sin(x)
plt.grid(ls='--',c='grey')
plt.plot(x,y,c='red',lw=3,ls='--',marker='o',markersize=10,markeredgecolor='blue',markerfacecolor='black')
plt.show()

十二、Seaborn

Seaborn是在matplotlib发展的，使得作图更加容易，也容易绘制更加精致的图形，并且兼容pandas和numpy等数据结构

import seaborn as sns  #导入seaborn库

 使用seaborn绘制图形，有三种方式，分别如下:

--plt.style.use( ‘seaborn’)

--sns.set()

--调用seaborn函数

但对于简单的制图，使用前两种都可以，但对于复杂图形，可能会使用第三种方式

plt.style.use( ‘seaborn’):

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.style.use('seaborn')
plt.rcParams['font.sans-serif']=['SimHei'] #需要加在plt.style.use('seaborn')之后
plt.rcParams['axes.unicode_minus']=False
data = pd.read_excel(r'F:dataGDP.xlsx')
plt.figure(figsize=(4,3),dpi=100)
plt.bar(x=data.city.index.values,height=data.gdp,color='blue',tick_label=data.city)
plt.ylabel('GDP万亿')
plt.show()

sns.set():

style:为绘图风格，一共五种风格

context:控制绘图元素的规模

Palette:调色板

Font:这个参数—般不管，不用调整

font_scale:字体大小

color_codes:—般用默认值

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set(style='darkgrid',context='notebook',font_scale=1.2)
data = pd.read_excel(r'F:dataGDP.xlsx')
plt.figure(figsize=(4,3),dpi=100)
plt.bar(x=data.city.index.values,height=data.gdp,color='blue',tick_label=data.city)
plt.ylabel('GDP万亿')
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
plt.show()

调用seaborn函数:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_excel(r'F:dataGDP.xlsx')
plt.figure(figsize=(4,3),dpi=100)
sns.barplot(x='city',y='gdp',data=data,color='red',orient='v')#orient='h'表示横向条形图，只不过x和y的数据要调换下顺序
plt.show()

给柱状图上加上数据值标签：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_excel(r'F:dataGDP.xlsx')
plt.figure(figsize=(4,3),dpi=100)
sns.barplot(x='city',y='gdp',data=data,color='red',orient='v')
for x,y in enumerate(data.gdp):
    plt.text(x,y+0.1,"%s万亿"%round(y,1),ha='center',fontsize=10)
plt.show()

十三、使用seaborn函数绘制统计图形

13.1绘制柱状图

sns.barplot(x='Quarter',y='GDP',hue='industr_Type',data=data,color='blue',palette='husl',orient='v')

x,y:不同坐标上的值

hue:分类变量

data:数据

color:颜色

palette:调色板

orient:方向(vertical:垂直,horizontal:水平〕

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data = pd.read_excel(r'F:data各产业季度产值.xlsx')
plt.figure(figsize=(8,5),dpi=100)
sns.barplot(x='Quarter',y='GDP',hue='industr_Type',data=data,color='blue',palette='husl',orient='v')
plt.ylabel('GDP')
plt.legend(bbox_to_anchor=(1.01,0.85),frameon=True)
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()

13.2绘制散点图

绘制柱状图语法如下:

sns.scatterplot(x,y,hue,data,color,palette,style,s,markers

x,y:不同坐标上的值

hue:分类变量

data:数据

color:颜色

palette:调色板

style:以分类变量作图时产生不同的形状

s:形状人小

markers:形状

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(7,5),dpi=120)
iris = pd.read_csv(r'F:datairis.csv')
sns.scatterplot(x='Petal_Width',y='Petal_Length',data=iris,hue='Species',color='red',s=20,style='Species')
plt.xlabel('花瓣宽度')
plt.ylabel('花瓣长度')
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()

对比plt模块下的分类散点图代码，相比之下简单许多

plt模块下的分类散点图代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv(r'F:datairis.csv')
plt.figure(figsize=(7,5),dpi=120)
plt.rcParams['font.sans-serif']=['SimHei']
kind=['setosa','versicolor','virginica']
color_kind=['red','blue','green']
marker_kind=['o','x','v']
plt.figure(dpi=100)
for i in range(0, 3):
    plt.scatter(x=data['Petal_Width'][data['Species']==kind[i]],
    y=data['Petal_Length'][data['Species']==kind[i]],
    color=color_kind[i],marker=marker_kind[i],
    label=kind[i])
plt.legend(loc='best')
plt.xlabel('花瓣长度',fontsize=10)
plt.ylabel('花瓣宽度',fontsize=10)
plt.show ()

13.3绘制箱线图

sns.boxplot(x,y,hue,data,order，width,fliersize,linewidth,color,palette)

x,y不同坐标上的值

hue:分类变量

data:数据

箱线宽度

fliersize:异常值点的人小

color:颜色

palette:调色板

line指定箱体边框的宽度

(这里的参数和plt模块下的参数一模一样，只不过调用函数名不同而已，详情请点击这里)

创建分类的箱线图时，需要加上order=datd.index代码语句

13.4绘制直方图

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.stats import norm
plt.figure(figsize=(7,5),dpi=120)
Titanic = pd.read_csv(r'F:data	itanic_train.csv')
Titanic.dropna(subset=['Age'],inplace =True)
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
Age_Male = Titanic[Titanic.Sex =='male']['Age']
Age_Female = Titanic[Titanic.Sex =='female']['Age']
sns.distplot(Age_Male,bins=30,kde=False,hist_kws={'color':'steelblue'},norm_hist=True,label='男性')
sns.distplot(Age_Male,hist=False,kde=False,fit=norm,fit_kws={'color':'yellow'},norm_hist=True,label='男性正态分布图')
sns.distplot(Age_Female,bins=30,kde=False,hist_kws={'color':'steelblue'},norm_hist=True,label='女性')
sns.distplot(Age_Female,hist=False,kde=False,fit=norm,fit_kws={'color':'blue'},norm_hist=True,label='女性正态分布图')
plt.legend(loc='best')
plt.show()

bins=30表示绘制30个柱状格

kde=Fasle表示不绘制核密度图

hist_kws=表示控制直方属性的参数

norm_hist=True表示以频率形式展示

hist=False表示不绘制直方图的柱状形态

云开见明很多都没讲，需要自己查书来了解各个参数的含义

13.5折线图

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
os.chdir('C:data第四章')
data = pd.read_csv('财政收入data.csv')
data['year']=range(1994,2014,1)
sns.set(style='ticks') #设置风格为tickes
plt.rcParams['font.sans-serif']=['SimHei']
sns.lineplot(x='year',y='y',data=data,lw=2,color='blue') #绘制折线图
plt.xticks(range(1994,2014,1),range(1994,2014,1),rotation=45) #rotation表示旋转角度
plt.show()

13.6回归图

回归图本质就是将两个变量之间的线性关系展示出来

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data=pd.read_excel('F:data散点图.xlsx')
plt.figure(dpi=100)
sns.lmplot(x='电话次数',y='销售额',data=data,legend_out=False,markers='o',fit_reg=True,
           aspect=2,height=5,scatter_kws={'s':20,'facecolor':'red'})
plt.savefig('F:data散点图.png')
plt.show()

fit_reg=True表示是否将数据进行拟合

aspect=2表示长度为2

height=5表示高度为5

scatter_kws=表示散点图的属性设置

13.7countplot

主要用于绘制数据中，每个类别出现的数量，只能计数

源数据截图如下：

比如想绘制不同的Region下的订单量的柱状图：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.figure(dpi=100)
data=pd.read_excel('C: datal第四章Prod_Trade.xlsx')
sns.countplot(x='Region',data=data)
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()

分类变量的设置:

例如绘制各个Region下每种出行方式订单量的柱状图：

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.figure(dpi=100)
data=pd.read_excel('C: datal第四章Prod_Trade.xlsx')
sns.countplot(x='Region',data=data,hue='Transport')
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()

十四、绘图风格

sns.set(style,context,palette)

style:主题样式:darkgrid(灰白背景+网格)、 whitegrid(白白背景+灰网格)、 dark 、white、 ticks(带坐标轴刻度)

context:可以理解为设置输出图片元素的大小尺寸paper、notebook, talk、and poster (元素缩放)

palette:调色板deep、muted、pastel、bright、dark、colorblind，palette一般可以用默认值

font_scale：表示坐标轴的缩放(一般1.2左右)

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
plt.figure(dpi=100)
sns.set(style='darkgrid',context='notebook',font_scale=1.2,palette='bright')
data=pd.read_excel('C:datal第四章Prod_Trade.xlsx')
sns.countplot(x='Region',data=data,hue='Transport')
plt.rcParams['font.sans-serif']=['SimHei']
plt.show()

十五、plotly模块

plotly是一个基于JavaScript的绘图库,plotly绘图种类丰富,效果美观，易于保存与分享plotly的绘图结果可以与Web无缝集成

plotly默认的绘图结果是一个HTML网页文件,通过浏览器可以查看

在真实项目中，使用plotly绘图模块进行绘图的完整流程包括:

1.添加图轨数据,例如使用Scatter函数

2.设置画图布局，使用layout命令

3.集成图形、布局数据

4.绘制图形的输出命令是offline.plot

关于图形输出命令：

使用plotly.offline.plot和Plotly.offline.iplot()

使用plotly.offline.plot方法会在本地新建一个HTML文件,并可以选择是否在浏览器中打开这个文件

使用会在plotly.offline.iplot()方法会在Jupyter Notebook中直接绘图

import plotly as py
import plotly.graph_objs as go #graph_objs是plotly库下一个用于绘制图形对象的模块
from plotly.graph_objs import Scatter #从graph_objs模块中导入Scatter函数
py.offline.init_notebook_mode() #使图形可以顺利显示在jupyter notebook中

示例：

import plotly as py
import plotly.graph_objs as go
from plotly.graph_objs import Scatter 
py.offline.init_notebook_mode() 
try_1=Scatter(x=[1,2,3,4,5],y=[15,19,17,18,13])
data=[try_1]
py.offline.iplot(data)

15.1使用plotly绘制散点图、折线图

plotly绘制散点图、折线图都是使用Scatter函数

import plotly as py
import plotly.graph_objs as go
go.Scatter()

语法格式：

Scatter(x,y,mode,name,marker,line)

x----数据

y----数据

mode ----线条类型(markers表示散点图、lines表示折线图、markers+lines表示线上有散点的组合图)

name ----图例名称

marker ------控制点的相关参数

line -----控制线条颜色

布局控制语法格式：

go.Layout(title,xaxis, yaxis)

title ----标题

xaxis ----控制x轴参数

yaxis-----控制y轴参数

数据处理完成、布局控制处理完成后，需要使用go.Figure()将两者集合起来，go.Figure()中的data必须是列表形式

源数据展示：

import pandas as pd
import numpy as np
import plotly as py
import plotly.graph_objs as go
from plotly.graph_objs import Scatter
py.offline.init_notebook_mode()
data = pd.read_csv('C:datal第四章income_tax.csv')
try_1 = Scatter(x=data['year'],y=data['x2'],mode='markers',name='在职员工工资总收入')
try_2 = Scatter(x=data['year'],y=data['x3'],mode='lines',name='社会消费品零售总额')
try_3 = Scatter(x=data['year'],y=data['x8'],mode='markers+1ines',name='地区生产总值')
layout = go.Layout(title='各指标随年份变化图',xaxis=dict(title='年份'),yaxis=dict(title='指标'),
                 legend=dict(x=1,y=0.8,font=dict(size=12,color='black')))
data_list = [try_1,try_2,try_3]
fig = go.Figure(data=data_list,layout=layout)
py.offline.iplot(fig)

15.2使用plotly绘制各类柱状图

import plotly as py
import plotly.graph_objs as go
go.Bar()

plotly绘制柱状图使用Bar函数

例如想绘制不同地区的订单量柱状图，因为plotly中没有seaborn的countplot方法，所以稍微麻烦

seaborn的countplot方法点击这里

源数据展示：

import pandas as pd
import plotly as py
import plotly.graph_objs as go
py.offline.init_notebook_mode()
data = pd.read_excel('C:data第四章Prod_Trade.xlsx')
data_region=data['Region'].value_counts()
try_1=[go.Bar(x=data_region.index.tolist(),y=data_region.values.tolist(),
              marker=dict(color=['red','blue','yellow','green','orange','darkblue']),
              opacity=0.50)]
layout=go.Layout(title='各分区订单量',xaxis=dict(title='地区'),yaxis=dict(title='订单量'))
fig=go.Figure(data=try_1,layout=layout)
py.offline.iplot(fig)

使用plotly绘制分类柱状图

分类柱状图的原理就是在plotly中画n个柱状图，然后plotly会自动调整为分类的柱状图，但是一般不建议使用plotly绘制，可以使用seabron的countplot方法，点击跳转

源数据展示：

import pandas as pd
import plotly as py
import plotly.graph_objs as go 
data=pd.read_excel('F:data各产业季度产值.xlsx')
data_1=data[data['industr_Type']=='第一产业']
data_2=data[data['industr_Type']=='第二产业']
data_3=data[data['industr_Type']=='第三产业']
try_1=go.Bar(x=data_1.Quarter,y=data_1['GDP'],name='第一产业')
try_2=go.Bar(x=data_2.Quarter,y=data_2['GDP'],name='第二产业')
try_3=go.Bar(x=data_3.Quarter,y=data_3['GDP'],name='第三产业')
data=[try_1,try_2,try_3]
layout=go.Layout(title='各产业季度产值',xaxis=dict(title='季度'))
fig=go.Figure(data=data,layout=layout)
py.offline.iplot(fig)

使用plotly绘制堆积柱状图

在plotly中绘制堆积柱状图只需要在分类柱状图的基础上给go.Layout语句加一个参数即可

barmode='stack'

import pandas as pd
import plotly as py
import plotly.graph_objs as go 
data=pd.read_excel('F:data各产业季度产值.xlsx')
data_1=data[data['industr_Type']=='第一产业']
data_2=data[data['industr_Type']=='第二产业']
data_3=data[data['industr_Type']=='第三产业']
try_1=go.Bar(x=data_1.Quarter,y=data_1['GDP'],name='第一产业')
try_2=go.Bar(x=data_2.Quarter,y=data_2['GDP'],name='第二产业')
try_3=go.Bar(x=data_3.Quarter,y=data_3['GDP'],name='第三产业')
data=[try_1,try_2,try_3]
layout=go.Layout(title='各产业季度产值',xaxis=dict(title='季度'),barmode='stack')
fig=go.Figure(data=data,layout=layout)
py.offline.iplot(fig)

15.3使用plotly绘制直方图

import plotly as py
import plotly.graph_objs as go
go.Histogram()

源数据展示：

import pandas as pd
import plotly as py
import plotly.graph_objs as go
data=pd.read_csv(r'C: datal第四章1titanic_train.csv')
try_1=[go.Histogram(x=data['Age'],histnorm='probability',marker=dict(color='blue'))]
py.offline.iplot(try_1)

histnorm='probability'表示绘制成频率的形式，而不是频数的形式

15.4使用plotly绘制饼图

import plotly as py
import plotly.graph_objs as go
go.Pie()

源数据展示：

import pandas as pd
import plotly as py
import plotly.graph_objs as go 
data=pd.read_excel(r'F:data
egion_count.xlsx')
try_1=[go.Pie(labels=data['region'].tolist(),values=data['count'].tolist(),
             hole=0.4,textfont=dict(size=12,color='white'))]
layout=go.Layout(title='不同地区订单量')
fig=go.Figure(data=try_1,layout=layout)
py.offline.iplot(fig)

hole=0.4表示饼图中间空心圆的半径大小

十六、plotly下的图形设置

plotly下的图形设置主要分为以下三个部分：

多图表、双坐标轴、多子图

16.1多图表

需求：将每个地区的订单量绘制成柱状图，再将所有地区订单量的平均值绘制出来，观察每个地区的订单量和平均值的差异

源数据展示：

import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go 
data=pd.read_excel(r'F:data
egion_count.xlsx')
data_y=np.tile(np.mean(data['count']),6)  #将count的平均值复制6次
try_1=go.Bar(x=data['region'].tolist(),y=data['count'].tolist(),
            marker=dict(color=['red','blue','yellow','green','orange','darkblue']),
            opacity=0.4)
try_2=go.Scatter(x=data.region.tolist(),y=data_y,mode='lines',name='平均值')
num=[try_1,try_2]
layout=go.Layout(title='不同地区订单量',xaxis=dict(title='地区'))
fig=go.Figure(data=num,layout=layout)
py.offline.iplot(fig)

16.2双坐标轴

源数据展示：

import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go
data=pd.read_excel(r'F:data双轴图.xlsx')
data['时间']=pd.to_datetime(data['时间'])
try_1=go.Bar(x=data['时间'].tolist(),y=data['数量'].tolist(),marker=dict(color='steelblue'),opacity=0.6,name='评价数量')
try_2=go.Scatter(x=data['时间'].tolist(),y=data['差评率'].tolist(),mode='lines',name='差评率折线图',yaxis='y2')
case=[try_1,try_2]
layout=go.Layout(title='客户评价图',xaxis=dict(title='时间'),yaxis=dict(title='评价数量'),
                 yaxis2=dict(title='差评率',overlaying='y',side='right'),
                legend=dict(x=0.1,y=0.9),font=dict(size=12,color='black'))
fig=go.Figure(data=case,layout=layout)
py.offline.iplot(fig)

yaxis='y2' 表示第二条y轴

overlaying='y',side='right' 表示将第二条坐标轴在右边进行y轴的重叠

16.3多子图

使用matplotlib中的subplot2grid函数也可以达到多子图的效果，详情请点击这里

在plotly中绘制双子图需要从plotly库中导入一个方法

import plotly.graph_objs as go
from plotly import tools
fig=tools.make_subplots(rows=2,cols=1)

源数据展示：

import numpy as np
import pandas as pd
import plotly as py
import plotly.graph_objs as go
from plotly import tools
fig=tools.make_subplots(rows=2,cols=1)
data=pd.read_excel(r'F:data双轴图.xlsx')
data['时间']=pd.to_datetime(data['时间'])
try_1=go.Bar(x=data['时间'].tolist(),y=data['数量'].tolist(),marker=dict(color='steelblue'),opacity=0.6,name='评价数量')
try_2=go.Scatter(x=data['时间'].tolist(),y=data['差评率'].tolist(),mode='lines',name='差评率折线图')
fig.append_trace(try_1,1,1)
fig.append_trace(try_2,2,1)
fig['layout'].update(height=600,width=800,title='客户评价情况')
py.offline.iplot(fig)

fig=tools.make_subplots(rows=2,cols=1) 表示多子图有两行一列

fig.append_trace(try_1,1,1) 表示将try_1的图行放到多子图的第一行第一列

fig.append_trace(try_2,2,1) 表示将try_1的图行放到多子图的第二行第一列

plotly中多子图示：（是从一开始的）