>  기사  >  백엔드 개발  >  Python 데이터 시각화를 위한 3단계

Python 데이터 시각화를 위한 3단계

WBOY
WBOY앞으로
2023-04-15 17:04:031325검색

1. 먼저 그림을 그릴 때 어떤 라이브러리를 사용하는지 알아야 겠죠?

matplotlib

Python에서 가장 기본적인 그리기 라이브러리는 Python의 가장 기본적인 시각화 라이브러리인 matplotlib입니다. matplotlib에서 시각화한 다음 수직 및 수평 확장을 시작합니다.

Seaborn

은 matplotlib을 기반으로 하는 고급 시각화 효과 라이브러리입니다. Seaborn은 주로 데이터 마이닝 및 기계 학습에서 변수 기능 선택을 대상으로 하며 더 많은 차원의 데이터를 설명하는 시각화 효과 다이어그램을 그릴 수 있습니다.

기타 라이브러리에는

Bokeh(분석가가 데이터와 상호 작용할 수 있도록 브라우저 측 대화형 시각화에 사용되는 라이브러리), Mapbox(강력한 지리 데이터 엔진을 갖춘 시각화 도구 라이브러리) 등이 있습니다.

이 기사에서는 사례 분석을 위해 matplotlib를 주로 사용합니다

1단계: 문제 파악 및 그래픽 선택

업무가 복잡할 수 있지만 분할 후에는 구체적인 문제가 무엇인지 그래픽을 통해 표현하고 싶은지 찾아야 합니다. 분석적 사고 훈련을 위해 "맥킨지 방법"과 "피라미드 원리"의 방법을 배울 수 있습니다.

차트 종류 선택에 관한 인터넷상의 요약입니다.

Python 데이터 시각화를 위한 3단계

Python에서는 그래픽을 표시하기 위해 다음과 같은 네 가지 기본 시각적 요소로 요약할 수 있습니다.

  • 점: 산점도 2차원 데이터, 간단한 2차원 관계에 적합함
  • 선: 선 플롯 2 -시계열에 적합한 차원 데이터
  • 항목 통계에 적합한 막대 그래프 2차원 데이터
  • 색상: 3차원 표시에 적합한 히트맵

분포, 구성, 비교, 연결이 있습니다. 데이터 등 관계 간의 추세 변화. 다양한 관계에 따라 표시할 해당 그래픽을 선택합니다.

2단계: 데이터 변환, 함수 적용

데이터 분석 및 모델링의 많은 프로그래밍 작업은 로드, 정리, 변환 및 재구성과 같은 데이터 준비를 기반으로 합니다. 시각화 단계에서도 데이터를 구성하고 필요한 형식으로 변환한 다음 시각화 방법을 적용하여 도면을 완성해야 합니다.

다음은 일반적으로 사용되는 데이터 변환 방법입니다.

  • Merge: merge, concat, Combine_frist(데이터베이스의 완전 외부 조인과 유사)
  • Reshape: 축 회전: 피벗(Excel 피벗 테이블과 유사) )
  • Deduplication: drop_duplicates
  • Mapping: map
  • Fill replacement: fillna,replace
  • 축 인덱스 이름 바꾸기: rename

범주형 변수를 '가짜 변수 행렬'의 get_dummies 함수와 다음의 특정 데이터 열로 변환합니다. df 한계값 등을 취합니다.

함수는 첫 번째 단계에서 선택한 그래픽을 기반으로 Python에서 해당 함수를 찾습니다.

3단계: 매개변수 설정, 한눈에 정리

원본 그래프가 그려진 후 색상(color), 선 스타일(linestyle), 마크(maker) 또는 기타 차트 장식 항목 제목(Title)을 수정할 수 있으며, 필요에 따른 축 라벨(xlabel, ylabel), 축 스케일(set_xticks), 범례(legend) 등을 통해 그래픽을 더욱 직관적으로 만들어줍니다.

세 번째 단계는 그래픽을 더욱 명확하고 명확하게 만들기 위해 두 번째 단계를 기반으로 합니다. 특정 매개변수는 차트 기능에서 찾을 수 있습니다.

2. 시각적 그리기 기본

Matplotlib 그리기 기본

#导入包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Figure 및 Subplot

matplotlib 그래픽은 모두 Figure(캔버스)에 있으며 Subplot은 이미지 공간을 만듭니다. 그림을 통해 그릴 수 없습니다. 하나 이상의 하위 플롯을 생성하려면 add_subplot을 사용해야 합니다.

figsize는 이미지 크기를 지정할 수 있습니다.

#创建画布
fig = plt.figure()
<Figure size 432x288 with 0 Axes>
#创建subplot,221表示这是2行2列表格中的第1个图像。
ax1 = fig.add_subplot(221)
#但现在更习惯使用以下方法创建画布和图像,2,2表示这是一个2*2的画布,可以放置4个图像
fig , axes = plt.subplots(2,2,sharex=True,sharey=True)
#plt.subplot的sharex和sharey参数可以指定所有的subplot使用相同的x,y轴刻度。

Python 데이터 시각화를 위한 3단계

Figure의 subplots_adjust 메서드를 사용하여 간격을 조정합니다.

subplots_adjust(left=None,bottom=None,right=None,
top=None,wspace=None,hspace=None)

Python 데이터 시각화를 위한 3단계

색상, 마커 및 선 스타일

matplotlib의 플롯 함수는 X 및 Y 좌표 세트를 허용하며 색상 및 선 스타일을 나타내는 문자열 약어: **'g-- '도 허용할 수 있습니다. 녹색이고 선 유형은 '--' 점선입니다. **매개변수를 사용하여 명시적으로 지정할 수도 있습니다.

선 차트에는 데이터 포인트의 위치를 ​​강조하기 위해 일부 마커를 추가할 수도 있습니다. 태그는 형식 문자열에 배치할 수도 있지만 태그 유형과 선 스타일은 색상 뒤에 와야 합니다.

plt.plot(np.random.randn(30),color='g',
 linestyle='--',marker='o')
[<matplotlib.lines.Line2D at 0x8c919b0>]

Scales, labels and legends

plt의 xlim, xticks 및 xtickslabels 메소드는 각각 차트의 범위와 눈금 위치 및 눈금 레이블을 제어합니다.

매개변수 없이 메소드를 호출하면 현재 매개변수 값이 반환되고, 매개변수와 함께 메소드를 호출하면 매개변수 값이 설정됩니다.

plt.plot(np.random.randn(30),color='g',
 linestyle='--',marker='o')
plt.xlim() #不带参数调用,显示当前参数;
#可将xlim替换为另外两个方法试试
(-1.4500000000000002, 30.45)

Python 데이터 시각화를 위한 3단계

img

plt.plot(np.random.randn(30),color='g',
 linestyle='--',marker='o')
plt.xlim([0,15]) #横轴刻度变成0-15
(0, 15)

Python 데이터 시각화를 위한 3단계

设置标题,轴标签,刻度以及刻度标签

fig = plt.figure();ax = fig.add_subplot(1,1,1)
ax.plot(np.random.randn(1000).cumsum())
ticks = ax.set_xticks([0,250,500,750,1000]) #设置刻度值
labels = ax.set_xticklabels(['one','two','three','four','five']) #设置刻度标签
ax.set_title('My first Plot') #设置标题
ax.set_xlabel('Stage') #设置轴标签
Text(0.5,0,'Stage')

Python 데이터 시각화를 위한 3단계

添加图例

图例legend是另一种用于标识图标元素的重要工具。 可以在添加subplot的时候传入label参数。

fig = plt.figure(figsize=(12,5));ax = fig.add_subplot(111)
ax.plot(np.random.randn(1000).cumsum(),'k',label='one') #传入label参数,定义label名称
ax.plot(np.random.randn(1000).cumsum(),'k--',label='two')
ax.plot(np.random.randn(1000).cumsum(),'k.',label='three')
#图形创建完后,只需要调用legend参数将label调出来即可。
ax.legend(loc='best') 
#要求不是很严格的话,建议使用loc=‘best’参数来让它自己选择最佳位置

Python 데이터 시각화를 위한 3단계

注解

除标准的图表对象之外,我们还可以自定义添加一些文字注解或者箭头。

注解可以通过text,arrow和annotate等函数进行添加。text函数可以将文本绘制在指定的x,y坐标位置,还可以进行自定义格式

plt.plot(np.random.randn(1000).cumsum())
plt.text(600,10,'test ',family='monospace',fontsize=10)
#中文注释在默认环境下并不能正常显示,需要修改配置文件,
# 使其支持中文字体。具体步骤请自行搜索。

保存图表到文件

利用plt.savefig可以将当前图表保存到文件。例如,要将图表保存为png文件,可以执行

文件类型是根据拓展名而定的。其他参数还有:

  • fname:含有文件路径的字符串,拓展名指定文件类型
  • dpi:分辨率,默认100 facecolor,edgcolor 图像的背景色,默认‘w’白色
  • format:显示设置文件格式('png','pdf','svg','ps','jpg'等)
  • bbox_inches:图表需要保留的部分。如果设置为“tight”,则将尝试剪除图像周围的空白部分
plt.savefig('./plot.jpg') #保存图像为plot名称的jpg格式图像
<Figure size 432x288 with 0 Axes>

3、Pandas中的绘图函数

Matplotlib作图

matplotlib是最基础的绘图函数,也是相对较低级的工具。 组装一张图表需要单独调用各个基础组件才行。Pandas中有许多基于matplotlib的高级绘图方法,原本需要多行代码才能搞定的图表,使用pandas只需要短短几行。

我们使用的就调用了pandas中的绘图包。

import matplotlib.pyplot as plt

线型图

Series和DataFrame都有一个用于生成各类图表的plot方法。 默认情况下,他们生成的是线型图。

s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot() #Series对象的索引index会传给matplotlib用作绘制x轴。
<matplotlib.axes._subplots.AxesSubplot at 0xf553128>

Python 데이터 시각화를 위한 3단계

df = pd.DataFrame(np.random.randn(10,4).cumsum(0),
columns=['A','B','C','D'])
df.plot() #plot会自动为不同变量改变颜色,并添加图例
<matplotlib.axes._subplots.AxesSubplot at 0xf4f9eb8>

Python 데이터 시각화를 위한 3단계

Series.plot方法的参数

  • label:用于图表的标签
  • style:风格字符串,'g--'
  • alpha:图像的填充不透明度(0-1)
  • kind:图表类型(bar,line,hist,kde等)
  • xticks:设定x轴刻度值
  • yticks:设定y轴刻度值
  • xlim,ylim:设定轴界限,[0,10]
  • grid:显示轴网格线,默认关闭
  • rot:旋转刻度标签
  • use_index:将对象的索引用作刻度标签
  • logy:在Y轴上使用对数标尺

DataFrame.plot方法的参数

DataFrame除了Series中的参数外,还有一些独有的选项。

  • subplots:将各个DataFrame列绘制到单独的subplot中
  • sharex,sharey:共享x,y轴
  • figsize:控制图像大小
  • title:图像标题
  • legend:添加图例,默认显示
  • sort_columns:以字母顺序绘制各列,默认使用当前顺序

柱状图

在生成线型图的代码中加上kind=‘bar’或者kind=‘barh’,可以生成柱状图或水平柱状图。

fig,axes = plt.subplots(2,1)
data = pd.Series(np.random.rand(10),index=list('abcdefghij'))
data.plot(kind='bar',ax=axes[0],rot=0,alpha=0.3)
data.plot(kind='barh',ax=axes[1],grid=True)
<matplotlib.axes._subplots.AxesSubplot at 0xfe39898>

Python 데이터 시각화를 위한 3단계

柱状图有一个非常实用的方法:

利用value_counts图形化显示Series或者DF中各值的出现频率。

比如df.value_counts().plot(kind='bar')

Python可视化的基础语法就到这里,其他图形的绘制方法大同小异。

重点是遵循三个步骤的思路来进行思考、选择、应用。多多练习可以更加熟练。


위 내용은 Python 데이터 시각화를 위한 3단계의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!

성명:
이 기사는 51cto.com에서 복제됩니다. 침해가 있는 경우 admin@php.cn으로 문의하시기 바랍니다. 삭제