Python에서 가장 기본적인 그리기 라이브러리는 Python의 가장 기본적인 시각화 라이브러리인 matplotlib입니다. matplotlib에서 시각화한 다음 수직 및 수평 확장을 시작합니다.
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.
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
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.
Python에서는 그래픽을 표시하기 위해 다음과 같은 네 가지 기본 시각적 요소로 요약할 수 있습니다.
분포, 구성, 비교, 연결이 있습니다. 데이터 등 관계 간의 추세 변화. 다양한 관계에 따라 표시할 해당 그래픽을 선택합니다.
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.
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.
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.
#导入包 import numpy as np import pandas as pd import matplotlib.pyplot as plt
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。
Figure의 subplots_adjust 메서드를 사용하여 간격을 조정합니다.
subplots_adjust(left=None,bottom=None,right=None, top=None,wspace=None,hspace=None)
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>]
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)
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)
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')
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
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。
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:
plt.savefig('./plot.jpg') #保存图像为plot名称的jpg格式图像 <Figure size 432x288 with 0 Axes>
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
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>
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>
DataFrame除了Series中的参数外,还有一些独有的选项。
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>
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!