【python数据分析（25）】Matplotlib库基本图形绘制（2） （直方图、密度图、散点图、矩阵散点图、极坐标图、雷达图、极轴图、箱型图）
plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None,
histtype=‘bar’, align=‘mid’, orientation=‘vertical’,rwidth=None, log=False, color=None, label=None,
stacked=False, hold=None, data=None, **kwargs)
参数讲解：（常配合密度图s.plot(kind='kde')进行绘制）
bin：箱子的宽度
normed： 标准化
histtype： 风格，bar，barstacked，step，stepfilled
orientation： 水平还是垂直{‘horizontal’, ‘vertical’}
align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)
1） 直方图 + 密度图
s = pd.Series(np.random.randn(1000))
s.hist(bins = 20,
histtype = 'bar',
align = 'mid',
orientation = 'vertical',
alpha=0.5,
normed =True)
s.plot(kind='kde',style='k--')
–> 输出的结果为：
2）堆叠直方图
使用DataFrame.plot.hist()和Series.plot.hist()方法绘制
df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
'c': np.random.randn(1000) - 1, 'd': np.random.randn(1000)-2},
columns=['a', 'b', 'c','d'])
df.plot.hist(stacked=True,
bins=20,
colormap='Greens_r',
alpha=0.5,
edgecolor = 'k',
grid=True)
–> 输出的结果为：
stacked：是否堆叠
df.hist(bins=50,edgecolor = 'k')
–> 输出的结果为：（默认是不堆叠的）
plt.scatter(x, y, s=20, c=None, marker=‘o’, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)
参数讲解：
s：散点的大小
c：散点的颜色
vmin,vmax：亮度设置，标量
cmap：colormap
1） plt.scatter() 散点图绘制
plt.figure(figsize=(8,6))
x = np.random.randn(1000)
y = np.random.randn(1000)
plt.scatter(x,y,marker='.',
s = np.random.randn(1000)*100,
cmap = 'Reds',
c = y,
edgecolor = 'k',
alpha = 0.8)
–> 输出的结果为：
2） pd.plotting.scatter_matrix(）矩阵散点图绘制
df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
pd.plotting.scatter_matrix(df,figsize=(10,6),
marker = 'o',
diagonal='kde',
alpha = 0.5,
range_padding=0.1)
–> 输出的结果为：
调用subplot()创建子图时通过设置projection='polar',便可创建一个极坐标子图，然后调用plot()在极坐标子图中绘图
1） 简单绘制极坐标图
fig = plt.figure(figsize=(6,3))
s = pd.Series(np.arange(20))
theta=np.arange(0,2*np.pi,0.02)
ax1 = plt.subplot(121, projection = 'polar')
ax2 = plt.subplot(122)
# 还可以写：ax = fig.add_subplot(111,polar=True)
ax1.plot(theta,theta*3,linestyle = '--',lw=1) #lw为线宽
ax1.plot(s, linestyle = '--', marker = '.',lw=2)
ax2.plot(theta,theta*3,linestyle = '--',lw=1)
ax2.plot(s)
–> 输出的结果为：（输出图形中的两条线段是对应的）
2） 极坐标参数设置
set_theta_direction()：坐标轴正方向，默认逆时针
set_thetagrids()：设置极坐标角度网格线显示及标签 → 网格和标签数量一致
set_rgrids()：设置极径网格线显示，其中参数必须是正数
set_theta_offset()：设置角度偏移，逆时针，弧度制
set_rlim()：设置显示的极径范围
set_rmax()：设置显示的极径最大值
set_rticks()：设置极径网格线的显示范围
plt.figure(figsize=(8,4))
theta=np.arange(0,2*np.pi,0.02)
ax1= plt.subplot(121, projection='polar')
ax2= plt.subplot(122, projection='polar')
ax1.plot(theta,theta/6,'--',lw=2)
ax2.plot(theta,theta/6,'--',lw=2)
ax2.set_theta_direction(-1)
ax2.set_thetagrids(np.arange(0.0, 360.0, 90),['a','b','c','d'])
ax2.set_rgrids(np.arange(0.2,2,0.4))
ax2.set_theta_offset(np.pi/2)
ax2.set_rlim(0.2,1.2)
ax2.set_rmax(2)
ax2.set_rticks(np.arange(0.1, 1.5, 0.2))
–> 输出的结果为：（极其重要）
1） plt.plot() 简单雷达图
其实就是之前方法的综合
plt.figure(figsize=(8,4))
ax1= plt.subplot(111, projection='polar')
ax1.set_title('radar map\n') # 创建标题
ax1.set_rlim(0,12)
data1 = np.random.randint(1,10,10)
data2 = np.random.randint(1,10,10)
data3 = np.random.randint(1,10,10)
theta=np.arange(0,2*np.pi,2*np.pi/10)
# 创建数据
ax1.plot(theta,data1,'.--',label='data1')
ax1.fill(theta,data1,alpha=0.2)
ax1.plot(theta,data2,'.--',label='data2')
ax1.fill(theta,data2,alpha=0.2)
ax1.plot(theta,data3,'.--',label='data3')
ax1.fill(theta,data3,alpha=0.2)
–> 输出的结果为：（想一下，怎么把最后的线连接起来，也就是最后一个数据是第一个数据）
2） plt.polar() 绘制首尾相连的雷达图
labels = np.array(['a','b','c','d','e','f']) # 标签
dataLenth = 6 # 数据长度
data1 = np.random.randint(0,10,6)
data2 = np.random.randint(0,10,6) # 数据
angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False) # 分割圆周长
data1 = np.concatenate((data1, [data1[0]])) # 闭合
data2 = np.concatenate((data2, [data2[0]])) # 闭合
angles = np.concatenate((angles, [angles[0]])) # 闭合
plt.polar(angles, data1, 'o-', linewidth=1) #做极坐标系
plt.fill(angles, data1, alpha=0.25)# 填充
plt.polar(angles, data2, 'o-', linewidth=1) #做极坐标系
plt.fill(angles, data2, alpha=0.25)# 填充
plt.thetagrids(angles * 180/np.pi, labels) # 设置网格、标签
plt.ylim(0,10) # polar的极值设置为ylim
–> 输出的结果为：
也就是在极坐标图上绘制的柱状图
plt.figure(figsize=(6,3))
ax1= plt.subplot(111, projection='polar')
ax1.set_title('radar map\n') # 创建标题
ax1.set_rlim(0,12)
data = np.random.randint(1,10,10)
theta=np.arange(0,2*np.pi,2*np.pi/10)
# 创建数据
bar = ax1.bar(theta,data,alpha=0.5,edgecolor = 'k')
for r,bar in zip(data, bar):
bar.set_facecolor(plt.cm.jet(r/10.)) # 设置颜色
plt.thetagrids(np.arange(0.0, 360.0, 90), []) # 设置网格、标签（这里是空标签，则不显示内容）
是一种用作显示一组数据分散情况资料的统计图，常用来做异常值处理。包含一组数据的：最大值、最小值、中位数、上四分位数（Q3）、下四分位数（Q1）
① 中位数 → 一组数据平均分成两份，中间的数
② 上四分位数Q1 → 是将序列平均分成四份，计算(n+1)/4与(n-1)/4两种，一般使用(n+1)/4
③ 下四分位数Q3 → 是将序列平均分成四份，计算(1+n)/4*3=6.75
④ 内限 → T形的盒须就是内限，最大值区间Q3+1.5IQR,最小值区间Q1-1.5IQR （IQR=Q3-Q1）
⑤ 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）
异常值处理 → 内限之外 - 中度异常，外限之外 - 极度异常
1） plt.plot.box() 绘制
参数讲解：
boxes → 箱线
whiskers → 分位数与error bar横线之间竖线的颜色
medians → 中位数线颜色
caps → error bar横线颜色
color：样式填充
vert：是否垂直，默认True
position：箱型图占位
① 纵向箱型图绘制
fig,axes = plt.subplots(2,1,figsize=(10,6))
df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
df.plot.box(ylim=[0,1.2],
grid = True,
color = color,
ax = axes[0])
–> 输出的结果为：
横向箱型图：vert=False参数的使用
df.plot.box(vert=False,
positions=[1, 4, 5, 6, 8],
ax = axes[1],
grid = True,
color = color)
–> 输出的结果为：
2） plt.boxplot()绘制
pltboxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None,
usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None,
labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False,
zorder=None, hold=None, data=None)
参数讲解：
x → 数据
notch → 中间箱体是否缺口
sym → 异常点形状，参考marker
vert → 是否垂直
whis → IQR，默认1.5，也可以设置区间比如[5,95]，代表强制上下边缘为数据95%和5%位置
patch_artist → 上下四分位框内是否填充，True为填充
meanline，showmeans → 是否有均值线及其形状
showbox → 是否显示箱线
showcaps → 是否显示边缘线
showfliers → 是否显示异常值
return_type → 返回数据的类型
meanprops → 设置均值的属性，如点的大小、颜色等
df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
plt.figure(figsize=(10,4))
# 创建图表、数据
f = df.boxplot(sym = 'o',
vert = True,
whis = 1.5,
patch_artist = True,
meanline = False,showmeans=True,
meanprops = {'marker':'D','markerfacecolor':'red'}
showbox = True,
showcaps = True,
showfliers = True,
notch = False,
return_type='dict'
)
plt.title('boxplot')
print(f)
–> 输出的结果为：（会返回可操作的对象）
{'caps': [, , , , , , , , , ],
'whiskers': [, , , , , , , , , ],
'medians': [, , , , ],
'fliers': [, , , , ],
'means': [, , , , ],
'boxes': [, , , , ]}
接着就可以进行精细设置了
boxes → 箱线
medians → 中位值的横线,
whiskers →从box到error bar之间的竖线.
fliers → 异常值
caps, error bar →横线
means → 均值的横线,
for box in f['boxes']:
box.set( color='b', linewidth=1) # 箱体边框颜色
box.set( facecolor = 'b' ,alpha=0.5) # 箱体内部填充颜色
for whisker in f['whiskers']:
whisker.set(color='k', linewidth=0.5,linestyle='-')
for cap in f['caps']:
cap.set(color='gray', linewidth=2)
for median in f['medians']:
median.set(color='DarkBlue', linewidth=2)
for flier in f['fliers']:
flier.set(marker='o', color='y', alpha=0.5)
–> 输出的结果为：（箱型图的参数较多，所以可以按照自己的要求绘制出想要的样式）
3） 分类箱型图
columns：按照数据的列分子图
by：按照列分组做箱型图
单列分类箱型图
df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )
df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])
df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])
df.boxplot(by = 'X')
–> 输出的结果为：
多列分类箱型图
df.boxplot(column=['Col1','Col2'], by=['X','Y'])
–> 输出的结果为：
作者：Be_melting
