python常见图形代码可视化大全整理（包括动图）更新中...

NoiseFloor · 发表于 2021-12-2 08:55

@TOC
<hr/>内容持续更新中.....................
<hr/>警告信息和可视化时中文和负号的正常显示
import matplotlib as mpl
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings(&#34;ignore&#34;) # 忽略警告信息输出

# mpl.style.use(&#39;ggplot&#39;)

# 为了画图中文可以正常显示
plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;Microsoft YaHei&#39;] #指定默认字体
plt.rcParams[&#39;axes.unicode_minus&#39;] = False  #解决保存图像时负号&#39;-&#39;显示为方块的问题<hr/>一、离散型变量的可视化

1 饼图

1.1 matplotlib模块

# 饼图的绘制
# 导入第三方模块
import matplotlib.pyplot as plt

# 构造数据
edu = [0.2515,0.3724,0.3336,0.0368,0.0057]
labels = [&#39;中专&#39;,&#39;大专&#39;,&#39;本科&#39;,&#39;硕士&#39;,&#39;其他&#39;]

# 绘制饼图
plt.pie(x = edu, # 绘图数据
      labels=labels, # 添加教育水平标签
      autopct=&#39;%.1f%%&#39; # 设置百分比的格式，这里保留一位小数
   )
# 添加图标题
plt.title(&#39;失信用户的教育水平分布&#39;)
# 显示图形
plt.show()

# 添加修饰的饼图
explode = [0,0.1,0,0,0]  # 生成数据，用于突出显示大专学历人群
colors=[&#39;#9999ff&#39;,&#39;#ff9999&#39;,&#39;#7777aa&#39;,&#39;#2442aa&#39;,&#39;#dd5555&#39;]  # 自定义颜色

# 将横、纵坐标轴标准化处理，确保饼图是一个正圆，否则为椭圆
plt.axes(aspect=&#39;equal&#39;)
# 绘制饼图
plt.pie(x = edu, # 绘图数据
      explode=explode, # 突出显示大专人群
      labels=labels, # 添加教育水平标签
      colors=colors, # 设置饼图的自定义填充色
      autopct=&#39;%.1f%%&#39;, # 设置百分比的格式，这里保留一位小数
      pctdistance=0.8,  # 设置百分比标签与圆心的距离
      labeldistance = 1.1, # 设置教育水平标签与圆心的距离
      startangle = 180, # 设置饼图的初始角度
      radius = 1.2, # 设置饼图的半径
      counterclock = False, # 是否逆时针，这里设置为顺时针方向
      wedgeprops = {&#39;linewidth&#39;: 1.5, &#39;edgecolor&#39;:&#39;green&#39;},# 设置饼图内外边界的属性值
      textprops = {&#39;fontsize&#39;:10, &#39;color&#39;:&#39;black&#39;}, # 设置文本标签的属性值
      )

# 添加图标题
plt.title(&#39;失信用户的受教育水平分布&#39;)
# 显示图形
plt.show()

1.2 panda模块

# 导入第三方模块
import pandas as pd
# 构建序列
data1 = pd.Series({&#39;中专&#39;:0.2515,&#39;大专&#39;:0.3724,&#39;本科&#39;:0.3336,&#39;硕士&#39;:0.0368,&#39;其他&#39;:0.0057})
# 将序列的名称设置为空字符，否则绘制的饼图左边会出现None这样的字眼
data1.name = &#39;&#39;
# 控制饼图为正圆
plt.axes(aspect = &#39;equal&#39;)
# plot方法对序列进行绘图
data1.plot(kind = &#39;pie&#39;, # 选择图形类型
         autopct=&#39;%.1f%%&#39;, # 饼图中添加数值标签
         radius = 1, # 设置饼图的半径
         startangle = 180, # 设置饼图的初始角度
         counterclock = False, # 将饼图的顺序设置为顺时针方向
         title = &#39;失信用户的受教育水平分布&#39;, # 为饼图添加标题
         wedgeprops = {&#39;linewidth&#39;: 1.5, &#39;edgecolor&#39;:&#39;green&#39;}, # 设置饼图内外边界的属性值
         textprops = {&#39;fontsize&#39;:10, &#39;color&#39;:&#39;black&#39;} # 设置文本标签的属性值
      )
# 显示图形
plt.show()

2 条形图

2.1 matplotlib模块

2.1.1 垂直或水平条形图

# 条形图的绘制--垂直条形图
# 读入数据
GDP = pd.read_excel(r&#39;Province GDP 2017.xlsx&#39;)
# 设置绘图风格（不妨使用R语言中的ggplot2风格）
plt.style.use(&#39;ggplot&#39;)
# 绘制条形图
plt.bar(x = range(GDP.shape[0]), # 指定条形图x轴的刻度值
      height = GDP.GDP, # 指定条形图y轴的数值
      tick_label = GDP.Province, # 指定条形图x轴的刻度标签
      color = &#39;steelblue&#39;, # 指定条形图的填充色
   )
# 添加y轴的标签
plt.ylabel(&#39;GDP(万亿)&#39;)
# 添加条形图的标题
plt.title(&#39;2017年度6个省份GDP分布&#39;)
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
plt.text(x,y+0.1,&#39;%s&#39; %round(y,1),ha=&#39;center&#39;)
# 显示图形
plt.show()

# 条形图的绘制--水平条形图
# 对读入的数据作升序排序
GDP.sort_values(by = &#39;GDP&#39;, inplace = True)
# 绘制条形图
plt.barh(y = range(GDP.shape[0]), # 指定条形图y轴的刻度值
      width = GDP.GDP, # 指定条形图x轴的数值
      tick_label = GDP.Province, # 指定条形图y轴的刻度标签
      color = &#39;steelblue&#39;, # 指定条形图的填充色
   )
# 添加x轴的标签
plt.xlabel(&#39;GDP(万亿)&#39;)
# 添加条形图的标题
plt.title(&#39;2017年度6个省份GDP分布&#39;)
# 为每个条形图添加数值标签
for y,x in enumerate(GDP.GDP):
plt.text(x+0.1,y,&#39;%s&#39; %round(x,1),va=&#39;center&#39;)
# 显示图形
plt.show()

2.1.2 堆叠条形图

# 条形图的绘制--堆叠条形图
# 读入数据
Industry_GDP = pd.read_excel(r&#39;Industry_GDP.xlsx&#39;)
# 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签
Quarters = Industry_GDP.Quarter.unique()
# 取出第一产业的四季度值
Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == &#39;第一产业&#39;]
# 重新设置行索引
Industry1.index = range(len(Quarters))
# 取出第二产业的四季度值
Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == &#39;第二产业&#39;]
# 重新设置行索引
Industry2.index = range(len(Quarters))
# 取出第三产业的四季度值
Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == &#39;第三产业&#39;]

# 绘制堆叠条形图
# 各季度下第一产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry1, color = &#39;steelblue&#39;, label = &#39;第一产业&#39;, tick_label = Quarters)
# 各季度下第二产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry2, bottom = Industry1, color = &#39;green&#39;, label = &#39;第二产业&#39;)
# 各季度下第三产业的条形图
plt.bar(x = range(len(Quarters)), height=Industry3, bottom = Industry1  + Industry2, color = &#39;red&#39;, label = &#39;第三产业&#39;)
# 添加y轴标签
plt.ylabel(&#39;生成总值（亿）&#39;)
# 添加图形标题
plt.title(&#39;2017年各季度三产业总值&#39;)
# 显示各产业的图例
plt.legend(loc=&#39;upper left&#39;)
# 显示图形
plt.show()

2.1.3 水平交错条形图

# 条形图的绘制--水平交错条形图
# 导入第三方模块
import numpy as np
# 读入数据
HuRun = pd.read_excel(r&#39;HuRun.xlsx&#39;)
# 取出城市名称
Cities = HuRun.City.unique()
# 取出2016年各城市亿万资产家庭数
Counts2016 = HuRun.Counts[HuRun.Year == 2016]
# 取出2017年各城市亿万资产家庭数
Counts2017 = HuRun.Counts[HuRun.Year == 2017]

# 绘制水平交错条形图
bar_width = 0.4
plt.bar(x = np.arange(len(Cities)), height = Counts2016, label = &#39;2016&#39;, color = &#39;steelblue&#39;, width = bar_width)
plt.bar(x = np.arange(len(Cities))+bar_width, height = Counts2017, label = &#39;2017&#39;, color = &#39;indianred&#39;, width = bar_width)
# 添加刻度标签（向右偏移0.225）
plt.xticks(np.arange(len(Cities))+0.2, Cities)
# 添加y轴标签
plt.ylabel(&#39;亿万资产家庭数&#39;)
# 添加图形标题
plt.title(&#39;近两年5个城市亿万资产家庭数比较&#39;)
# 添加图例
plt.legend()
# 显示图形
plt.show()

2.2 pandas模块

2.2.1 垂直条形图

# Pandas模块之垂直或水平条形图
# 绘图（此时的数据集在前文已经按各省GDP做过升序处理）
GDP.GDP.plot(kind = &#39;bar&#39;, width = 0.8, rot = 0, color = &#39;steelblue&#39;, title = &#39;2017年度6个省份GDP分布&#39;)
# 添加y轴标签
plt.ylabel(&#39;GDP（万亿）&#39;)
# 添加x轴刻度标签
plt.xticks(range(len(GDP.Province)), #指定刻度标签的位置
         GDP.Province # 指出具体的刻度标签值
      )
# 为每个条形图添加数值标签
for x,y in enumerate(GDP.GDP):
plt.text(x-0.1,y+0.2,&#39;%s&#39; %round(y,1),va=&#39;center&#39;)
# 显示图形
plt.show()

2.2.2 水平交错条形图

# Pandas模块之水平交错条形图
HuRun_reshape = HuRun.pivot_table(index = &#39;City&#39;, columns=&#39;Year&#39;, values=&#39;Counts&#39;).reset_index()
# 对数据集降序排序
HuRun_reshape.sort_values(by = 2016, ascending = False, inplace = True)
HuRun_reshape.plot(x = &#39;City&#39;, y = [2016,2017], kind = &#39;bar&#39;, color = [&#39;steelblue&#39;, &#39;indianred&#39;],
               rot = 0, # 用于旋转x轴刻度标签的角度，0表示水平显示刻度标签
               width = 0.8, title = &#39;近两年5个城市亿万资产家庭数比较&#39;)
# 添加y轴标签
plt.ylabel(&#39;亿万资产家庭数&#39;)
plt.xlabel(&#39;&#39;)
plt.show()

2.3 seaborn模块

2.3.1 水平条形图

# seaborn模块之垂直或水平条形图
# 导入第三方模块
import seaborn as sns
sns.barplot(y = &#39;Province&#39;, # 指定条形图x轴的数据
         x = &#39;GDP&#39;, # 指定条形图y轴的数据
         data = GDP, # 指定需要绘图的数据集
         color = &#39;steelblue&#39;, # 指定条形图的填充色
         orient = &#39;horizontal&#39; # 将条形图水平显示
         )
# 重新设置x轴和y轴的标签
plt.xlabel(&#39;GDP（万亿）&#39;)
plt.ylabel(&#39;&#39;)
# 添加图形的标题
plt.title(&#39;2017年度6个省份GDP分布&#39;)
# 为每个条形图添加数值标签
for y,x in enumerate(GDP.GDP):
plt.text(x,y,&#39;%s&#39; %round(x,1),va=&#39;center&#39;)
# 显示图形
plt.show()

2.3.2 水平交错条形图

# 读入数据
Titanic = pd.read_csv(r&#39;titanic_train.csv&#39;)
# 绘制水平交错条形图
sns.barplot(x = &#39;Pclass&#39;, # 指定x轴数据
         y = &#39;Age&#39;, # 指定y轴数据
         hue = &#39;Sex&#39;, # 指定分组数据
         data = Titanic, # 指定绘图数据集
         palette = &#39;RdBu&#39;, # 指定男女性别的不同颜色
         errcolor = &#39;blue&#39;, # 指定误差棒的颜色
         errwidth=2, # 指定误差棒的线宽
         saturation = 1, # 指定颜色的透明度，这里设置为无透明度
         capsize = 0.05 # 指定误差棒两端线条的宽度
         )
# 添加图形标题
plt.title(&#39;各船舱等级中男女乘客的年龄差异&#39;)
# 显示图形
plt.show()

注意：需要注意的是，数据集Titanic并非汇总好的数据，是不可以直接应用到matplotlib模块中的bar函数与pandas模块中的plot方法。如需使用，必须先对数据集进行分组聚合。
3 竞赛条形图

# 导入所需模块
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
import matplotlib.animation as animation
from IPython.display import HTML

# 读取数据
df = pd.read_csv(&#39;country_data.csv&#39;,usecols=[&#39;name&#39;, &#39;group&#39;, &#39;year&#39;, &#39;value&#39;])
df.head(3)

# 配置不同洲的颜色
colors = dict(zip(
[&#39;India&#39;, &#39;Europe&#39;, &#39;Asia&#39;, &#39;Latin America&#39;,
   &#39;Middle East&#39;, &#39;North America&#39;, &#39;Africa&#39;],
[&#39;#adb0ff&#39;, &#39;#ffb3ff&#39;, &#39;#90d595&#39;, &#39;#e48381&#39;,
   &#39;#aafbff&#39;, &#39;#f7bb5f&#39;, &#39;#eafb50&#39;]
))
# 国家和对应的洲，化为字典
group_lk = df.set_index(&#39;name&#39;)[&#39;group&#39;].to_dict()

def draw_barchart(year):
dff = df[df[&#39;year&#39;].eq(year)].sort_values(by=&#39;value&#39;, ascending=True).tail(10)
ax.clear()
ax.barh(dff[&#39;name&#39;], dff[&#39;value&#39;], color=[colors[group_lk[x]] for x in dff[&#39;name&#39;]])
dx = dff[&#39;value&#39;].max() / 200
for i, (value, name) in enumerate(zip(dff[&#39;value&#39;], dff[&#39;name&#39;])):
      ax.text(value-dx, i,    name,          size=14, weight=600, ha=&#39;right&#39;, va=&#39;bottom&#39;)
      ax.text(value-dx, i-.25, group_lk[name], size=10, color=&#39;#444444&#39;, ha=&#39;right&#39;, va=&#39;baseline&#39;)
      ax.text(value+dx, i,    f&#39;{value:,.0f}&#39;,  size=14, ha=&#39;left&#39;,  va=&#39;center&#39;)
# ... polished styles
ax.text(1, 0.4, year, transform=ax.transAxes, color=&#39;#777777&#39;, size=46, ha=&#39;right&#39;, weight=800)
ax.text(0, 1.06, &#39;Population (thousands)&#39;, transform=ax.transAxes, size=12, color=&#39;#777777&#39;)
ax.xaxis.set_major_formatter(ticker.StrMethodFormatter(&#39;{x:,.0f}&#39;))
ax.xaxis.set_ticks_position(&#39;top&#39;)
ax.tick_params(axis=&#39;x&#39;, colors=&#39;#777777&#39;, labelsize=12)
ax.set_yticks([])
ax.margins(0, 0.01)
ax.grid(which=&#39;major&#39;, axis=&#39;x&#39;, linestyle=&#39;-&#39;)
ax.set_axisbelow(True)
ax.text(0, 1.12, &#39;The most populous cities in the world from 1500 to 2018&#39;,
         transform=ax.transAxes, size=24, weight=600, ha=&#39;left&#39;)
ax.text(1, 0, &#39;by @pratapvardhan; credit @jburnmurdoch&#39;, transform=ax.transAxes, ha=&#39;right&#39;,
         color=&#39;#777777&#39;, bbox=dict(facecolor=&#39;white&#39;, alpha=0.8, edgecolor=&#39;white&#39;))
plt.box(False)

#plt.xkcd()
fig, ax = plt.subplots(figsize=(15, 8))
animator = animation.FuncAnimation(fig, draw_barchart, frames=range(1900, 2019))
HTML(animator.to_jshtml())

<hr/>二、数值型变量的可视化

1 直方图与核密度曲线

1.1 matplotlib模块

1.1.1 直方图

# matplotlib模块绘制直方图
# 检查年龄是否有缺失
any(Titanic.Age.isnull())
# 不妨删除含有缺失年龄的观察
Titanic.dropna(subset=[&#39;Age&#39;], inplace=True)
# 绘制直方图
plt.hist(x = Titanic.Age, # 指定绘图数据
      bins = 20, # 指定直方图中条块的个数
      color = &#39;steelblue&#39;, # 指定直方图的填充色
      edgecolor = &#39;black&#39; # 指定直方图的边框色
      )
# 添加x轴和y轴标签
plt.xlabel(&#39;年龄&#39;)
plt.ylabel(&#39;频数&#39;)
# 添加标题
plt.title(&#39;乘客年龄分布&#39;)
# 显示图形
plt.show()

1.2 pandas模块

1.2.1 直方图与核密度曲线

# Pandas模块绘制直方图和核密度图
# 绘制直方图
Titanic.Age.plot(kind = &#39;hist&#39;, bins = 20, color = &#39;steelblue&#39;, edgecolor = &#39;black&#39;, normed = True, label = &#39;直方图&#39;)
# 绘制核密度图
Titanic.Age.plot(kind = &#39;kde&#39;, color = &#39;red&#39;, label = &#39;核密度图&#39;)
# 添加x轴和y轴标签
plt.xlabel(&#39;年龄&#39;)
plt.ylabel(&#39;核密度值&#39;)
# 添加标题
plt.title(&#39;乘客年龄分布&#39;)
# 显示图例
plt.legend()
# 显示图形
plt.show()

1.3 seaborn模块

1.3.1 可分组的直方图与核密度曲线

# seaborn模块绘制分组的直方图和核密度图
# 取出男性年龄
Age_Male = Titanic.Age[Titanic.Sex == &#39;male&#39;]
# 取出女性年龄
Age_Female = Titanic.Age[Titanic.Sex == &#39;female&#39;]
plt.figure(figsize=(15,5))
plt.subplot(121)

# 绘制男女乘客年龄的直方图
sns.distplot(Age_Male, bins = 20, kde = False, hist_kws = {&#39;color&#39;:&#39;steelblue&#39;}, label = &#39;男性&#39;)
# 绘制女性年龄的直方图
sns.distplot(Age_Female, bins = 20, kde = False, hist_kws = {&#39;color&#39;:&#39;purple&#39;}, label = &#39;女性&#39;)
plt.title(&#39;男女乘客的年龄直方图&#39;)
# 显示图例
plt.legend()
# 显示图形
# plt.show()

plt.subplot(122)
# 绘制男女乘客年龄的核密度图
sns.distplot(Age_Male, hist = False, kde_kws = {&#39;color&#39;:&#39;red&#39;, &#39;linestyle&#39;:&#39;-&#39;},
         norm_hist = True, label = &#39;男性&#39;)
# 绘制女性年龄的核密度图
sns.distplot(Age_Female, hist = False, kde_kws = {&#39;color&#39;:&#39;black&#39;, &#39;linestyle&#39;:&#39;--&#39;},
         norm_hist = True, label = &#39;女性&#39;)
plt.title(&#39;男女乘客的年龄核密度图&#39;)
# 显示图例
plt.legend()
# 显示图形
plt.show()

2 箱线图

2.1 matplotlib模块

2.1.1 单个箱线图

# 读取数据
Sec_Buildings = pd.read_excel(r&#39;sec_buildings.xlsx&#39;)
# 绘制箱线图
plt.boxplot(x = Sec_Buildings.price_unit, # 指定绘图数据
         patch_artist=True, # 要求用自定义颜色填充盒形图，默认白色填充
         showmeans=True, # 以点的形式显示均值
         boxprops = {&#39;color&#39;:&#39;black&#39;,&#39;facecolor&#39;:&#39;steelblue&#39;}, # 设置箱体属性，如边框色和填充色
         # 设置异常点属性，如点的形状、填充色和点的大小
         flierprops = {&#39;marker&#39;:&#39;o&#39;,&#39;markerfacecolor&#39;:&#39;red&#39;, &#39;markersize&#39;:3},
         # 设置均值点的属性，如点的形状、填充色和点的大小
         meanprops = {&#39;marker&#39;:&#39;D&#39;,&#39;markerfacecolor&#39;:&#39;indianred&#39;, &#39;markersize&#39;:4},
         # 设置中位数线的属性，如线的类型和颜色
         medianprops = {&#39;linestyle&#39;:&#39;--&#39;,&#39;color&#39;:&#39;orange&#39;},
         labels = [&#39;&#39;] # 删除x轴的刻度标签，否则图形显示刻度标签为1
         )
# 添加图形标题
plt.title(&#39;二手房单价分布的箱线图&#39;)
# 显示图形
plt.show()

2.1.2 分组箱线图

# 二手房在各行政区域的平均单价
group_region = Sec_Buildings.groupby(&#39;region&#39;)
avg_price = group_region.aggregate({&#39;price_unit&#39;:np.mean}).sort_values(&#39;price_unit&#39;, ascending = False)

# 通过循环，将不同行政区域的二手房存储到列表中
region_price = []
for region in avg_price.index:
region_price.append(Sec_Buildings.price_unit[Sec_Buildings.region == region])
# 绘制分组箱线图
plt.figure(figsize=(10,5))
plt.boxplot(x = region_price,
         patch_artist=True,
         labels = avg_price.index, # 添加x轴的刻度标签
         showmeans=True,
         boxprops = {&#39;color&#39;:&#39;black&#39;, &#39;facecolor&#39;:&#39;steelblue&#39;},
         flierprops = {&#39;marker&#39;:&#39;o&#39;,&#39;markerfacecolor&#39;:&#39;red&#39;, &#39;markersize&#39;:3},
         meanprops = {&#39;marker&#39;:&#39;D&#39;,&#39;markerfacecolor&#39;:&#39;indianred&#39;, &#39;markersize&#39;:4},
         medianprops = {&#39;linestyle&#39;:&#39;--&#39;,&#39;color&#39;:&#39;orange&#39;}
         )
# 添加y轴标签
plt.ylabel(&#39;单价（元）&#39;)
# 添加标题
plt.title(&#39;不同行政区域的二手房单价对比&#39;)
# 显示图形
plt.show()

注意 - 用matplotlib模块绘制如上所示的分组箱线图会相对烦琐一些，由于boxplot函数每次只能绘制一个箱线图，为了能够实现多个箱线图的绘制，对数据稍微做了一些变动； - pandas模块中的plot方法可以绘制分组箱线图，但是该方法是基于数据框执行的，并且数据框的每一列对应一个箱线图。对于二手房数据集来说，应用plot方法绘制分组箱线图不太合适，因为每一个行政区的二手房数量不一致，将导致无法重构一个新的数据框用于绘图。
2.2 seaborn模块

2.2.1 分组箱线图

# 绘制分组箱线图
plt.figure(figsize=(10,5))
sns.boxplot(x = &#39;region&#39;, y = &#39;price_unit&#39;, data = Sec_Buildings,
         order = avg_price.index, showmeans=True,color = &#39;steelblue&#39;,
         flierprops = {&#39;marker&#39;:&#39;o&#39;,&#39;markerfacecolor&#39;:&#39;red&#39;, &#39;markersize&#39;:3},
         meanprops = {&#39;marker&#39;:&#39;D&#39;,&#39;markerfacecolor&#39;:&#39;indianred&#39;, &#39;markersize&#39;:4},
         medianprops = {&#39;linestyle&#39;:&#39;--&#39;,&#39;color&#39;:&#39;orange&#39;}
         )
# 更改x轴和y轴标签
plt.xlabel(&#39;&#39;)
plt.ylabel(&#39;单价（元）&#39;)
# 添加标题
plt.title(&#39;不同行政区域的二手房单价对比&#39;)
# 显示图形
plt.show()

3 小提琴图

将数值型数据的核密度图与箱线图融合在一起，进而得到一个形似小提琴的图形。
3.1 seaborn模块

3.1.1 分组小提琴图

# 读取数据
tips = pd.read_csv(r&#39;tips.csv&#39;)
# 绘制分组小提琴图
sns.violinplot(y = &#34;total_bill&#34;, # 指定y轴的数据
            x = &#34;day&#34;, # 指定x轴的数据
            hue = &#34;sex&#34;, # 指定分组变量
            data = tips, # 指定绘图的数据集
            order = [&#39;Thur&#39;,&#39;Fri&#39;,&#39;Sat&#39;,&#39;Sun&#39;], # 指定x轴刻度标签的顺序
            scale = &#39;count&#39;, # 以男女客户数调节小提琴图左右的宽度
            split = True, # 将小提琴图从中间割裂开，形成不同的密度曲线；
            palette = &#39;RdBu&#39; # 指定不同性别对应的颜色（因为hue参数为设置为性别变量）
            )
# 添加图形标题
plt.title(&#39;每天不同性别客户的消费额情况&#39;)
# 设置图例
plt.legend(loc = &#39;upper center&#39;, ncol = 2)
# 显示图形
plt.show()

4 折线图

4.1 matplotlib模块

4.1.1 单条折线图

# 数据读取
wechat = pd.read_excel(r&#39;wechat.xlsx&#39;)
# 绘制单条折线图
plt.figure(figsize=(10,5))
plt.plot(wechat.Date, # x轴数据
      wechat.Counts, # y轴数据
      linestyle = &#39;-&#39;, # 折线类型
      linewidth = 2, # 折线宽度
      color = &#39;steelblue&#39;, # 折线颜色
      marker = &#39;o&#39;, # 折线图中添加圆点
      markersize = 6, # 点的大小
      markeredgecolor=&#39;black&#39;, # 点的边框色
      markerfacecolor=&#39;brown&#39;) # 点的填充色
# 添加y轴标签
plt.ylabel(&#39;人数&#39;)
# 添加图形标题
plt.title(&#39;每天微信文章阅读人数趋势&#39;)
# 显示图形
plt.show()

4.1.2 两条折线图

# 绘制两条折线图
# 导入模块，用于日期刻度的修改
import matplotlib as mpl
# 绘制阅读人数折线图
plt.figure(figsize=(10,5))
plt.plot(wechat.Date, # x轴数据
      wechat.Counts, # y轴数据
      linestyle = &#39;-&#39;, # 折线类型，实心线
      color = &#39;steelblue&#39;, # 折线颜色
      label = &#39;阅读人数&#39;
      )
# 绘制阅读人次折线图
plt.plot(wechat.Date, # x轴数据
      wechat.Times, # y轴数据
      linestyle = &#39;--&#39;, # 折线类型，虚线
      color = &#39;indianred&#39;, # 折线颜色
      label = &#39;阅读人次&#39;
      )

# 获取图的坐标信息
ax = plt.gca()
# 设置日期的显示格式
date_format = mpl.dates.DateFormatter(&#34;%m-%d&#34;)
ax.xaxis.set_major_formatter(date_format)
# 设置x轴显示多少个日期刻度
# xlocator = mpl.ticker.LinearLocator(10)
# 设置x轴每个刻度的间隔天数
xlocator = mpl.ticker.MultipleLocator(7)
ax.xaxis.set_major_locator(xlocator)
# 为了避免x轴刻度标签的紧凑，将刻度标签旋转45度
plt.xticks(rotation=45)

# 添加y轴标签
plt.ylabel(&#39;人数&#39;)
# 添加图形标题
plt.title(&#39;每天微信文章阅读人数与人次趋势&#39;)
# 添加图例
plt.legend()
# 显示图形
plt.show()

4.2 pandas模块

4.2.1 多条折线图

数据框的pivot_table方法，形成一张满足条件的透视表。
# 读取天气数据
weather = pd.read_excel(r&#39;weather.xlsx&#39;)
# 统计每月的平均最高气温
data = weather.pivot_table(index = &#39;month&#39;, columns=&#39;year&#39;, values=&#39;high&#39;)
# 绘制折线图
data.plot(kind = &#39;line&#39;,
      style = [&#39;-&#39;,&#39;--&#39;,&#39;:&#39;] # 设置折线图的线条类型
      )
# 修改x轴和y轴标签
plt.xlabel(&#39;月份&#39;)
plt.ylabel(&#39;气温&#39;)
# 添加图形标题
plt.title(&#39;每月平均最高气温波动趋势&#39;)
# 显示图形
plt.show()

<hr/>三、关系型数据的可视化

1 散点图

散点图用于发现两个数值变量之间的关系。
1.1 matplotlib模块

# 读入数据
iris = pd.read_csv(r&#39;iris.csv&#39;)
# 绘制散点图
plt.scatter(x = iris.Petal_Width, # 指定散点图的x轴数据
         y = iris.Petal_Length, # 指定散点图的y轴数据
         color = &#39;steelblue&#39; # 指定散点图中点的颜色
         )
# 添加x轴和y轴标签
plt.xlabel(&#39;花瓣宽度&#39;)
plt.ylabel(&#39;花瓣长度&#39;)
# 添加标题
plt.title(&#39;鸢尾花的花瓣宽度与长度关系&#39;)
# 显示图形
plt.show()

1.2 pandas模块

# Pandas模块绘制散点图
# 绘制散点图
iris.plot(x = &#39;Petal_Width&#39;, y = &#39;Petal_Length&#39;, kind = &#39;scatter&#39;, title = &#39;鸢尾花的花瓣宽度与长度关系&#39;)
# 修改x轴和y轴标签
plt.xlabel(&#39;花瓣宽度&#39;)
plt.ylabel(&#39;花瓣长度&#39;)
# 显示图形
plt.show()

1.3 seaborn模块

lmplot函数不仅可以绘制分组散点图，还可以对每个组内的散点添加回归线（默认拟合线性回归线）。分组效果的体现是通过hue参数设置的，如果需要拟合其他回归线，可以指定：
- lowess参数（局部多项式回归） - logistic参数（逻辑回归） - order参数（多项式回归） - robust参数（鲁棒回归）
# seaborn模块绘制分组散点图
sns.lmplot(x = &#39;Petal_Width&#39;, # 指定x轴变量
         y = &#39;Petal_Length&#39;, # 指定y轴变量
         hue = &#39;Species&#39;, # 指定分组变量
         data = iris, # 指定绘图数据集
         legend_out = False, # 将图例呈现在图框内
         truncate=True # 根据实际的数据范围，对拟合线作截断操作
      )
# 修改x轴和y轴标签
plt.xlabel(&#39;花瓣宽度&#39;)
plt.ylabel(&#39;花瓣长度&#39;)
# 添加标题
plt.title(&#39;鸢尾花的花瓣宽度与长度关系&#39;)
# 显示图形
plt.show()

2 气泡图

气泡图可以展现三个数值变量之间的关系。
2.1 matplotlib模块

注意：pandas模块和seaborn模块中没有绘制气泡图的方法或函数。另外，可以使用Python的bokeh模块，来绘制气泡图。
# 读取数据
Prod_Category = pd.read_excel(r&#39;SuperMarket.xlsx&#39;)
# 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001
range_diff = Prod_Category.Profit_Ratio.max()-Prod_Category.Profit_Ratio.min()
Prod_Category[&#39;std_ratio&#39;] = (Prod_Category.Profit_Ratio-Prod_Category.Profit_Ratio.min())/range_diff + 0.001

plt.figure(figsize=(10,5))
# 绘制办公用品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == &#39;办公用品&#39;],
         y = Prod_Category.Profit[Prod_Category.Category == &#39;办公用品&#39;],
         s = Prod_Category.std_ratio[Prod_Category.Category == &#39;办公用品&#39;]*1000,
         color = &#39;steelblue&#39;, label = &#39;办公用品&#39;, alpha = 0.6
         )
# 绘制技术产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == &#39;技术产品&#39;],
         y = Prod_Category.Profit[Prod_Category.Category == &#39;技术产品&#39;],
         s = Prod_Category.std_ratio[Prod_Category.Category == &#39;技术产品&#39;]*1000,
         color = &#39;indianred&#39; , label = &#39;技术产品&#39;, alpha = 0.6
      )
# 绘制家具产品的气泡图
plt.scatter(x = Prod_Category.Sales[Prod_Category.Category == &#39;家具产品&#39;],
         y = Prod_Category.Profit[Prod_Category.Category == &#39;家具产品&#39;],
         s = Prod_Category.std_ratio[Prod_Category.Category == &#39;家具产品&#39;]*1000,
         color = &#39;black&#39; , label = &#39;家具产品&#39;, alpha = 0.6
      )
# 添加x轴和y轴标签
plt.xlabel(&#39;销售额&#39;)
plt.ylabel(&#39;利润&#39;)
# 添加标题
plt.title(&#39;销售额、利润及利润率的气泡图&#39;)
# 添加图例
plt.legend()
# 显示图形
plt.show()

3 热力图

热力图则体现了两个离散变量之间的组合关系。有时也称之为交叉填充表。该图形最典型的用法就是实现列联表的可视化，即通过图形的方式展现两个离散变量之间的组合关系。
3.1 seaborn模块

# 读取数据
Sales = pd.read_excel(r&#39;Sales.xlsx&#39;)
# 根据交易日期，衍生出年份和月份字段
Sales[&#39;year&#39;] = Sales.Date.dt.year
Sales[&#39;month&#39;] = Sales.Date.dt.month
# 统计每年各月份的销售总额
Summary = Sales.pivot_table(index = &#39;month&#39;, columns = &#39;year&#39;, values = &#39;Sales&#39;, aggfunc = np.sum)

# 绘制热力图
sns.heatmap(data = Summary, # 指定绘图数据
         cmap = &#39;PuBuGn&#39;, # 指定填充色
         linewidths = .1, # 设置每个单元格边框的宽度
         annot = True, # 显示数值
         fmt = &#39;.1e&#39; # 以科学计算法显示数据
         )
#添加标题
plt.title(&#39;每年各月份销售总额热力图&#39;)
# 显示图形
plt.show()

<hr/>4 仪表板

将绘制的多个图形组合到一个大图框内，形成类似仪表板的效果。
4.1 matplotlib模块

多种图形的组合，可以使用matplotlib模块中的subplot2grid函数。
# 读取数据
Prod_Trade = pd.read_excel(r&#39;Prod_Trade.xlsx&#39;)
# 衍生出交易年份和月份字段
Prod_Trade[&#39;year&#39;] = Prod_Trade.Date.dt.year
Prod_Trade[&#39;month&#39;] = Prod_Trade.Date.dt.month

# 设置大图框的长和高
plt.figure(figsize = (12,6))
# 设置第一个子图的布局
ax1 = plt.subplot2grid(shape = (2,3), loc = (0,0))
# 统计2012年各订单等级的数量
Class_Counts = Prod_Trade.Order_Class[Prod_Trade.year == 2012].value_counts()
Class_Percent = Class_Counts/Class_Counts.sum()
# 将饼图设置为圆形（否则有点像椭圆）
ax1.set_aspect(aspect = &#39;equal&#39;)
# 绘制订单等级饼图
ax1.pie(x = Class_Percent.values, labels = Class_Percent.index, autopct = &#39;%.1f%%&#39;)
# 添加标题
ax1.set_title(&#39;各等级订单比例&#39;)

# 设置第二个子图的布局
ax2 = plt.subplot2grid(shape = (2,3), loc = (0,1))
# 统计2012年每月销售额
Month_Sales = Prod_Trade[Prod_Trade.year == 2012].groupby(by = &#39;month&#39;).aggregate({&#39;Sales&#39;:np.sum})
# 绘制销售额趋势图
Month_Sales.plot(title = &#39;2012年各月销售趋势&#39;, ax = ax2, legend = False)
# 删除x轴标签
ax2.set_xlabel(&#39;&#39;)

# 设置第三个子图的布局
ax3 = plt.subplot2grid(shape = (2,3), loc = (0,2), rowspan = 2)
# 绘制各运输方式的成本箱线图
sns.boxplot(x = &#39;Transport&#39;, y = &#39;Trans_Cost&#39;, data = Prod_Trade, ax = ax3)
# 添加标题
ax3.set_title(&#39;各运输方式成本分布&#39;)
# 删除x轴标签
ax3.set_xlabel(&#39;&#39;)
# 修改y轴标签
ax3.set_ylabel(&#39;运输成本&#39;)

# 设置第四个子图的布局
ax4 = plt.subplot2grid(shape = (2,3), loc = (1,0), colspan = 2)
# 2012年客单价分布直方图
sns.distplot(Prod_Trade.Sales[Prod_Trade.year == 2012], bins = 40, norm_hist = True, ax = ax4, hist_kws = {&#39;color&#39;:&#39;steelblue&#39;}, kde_kws=({&#39;linestyle&#39;:&#39;--&#39;, &#39;color&#39;:&#39;red&#39;}))
# 添加标题
ax4.set_title(&#39;2012年客单价分布图&#39;)
# 修改x轴标签
ax4.set_xlabel(&#39;销售额&#39;)

# 调整子图之间的水平间距和高度间距
plt.subplots_adjust(hspace=0.6, wspace=0.3)
# 图形显示
plt.show()

注意： - 在绘制每一幅子图之前，都需要运用subplot2grid函数控制子图的位置，并传递给一个变量对象（如代码中的ax1、ax2等）； - 如果通过matplotlib模块绘制子图，则必须使用ax1.plot_function的代码语法（如上代码中，绘制饼图的过程）； - 如果通过pandas模块或seaborn模块绘制子图，则需要为绘图“方法”或函数指定ax参数（如上代码中，绘制折线图、直方图和箱线图的过程）； - 如果为子图添加标题、坐标轴标签、刻度值标签等，不能直接使用plt.title、plt.xlabel、plt.xticks等函数，而是换成ax1.set_*的形式（可参考如上代码中对子图标题、坐标轴标签的设置）； - 通过subplots_adjust函数重新修改子图之间的水平间距和垂直间距。[^书籍]
四、plotly_express库可视化

一个强大的可视化库plotly_express（参考博文^plotly_express,^plotly    ）可以在一个函数调用中创建丰富的交互式绘图，包括分面绘图（faceting）、地图、动画和趋势线。它带有数据集、颜色面板和主题。 Plotly Express 完全免费。安装：

pip install plotly_express

大多数绘图只需要一个函数调用，接受一个整洁的DataFrame。
1 散点图

以下是内置的 Gapminder 数据集的示例，显示2007年按国家/地区的人均预期寿命和人均GDP 之间的趋势。示例数据如下：

# 加载模块
import plotly_express as px
gm = px.data.gapminder() # 数据框格式
# print(&#39;数据的前3行示例：\n&#39;,gm.head(3))

# 筛选出2007年的数据
gm2007 = gm.query(&#39;year==2007&#39;)
px.scatter(gm2007,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;)

可以使用 color 参数为不同类别的点着色。
# 着色
px.scatter(gm2007,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;,color=&#39;continent&#39;)

2 气泡图

通过国家的人口数量显示点的大小，参数size来设置。
# 加上点大小设置
px.scatter(gm2007,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;,color=&#39;continent&#39;,size=&#39;pop&#39;,size_max=50)

添加一个 参数hover_name ，可以轻松识别任何一点。
# 加上hover_name参数
px.scatter(gm2007,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;,color=&#39;continent&#39;,size=&#39;pop&#39;,size_max=50,hover_name=&#39;country&#39;)

3 分组-标色-气泡图

自己起的名字，通过参数facet_col =&#34;continent&#34; 可以将各大洲区分开。让x轴取对数（log_x）以便我们在图表中看的更清晰。
# 再加上facet_col参数
px.scatter(gm2007,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;,color=&#39;continent&#39;,size=&#39;pop&#39;,size_max=50,
         hover_name=&#39;country&#39;,facet_col=&#39;continent&#39;,log_x=True)

4 气泡动图

可以通过设置 animation_frame=“year” 来设置动画。
# 再加上animation_frame参数,来设置动画 ,为了图表更美观一点，对做坐标轴进行一些调整
px.scatter(gm,x=&#39;gdpPercap&#39;,y=&#39;lifeExp&#39;,color=&#39;continent&#39;,size=&#39;pop&#39;,size_max=50,
         hover_name=&#39;country&#39;,animation_frame=&#39;year&#39;,log_x=True,range_x=[100,100000],
         range_y=[25,90],labels=dict(pop=&#39;population&#39;,gdpPercap=&#39;GDP per Capita&#39;,lifeExp=&#39;Life Expectancy&#39;))

题外话

最近突然萌发一种意识，想将日常常见的一些python可视化的手段，整理出来一个资料库，方便日后学习或者实现相关图表时，不用到处翻找其他的资源。由此诞生了此篇博文。
既然冠名资料库——可视化大全，也就让自己有一个刻意的意识：将常见的图表进行搜集整理，常抓不懈。现在才是刚刚开始，路漫漫其修远兮，吾将上下而求索，为此事也！

如果这个过程，恰好也帮助到了路过的你，感觉荣幸之至，可能这也是我整理的最大动力。

参考资料

[^书籍]: 从零开始学Python数据分析与挖掘／刘顺祥著．—北京：清华大学出版社，2018ISBN 978-7-302-50987-5

JoshWindsor · 发表于 2021-12-2 09:00

您好请问可以把数据Prod_Trade.xlsx发我一份吗非常感谢 2303122786@qq.com

TheLudGamer · 发表于 2021-12-2 09:08

请问源数据文件可以打包分享一下吗，正在学习数据可视化，万分感谢 1093773992 @ http://qq.com

		自动登录	找回密码
密码			立即注册

python常见图形代码可视化大全整理（包括动图）更新中...

本帖子中包含更多资源