在数据分析领域,最出名的绘图工具就是matlib。在Python同样有类似的功能。就是matplotlib。前面几章我们都在介绍数据的生成,整理,存储。那么这一章将介绍如果图形化的呈现这些数据。来看下面的代码 这个代码通过numpy生成50个随机数,然后进行求和,最后将50个数绘制成图像,k--代表以虚线的方式 import matplotlib.pyplot as plt from numpy.random import randn if __name__=="__main__": plt.plot(randn(50).cumsum(),'k--') plt.show() 得到的图片如下 我们还可以在一副图中显示多个图片。 fig=plt.figure() ax1=fig.add_subplot(2,2,1) ax2=fig.add_subplot(2,2,2) ax3=fig.add_subplot(2,2,3) ax4=fig.add_subplot(2,2,4) plt.show() matplotlib的图像都位于Figure对象中,通过fig.add_subplot可以创建多个图片。比如fig.add_subplot(2,2,1)代表总共4个图像,1代表为第1个图像。那么这样我们就可以绘制多个图像,每个图像用不同的方式来呈现 fig=plt.figure() ax1=fig.add_subplot(2,2,1) ax2=fig.add_subplot(2,2,2) ax3=fig.add_subplot(2,2,3) ax4=fig.add_subplot(2,2,4) ax1.plot(randn(50).cumsum(), 'k--') ax2.hist(randn(50).cumsum()) ax3.scatter(np.arange(30),np.arange(30)+3*randn(30)) ax4.plot(randn(50).cumsum()) plt.show() 下面4 张图分别绘制了4种图形。
subplots的参数如下
我们还可以针对subplot调整各个图的间距,通过subplots_adjust就可以达到 下面的代码通过创造4个图像,且共享x,y坐标轴。通过wspace和hsapce设置为0,将各个图像的左右,上下边界都连接在了一起。 fig,axis=plt.subplots(2,2,sharex=True,sharey=True) [axis[i,j].hist(randn(50),bins=50,color='k',alpha=0.5) for i in range(2) for j in range(2)] plt.subplots_adjust(wspace=0, hspace=0) plt.show() 结果如下: 前面介绍了如何作图,下面将对图片进行更细化的操作,设置x,y轴的刻度以及设置图片标题。在下面的代码中,设置x的刻度为0,10,25,40,50几个区间并设置图片的标题为test fig=plt.figure() ax=fig.add_subplot(1,1,1) ax.plot(randn(50).cumsum(),'k',label='one') ax.set_xticks([0,10,25,40,50]) ax.set_title("test") plt.show() 结果如下: 还可以通过ax.text(x,y,"2010")的方式对图标上的某一点坐标进行文本标注 比如ax.text(0,0,"2010")就在0,0的坐标上标注2010的样式
既然生成了图片,那么该如何保存呢. 通过savefig的方式就可以进行保存,通过指定不同的图片后缀名就可以进行文件的保存。 plt.savefig("figure.svg") plt.savefig("figure.jpg") plt.savefig("figure.png")
pandas中的绘图函数: 前面介绍了matplotlib中的绘图方法,这一章将介绍pandas中绘图方法。代码如下 首先通过Series产生数据,然后Series对象的索引会被传递给matplotlib用于绘制X轴 s=Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10)) s.plot(color='k',alpha=0.7) plt.title('pandas test') plt.show() 结果如下所示: 接下来看下DataFrame的结果图: d=DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D'],index=np.arange(0,100,10)) d.plot() plt.show() 结果如下: 通过上图可以看到DataFrame的plot方法会在一个subplot中为各列绘制一条线,并自动创建图例。 Series.plot方法的参数:
DataFrame的plot参数
在plot中通过指定kind可以生成不同的图形,比如kind=’bar’就是生成柱状图
我们在来看下下面的这组数据,通过设置stacked=True即可为DataFrame生成堆积柱状图,这样可以使得每行的值就会被堆积在一起。 frame=DataFrame([[1,16,1,1,0,0],[2,53,18,13,1,0],[0,39,15,18,3,1],[1,48,4,5,1,3]],columns=[1,2,3,4,5,6],index=['Fri','Sat','Sun','Thur']) frame.index.name=['day'] frame.columns.names=['size'] print frame frame.plot(kind='barh',stacked=True) plt.show() 数据如下:该数据的列表示人的索引。行代表是天数。这个数据的意义在与指示每个人在从周四到周日的消费情况 size 1 2 3 4 5 6 [day] Fri 1 16 1 1 0 0 Sat 2 53 18 13 1 0 Sun 0 39 15 18 3 1 Thur 1 48 4 5 1 3 通过下面得到的结果来看,我们可以看到在周末的时候消费明显增加。 密度图: 密度图也成为kde图,这个图是生成标准正态分布图 s=Series(np.random.randn(20)) s.plot(kind='kde') plt.show() 得到的正态分布图如下:
|
|