python可視化數據分析圖的案例

小編給大家分享一下python可視化數據分析圖的案例，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

python數據分析常用圖大集合：包含折線圖、直方圖、垂直條形圖、水平條形圖、餅圖、箱線圖、熱力圖、散點圖、蜘蛛圖、二元變量分布、面積圖、六邊形圖等12種常用可視化數據分析圖，后期還會不斷的收集整理，請關注更新！

以下默認所有的操作都先導入了numpy、pandas、matplotlib、seaborn

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

一、折線圖

折線圖可以用來表示數據隨著時間變化的趨勢

x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
y = [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]

Matplotlib

plt.plot(x, y)
plt.show()

Seaborn

df = pd.DataFrame({'x': x, 'y': y})
sns.lineplot(x="x", y="y", data=df)
plt.show()

二、直方圖

直方圖是比較常見的視圖，它是把橫坐標等分成了一定數量的小區間，然后在每個小區間內用矩形條（bars）展示該區間的數值

a = np.random.randn(100)
s = pd.Series(a)

Matplotlib

plt.hist(s)
plt.show()

Seaborn

sns.distplot(s, kde=False)
plt.show()
sns.distplot(s, kde=True)
plt.show()

三、垂直條形圖

條形圖可以幫我們查看類別的特征。在條形圖中，長條形的長度表示類別的頻數，寬度表示類別。

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [5, 4, 8, 12, 7]

Matplotlib

plt.bar(x, y)
plt.show()

Seaborn

plt.show()

四、水平條形圖

x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5']
y = [5, 4, 8, 12, 7]
plt.barh(x, y)
plt.show()

五、餅圖

nums = [25, 37, 33, 37, 6]
labels = ['High-school','Bachelor','Master','Ph.d', 'Others']
plt.pie(x = nums, labels=labels)
plt.show()

六、箱線圖

箱線圖由五個數值點組成：最大值 (max)、最小值 (min)、中位數 (median) 和上下四分位數 (Q3, Q1)。

可以幫我們分析出數據的差異性、離散程度和異常值等。

Matplotlib

# 生成0-1之間的10*4維度數據
data=np.random.normal(size=(10,4)) 
lables = ['A','B','C','D']
# 用Matplotlib畫箱線圖
plt.boxplot(data,labels=lables)
plt.show()

Seaborn

# 用Seaborn畫箱線圖
df = pd.DataFrame(data, columns=lables)
sns.boxplot(data=df)
plt.show()

七、熱力圖

力圖，英文叫 heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。通過顏色就能直觀地知道某個位置上數值的大小。

flights = sns.load_dataset("flights")
data=flights.pivot('year','month','passengers')
sns.heatmap(data)
plt.show()

通過 seaborn 的 heatmap 函數，我們可以觀察到不同年份，不同月份的乘客數量變化情況，其中顏色越淺的代表乘客數量越多

八、散點圖

散點圖的英文叫做 scatter plot，它將兩個變量的值顯示在二維坐標中，非常適合展示兩個變量之間的關系。

N = 1000
x = np.random.randn(N)
y = np.random.randn(N)

Matplotlib

plt.scatter(x, y,marker='x')
plt.show()

Seaborn

df = pd.DataFrame({'x': x, 'y': y})
sns.jointplot(x="x", y="y", data=df, kind='scatter');
plt.show()

九、蜘蛛圖

蜘蛛圖是一種顯示一對多關系的方法，使一個變量相對于另一個變量的顯著性是清晰可見

labels=np.array([u"推進","KDA",u"生存",u"團戰",u"發育",u"輸出"])
stats=[83, 61, 95, 67, 76, 88]
# 畫圖數據準備，角度、狀態值
angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False)
stats=np.concatenate((stats,[stats[0]]))
angles=np.concatenate((angles,[angles[0]]))
# 用Matplotlib畫蜘蛛圖
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)   
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 設置中文字體
font = FontProperties(fname=r"/System/Library/Fonts/PingFang.ttc", size=14)  
ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)
plt.show()

十、二元變量分布

二元變量分布可以看兩個變量之間的關系

tips = sns.load_dataset("tips")
tips.head(10)
#散點圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter')
#核密度圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde')
#Hexbin圖
sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex')
plt.show()

十一、面積圖

面積圖又稱區域圖，強調數量隨時間而變化的程度，也可用于引起人們對總值趨勢的注意。

堆積面積圖還可以顯示部分與整體的關系。折線圖和面積圖都可以用來幫助我們對趨勢進行分析，當數據集有合計關系或者你想要展示局部與整體關系的時候，使用面積圖為更好的選擇。

df = pd.DataFrame(
np.random.rand(10, 4), 
columns=['a', 'b', 'c', 'd'])
# 堆面積圖
df.plot.area()
# 面積圖
df.plot.area(stacked=False)

十二、六邊形圖

六邊形圖將空間中的點聚合成六邊形，然后根據六邊形內部的值為這些六邊形上色。

df = pd.DataFrame(
np.random.randn(1000, 2), 
columns=['a', 'b'])
df['b'] = df['b'] + np.arange(1000)
# 關鍵字參數gridsize；它控制x方向上的六邊形數量，默認為100，較大的gridsize意味著更多，更小的bin
df.plot.hexbin(x='a', y='b', gridsize=25)

看完了這篇文章，相信你對python可視化數據分析圖的案例有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！