[小白系列][可视化基础]数据可视化视图从入门到不放弃，数据可视化视图都有哪些，怎么选用，我们一起来康康

1.可视化图形的简单分类

4种类别：
比较：展示事物的排列顺序，比如条图。
联系：查看两个变量之间关系，比如气泡图。
构成：每个部分所占整体的百分比，如饼图。
分布：关心各数值范围包含多少项目，如柱图

2.Python中常用的两个可视化工具

matplotlib和seaborn
调用方式：

import matplotlib.pyplot as plt
import seaborn as sns

区别：
Matplotlib是一个较为基础的工具，Seaborn的底层是基于Matplotlib的，
展开说一下：Seaborn是用户把自己常用到的可视化绘图过程进行了函数封装，形成的一个“快捷方式”，他相比Matplotlib的好处是代码更简洁，可以用一行代码实现一个清晰好看的可视化输出。主要的缺点则是定制化能力会比较差，只能实现固化的一些可视化模板类型；而Matplotlib是可以实现高度定制化绘图的，高度定制化可以让你获得最符合心意的可视化输出结果，但也因此需要设置更多的参数，因而代码更加复杂一些。

3.九种常用视图及其具体调用代码

seaborn画图函数，主要针对pandas的DataFrame或numpy数据，有以下几种主要形式：

sns.图名(x=‘X轴 列名’, y=‘Y轴 列名’, data=原始数据df对象)

sns.图名(x=‘X轴 列名’, y=‘Y轴 列名’, hue=‘分组绘图参数’, data=原始数据df对象)

sns.图名(x=np.array, y=np.array[, …])

1.散点图(Scatter Chart)

表现两个变量之间的关系

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
# 数据准备
N = 900
x = np.random.randn(N)
y = np.random.randn(N)
# 利用matplotlib绘制散点图
plt.scatter(x,y,marker = 'x')  # marker表示散点图的呈现方式为x,默认呈现方式为小圆点
plt.show()

扫描二维码关注公众号，回复： 10350979 查看本文章

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

# 数据准备
N = 500
x = np.random.randn(N)
y = np.random.randn(N)

# 用Seaborn画图，可以直接从DataFrame入手画图
df = pd.DataFrame({'x1':x,'y1':y})
# 指定x轴标签为x1,y轴标签为y1,加载数据到jointplot，指定jointplot画图类型为散点图
sns.jointplot(x = 'x1',y = 'y1',data = df,kind = 'scatter',marker = 'x')  
plt.show()

2.折线图（Line Chart）

折线图适合二维的大数据集，尤其是那些趋势比单个数据点更重要的场合，它还适合多个二维数据集的比较

# 画折线图
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns
  
# 加载数据
x = []
for i in range(1900,1911,1):
    x.append(i)
y = [265, 323, 136, 220, 305, 350, 419, 450, 560, 720, 830]

# 用matplotlib画折线图
print('用matplotlib画折线图\n')
plt.plot(x,y)
plt.show()

# 画折线图
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns
  
# 加载数据
x = []
for i in range(1900,1911,1):
    x.append(i)
y = [265, 323, 136, 220, 305, 350, 419, 450, 560, 720, 830]

# 用seaborn画折线图
print('用seaborn画折线图\n')
df = pd.DataFrame({'x':x,'y':y})

3.条形图(Bar Chart)

用于分类展示

# 画条形图
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns

# 数据加载
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签，设置为黑体
x = ['中国','意大利','日本','美国']
y = [12,34,56,77]

# 用matplotlib画图
plt.bar(x,y)
plt.show()

# 画条形图
import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt
import seaborn as sns

# 数据加载
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签，设置为黑体
x = ['中国','意大利','日本','美国']
y = [12,34,56,77]

# 用seaborn画图
sns.barplot(x,y)
plt.show()

import matplotlib.pyplot as plt
%matplotlib inline 
'''
操作时同时运行%matplotlibinline，那么绘图下方就能自动显示代码块，
否则用户每次绘图时都需要输入plt.show()来创建新图。
此功能是Jupyter Notebook / IPython独有的
'''
df = pd.DataFrame(np.random.rand(10,4), columns=['a','b','c','d'])
# 使用bar()生成直方图，barh()生成水平条形图（要生成一个堆积条形图，需要指定stacked=True）
print('条形图\n')
df.plot.bar()
plt.show()
print('水平条形图\n')
df.plot.barh()
plt.show()
print('堆积条形图\n')
df.plot.bar(stacked=True)
plt.show()
print('水平堆积条形图\n')
df.plot.barh(stacked=True)
plt.show()

4.箱线图(Boxplot)

展现数据的分布和关联情况
有上边缘，上四分位数，中位数，下四分位数，下边缘

#  箱线图：
# 数据准备
# 生成0-1之间的10*4维度数据
data=np.random.normal(size=(10,4)) 
lables = ['A','B','C','D']
# 用Matplotlib画箱线图
plt.boxplot(data,labels=lables)
plt.show()

#  箱线图：
# 数据准备
# 生成0-1之间的10*4维度数据
data=np.random.normal(size=(10,4)) 
lables = ['A','B','C','D']
# 用Seaborn画箱线图
df = pd.DataFrame(data, columns=lables)
sns.boxplot(data=df)
plt.show()

5.饼图（Pie Chart）

用于分类展示
P.S:目前为止，饼图只可以由matplotlib画，seaborn不可以画饼图

# 饼图（只可以由matplotlib画，seaborn不可以画饼图）
import matplotlib.pyplot as plt 

nums = [34,56,78,90]
nums_labels = ['china','usa','uk','eu']
# 采用matplotlib画出来
plt.pie(x= nums,labels = nums_labels)
plt.show()

6.热力图（Heatmap）

表可以展现多变量之间的相关系数

# 热力图
np.random.seed(33)
data = np.random.rand(3,3)
sns.heatmap(data)
plt.show()

7.蜘蛛图（雷达图）(Radar map)

#　蜘蛛图：
# 数据准备
labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"])　
＃　ｕ在这里的作用是表明编码用的是ｕｎｉｃｏｄｅ编码方式
stats=[76, 58, 67, 97, 86, 58]
# 画图数据准备，角度、状态值
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画蜘蛛图
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)   
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 设置中文字体
plt.rcParams['font.sans-serif']=['SimHei'] 
ax.set_thetagrids(angles * 180/np.pi, labels)
plt.show()

8.二元变量分布（双变量密度估计图）

展现数据的分布和关联情况，即用于统计相关性

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt 
import seaborn as sns 
data = sns.load_dataset('flights')  
#  flights数据集是美国人在1950到1960年买飞机票的数据集，是seaborn自带的数据集
display(data)
# 用Seaborn画二元变量分布图（散点图，核密度图，Hexbin图）
sns.jointplot(x = data['year'],y = data['passengers'],kind = 'scatter')
sns.jointplot(x=data['year'],y = data['passengers'],kind ='kde')
sns.jointplot(x=data['year'],y=data['passengers'],kind = 'hex')
plt.show()

9.成对关系图（ Pair Diagram）

可以展现多个变量，两两之间的散点图，以及自身的分布规律，在seaborn中可以使用pairplot()绘制。

参数diag_kind：自身分布的展现类型（如：直方图，密度图）

参数markers：散点图中点的形状

参数plot_kws：调节点的大小，颜色，线的宽度等

参数diag_kws：展示形式的调整（如：密度图中十分填充）

参数data：可视化的数据对象

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

data = sns.load_dataset('flights')
sns.pairplot(data)
plt.show()