折线图 （plot函数）
#导包
import pandas as pd
import matplotlib.pyplot as plt
#读取本地的csv文件(美国失业率数据)，得到的数据为DataFrame类型
unrate = pd.read_csv('unrate.csv')
#格式转换：格式化时间
#to_datetime()：把数据中的'DATE'时间列的字符串类型数据格式化，转换成datetime标准时间格式
unrate['DATE'] = pd.to_datetime(unrate['DATE'])
#读取前12行数据
first_twelve = unrate[0:12]
print unrate.head(12)#绘制折线图操作
#第一个参数为x轴数据,第二个参数为y轴数据
plt.plot(first_twelve['DATE'], first_twelve['VALUE'])
#将x轴下面的文字旋转45度
plt.xticks(rotation=45)
#设置x轴的标签
plt.xlabel('Month')
#设置y轴的标签
plt.ylabel('Unemployment Rate')
#设置标题名称
plt.title('Monthly Unemployment Trends, 1948')
#显示图像
plt.show()图像显示结果如下图所示：
子图操作 （subplot函数）
子图在总绘图区域的分布顺序如下：
绘制子图代码如下：
#绘制子图操作
#导包
import numpy as np
import matplotlib.pyplot as plt
#步骤1：确定绘图区域大小（画图域）
#figsize：指定绘图区域的大小，6x12（长和宽）缺省默认大小
fig = plt.figure(figsize=(6, 12))
#步骤2：添加子图,并确定在总绘图区域的位置
#add_subpolt(2,1,1)：前两个参数参数2,1表示将总绘图区域划分为2行1列(类似矩阵)
#第3个参数：子图占总区域的第一个位置
#注：位置顺序从上到下,从左到右,从1开始递增
ax1 = fig.add_subplot(2,1,1)
ax2 = fig.add_subplot(2,1,2)
#步骤3：绘制子图
ax1.plot(np.random.randint(1,5,5), np.arange(5))
ax2.plot(np.arange(10)*3, np.arange(10))
#步骤4：显示图像
plt.show()图像显示结果如下图所示：
总结绘制子图的步骤：
1.确定绘图区域大小
2.确定每个子图在绘图区域的位置
3.绘制每个子图
4.显示图像
一张图绘制多条曲线
#一张图绘制多条曲线操作
#导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 读取本地的csv文件(美国失业率数据)，得到的数据为DataFrame类型
unrate = pd.read_csv('unrate.csv')
#格式转换：格式化时间
#to_datetime()：把数据中的'DATE'时间列的字符串类型数据格式化，转换成datetime标准时间格式
unrate['DATE'] = pd.to_datetime(unrate['DATE'])
#将年份时间转换成月份时间,并新建列存起来
#需求：将5年内的当年12个月内的失业率展示出来,此时再用年时间作为x轴下标就不合适了
unrate['MONTH'] = unrate['DATE'].dt.month
#设置5个颜色数组,分别表示5条曲线颜色
colors = ['red','green','blue','black','yellow']
#设置总绘图区域大小,需要在调用绘图函数之前调用才有效果
plt.figure(figsize=(10,6))
#遍历5次
for i in range(5):
#读取数据（当年12个月的数据）
data12 = unrate[12*i : 12*(i+1)]
#当年的曲线的标签
label = str(1948+i)
# 绘制当年的曲线图
plt.plot(data12['MONTH'], data12['VALUE'], c=colors[i], label=label)
# 设置x轴标签
plt.xlabel('Month，Integer')
# 设置y轴标签
plt.ylabel('Unemployment Rate，Percent')
# 设置图标名称
plt.title('Monthly Unemployment Trends，1948-1952')
# 设置图例位置
#loc='best'：选择合适的位置来摆放（loc是location的缩写）
#loc的取值有如下几种：best、upper right、upper left、lower left、lower right……
#还可以通过编号来指定摆放方式：比如best--0，upper-1
plt.legend(loc='best')
# 显示图像
plt.show()loc的取值和代码对应关系如下 ：
| =============== =============
| Location String Location Code
| =============== =============
| 'best' 0
| 'upper right' 1
| 'upper left' 2
| 'lower left' 3
| 'lower right' 4
| 'right' 5
| 'center left' 6
| 'center right' 7
| 'lower center' 8
| 'upper center' 9
| 'center' 10
| =============== =============图像显示结果如下图所示：
绘制条形图（bar函数）
fandango_scores.csv文件的局部预览图：
#绘制条形图操作
#导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#读取本地的csv文件(电影评分数据)，得到的数据为DataFrame类型
reviews = pd.read_csv('fandango_scores.csv')
#取出电影标签和公司名标签
cols = ['FILM','RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars']
#取出需要展示的样本数据
norm_reviews = reviews[cols]
#评分数据的列名
num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars']
#条形图的高度bar_heights
#取出第一部电影的评分样本数据
bar_heights = norm_reviews.loc[0, num_cols].values
#条形图的位置bar_positions
bar_positions = arange(5) + 0.75
fig, ax = plt.subplots()
#绘制条形图
#第一个参数：x轴数据；第二个参数：y轴数据；第三个参数：每个条形的宽度
#ax.bar()：条形图是竖着画
ax.bar(bar_positions, bar_heights,0.5)
#ax.barh()：条形图是横着画
#ax.barh(bar_positions, bar_heights,0.5)
#设置x轴标签的位置
#range(1,6)：1、2、3、4、5
ax.set_xticks(range(1,6))
#设置x轴标签的名字和角度
ax.set_xticklabels(num_cols, rotation=45)
#设置x轴标签
ax.set_xlabel('Rating Source')
#设置y轴标签
ax.set_ylabel('Average Rating')
#设置标题
ax.set_title('Average User Rating For Avengers: Age of Ultron (2015)')
plt.show()图像显示结果如下图所示：
绘制散点图（scatter函数）
#绘制散点图操作
#导包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#读取本地的csv文件(电影评分数据)，得到的数据为DataFrame类型
norm_reviews = pd.read_csv('fandango_scores.csv')
#取出需要展示的列名
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue', 'Fandango_Stars']
#取出需要展示的样本数据
norm_reviews = reviews[cols]
fig, ax = plt.subplots()
#绘制散点图
ax.scatter(norm_reviews['Fandango_Ratingvalue'], norm_reviews['RT_user_norm'])
ax.set_xlabel('Fandango')
ax.set_ylabel('Rotten Tomatoes')
plt.show()图像显示结果如下图所示：
绘制直方图（hist函数）
问题：当数据样本点较多时，要把所有的数据绘制在图形中，显然要把横坐标切分成很多份，这样就会使得横坐标显得太臃肿了
解决：把取值属于某一区间（Bins）的数据样本点划分到一类中，用划分区间的方法来减少绘制图形的个数
直方图一般用来统计一定范围内的数据
#绘制直方图操作
#导包
import pandas as pd
import matplotlib.pyplot as plt
#读取文件
reviews = pd.read_csv('fandango_scores.csv')
#读取数据
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
norm_reviews = reviews[cols]
#对评分进行数量统计
#Fandango_Ratingvalue公司
fandango_distribution = norm_reviews['Fandango_Ratingvalue'].value_counts()
#IMDB_norm公司
imdb_distribution = norm_reviews['IMDB_norm'].value_counts()
#排序索引
#Fandango_Ratingvalue公司
fandango_distribution = fandango_distribution.sort_index()
#IMDB_norm公司
imdb_distribution = imdb_distribution.sort_index()
fig, ax = plt.subplots()
# 绘制直方图
#bins：区间个数，缺省默认10个
ax.hist(norm_reviews['Fandango_Ratingvalue'], bins=20)
#ax.hist(norm_reviews['Fandango_Ratingvalue'], range(4,5), bins=20)
#设置y轴坐标取值范围
#ax.set_ylim(0,50)
plt.show()图像显示结果如下图所示：
绘制盒图 （boxplot函数）
箱形图（英文：Box-plot），又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数。
#绘制盒图操作
#导包
import pandas as pd
import matplotlib.pyplot as plt
#读取文件
reviews = pd.read_csv('fandango_scores.csv')
#读取数据
cols = ['FILM', 'RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
norm_reviews = reviews[cols]
num_cols = ['RT_user_norm', 'Metacritic_user_nom', 'IMDB_norm', 'Fandango_Ratingvalue']
fig, ax = plt.subplots()
#绘制盒图
ax.boxplot(norm_reviews[num_cols].values)
ax.set_xticklabels(num_cols, rotation=90)
ax.set_ylim(0,5)
plt.show()图像显示结果如下图所示
附上本人的联系方式，欢迎各位前来交流探讨！
版权声明：本文为博主原创文章，未经博主允许不得转载。如要转载请与本人联系。