根据https://www.cnblogs.com/chenqionghe/p/12254085.html编写
为加深记忆，笔者把这位博主的十二种图揣摩一遍。（仅为本人学习所用，所以在原代码里面加入了笔者自己的注释，最佳阅读体验最好到原博主博客里面进行学习）
折线图
import matplotlib.pyplot as plt import seaborn as sns import pandas as pd import numpy as np x=[0 for i in range(0,10)] for i in range(0,10,1): x[i]=i+2010 y=[5,3,6,20,17,16,19,30,32,35] # 第一种方法（简单点） plt.plot(x,y) plt.show() # 第二种方法（复杂点） df=pd.DataFrame({'x':x,'y':y})#表格形式的数据类型 sns.lineplot(x="x",y="y",data=df) plt.show()
直方图
直方图是比较常见的视图，它是把横坐标等分成了一定数量的小区间，然后在每个小区间内用矩形条（bars）展示该区间的数值
# 第一种方法（简单点）但是没有拟合曲线 a=np.random.randn(100) # rand是0-1的均匀分布，randn是均值为0方差为1的正态分布；这里100则规定了在0~100里面找正态分布的数 now=pd.Series(a) #Series：一维数组，与Numpy中的一维array类似。只能存储相同的数据类型 plt.hist(now) #hist把数据变成直方图 plt.show() # 第二种方法（复杂点）但是有拟合曲线 sns.distplot(now,kde=False) #同理， plt.show() sns.distplot(now,kde=True) #多了条拟合曲线 plt.show()
垂直条形图
条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。
# 第一种方法 x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5'] y = [5, 4, 8, 12, 7] plt.bar(x, y) #建立垂直条形图 plt.show() # 第二种方法（无异） plt.show()
水平条形图
与垂直条形图差不多
# 第一种方法 x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5'] y = [5, 4, 8, 12, 7] plt.barh(x, y) #多了个h plt.show() # 第二种方法（无异） plt.show()
饼图
饼图是我认为最为直观的图表，这个应该熟悉掌握
a=[25,37,33,37,6] #无规定要相加等于100，占比才是我们关心的 labels=['High-school','Bachelor','Master','Ph.d', 'Others'] plt.pie(x = a, labels=labels)#饼图 plt.show()
箱线图
箱线图由五个数值点组成：最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。
可以帮我们分析出数据的差异性、离散程度和异常值等。
# 生成0-1之间的10*4维度数据 data=np.random.normal(size=(10,4)) # np.random.normal(loc=0.0, scale=1.0, size=None) # 作用：生成高斯分布的概率密度随机数 # loc：float # 此概率分布的均值（对应着整个分布的中心centre） # scale：float # 此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高） # size：int or tuple of ints # 输出的shape，默认为None，只输出一个值 lables = ['A','B','C','D'] # 用Matplotlib画箱线图 plt.boxplot(data,labels=lables) plt.show() df = pd.DataFrame(data, columns=lables) # 用Seaborn画箱线图 sns.boxplot(data=df) plt.show()
热力图
力图，英文叫 heat map，是一种矩阵表示方法，其中矩阵中的元素值用颜色来代表，不同的颜色代表不同大小的值。通过颜色就能直观地知道某个位置上数值的大小。
flights = sns.load_dataset("flights")#ctrl键看这个函数里面的东西就看到一个网址，说明了这个函数是从在线存储库加载数据集的（需要互联网） data=flights.pivot('year','month','passengers') #取出三个特征进行热力图的绘制figures.pivot() 第三个属性表示热力图上实际的值 sns.heatmap(data) plt.show()
导入自己的数据的热力图还不太会，寻找博客ing。。。
散点图
散点图的英文叫做 scatter plot，它将两个变量的值显示在二维坐标中，非常适合展示两个变量之间的关系。
#Matplotlib N = 1000 x = np.random.randn(N) y = np.random.randn(N) plt.scatter(x, y,marker='x') #marker是选择散点属性，这里是x号的形状 #plt.scatter(x, y,marker='.') 这里是.号的形状 plt.show() #Seaborn df = pd.DataFrame({'x': x, 'y': y}) sns.jointplot(x="x", y="y", data=df, kind='scatter'); #kind和marker一样意思 plt.show()
散点图sas好像功能更强
蜘蛛图
蜘蛛图是一种显示一对多关系的方法，使一个变量相对于另一个变量的显著性是清晰可见
labels=np.array([u"推进","KDA",u"生存",u"团战",u"发育",u"输出"]) #带个u是因为后面要进行中文字体操作,所以以后要尽量避免中文出现 stats=[83, 61, 95, 67, 76, 88] # 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]])) #头尾相接,把数据变成一个环 angles=np.concatenate((angles,[angles[0]])) #头尾相接,把数据变成一个环 # 用Matplotlib画蜘蛛图 fig = plt.figure()#创建一个空白的 figure 对象，这样做的目的相当于画画前先准备一个空白的画板 ax = fig.add_subplot(111, polar=True)#add_subplot(111) 可以把画板划分成 1 行 1 列 ax.plot(angles, stats, 'o-', linewidth=2)#ax.plot进行连线 ax.fill(angles, stats, alpha=0.25)#ax.fill给图形上色 # 设置中文字体 from matplotlib.font_manager import FontProperties font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14) ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font) plt.show()
二元变量分布
二元变量分布可以看两个变量之间的关系
# 数据准备 tips = sns.load_dataset("tips") print(tips.head(10)) # 用 Seaborn 画二元变量分布图（散点图，核密度图，Hexbin 图） sns.jointplot(x="total_bill", y="tip", data=tips, kind='scatter') sns.jointplot(x="total_bill", y="tip", data=tips, kind='kde') sns.jointplot(x="total_bill", y="tip", data=tips, kind='hex') plt.show()
这段代码运行错误，应该是我自己的原因。
面积图
面积图又称区域图，强调数量随时间而变化的程度，也可用于引起人们对总值趋势的注意。
堆积面积图还可以显示部分与整体的关系。折线图和面积图都可以用来帮助我们对趋势进行分析，当数据集有合计关系或者你想要展示局部与整体关系的时候，使用面积图为更好的选择。
df = pd.DataFrame( np.random.rand(10, 4), columns=['a', 'b', 'c', 'd']) # 堆面积图 df.plot.area() # 面积图 df.plot.area(stacked=False) #顾名思义,取消堆叠起来 plt.show()
六边形图
在绘制散点图时，如果数据过于密集，则无法单独绘制出每个点，这时候可以考虑 Hexbin 图
df = pd.DataFrame( np.random.randn(1000, 2), columns=['a', 'b']) df['b'] = df['b'] + np.arange(1000) #等价于 df['b'][i]+=i (i=0..999) # 关键字参数gridsize；它控制x方向上的六边形数量，默认为100，较大的gridsize意味着更多，更小的bin df.plot.hexbin(x='a', y='b', gridsize=25) plt.show()
