python可視化分析的實現(matplotlib、seaborn、ggplot2)

import matplotlib.pyplot as plt
plt.figure(figsize=(5,4)) #設置圖形大小
plt.rcParams['axes.unicode_minus']=False #正常顯示負號
plt.rcParams['font.sans-self']=['Kai Ti'] #設置字體，這裡是楷體，SimHei表示黑體

#基本統計圖
plt.bar(x,y);plt.pie(y,labels=x);plt.plot(x,y);
plt.hist(df.身高) #若參數density=True則是頻率直方圖

#一行兩圖
plt.subplot(121)
plt.bar(x,y)
plt.subplot(122)
plt.plot(x,y)
#一頁多圖
fig,ax=plt.subplots(2,2,figsize=(15,12)) # 2行2列放4個圖，figsize控制大小
ax[0,0].bar(x,y);ax[0,1].plot(x,y);
ax[1,0].pie(x,y);ax[1,1].plot(y,'.',linewidth=3)

import matplotlib.pyplot as plt   #加載基本繪圖包
plt.rcParams['font.sans-serif']=['SimHei']; #SimHei黑體
plt.rcParams['axes.unicode_minus']=False; #正常顯示圖中負號
import numpy as np #加載軟件包numpy
import math  #加載軟件包math
x=np.linspace(0,2*math.pi);x #生成[0,2*pi]序列 ，作為橫坐標取值
plt.plot(x,np.sin(x)) #y=sinx 正弦函數
plt.plot(x,np.cos(x)) #y=cosx 餘弦函數
plt.plot(x,np.log(x)) #y=lnx #對數函數
plt.plot(x,np.exp(x)) #y=e^x 指數函數

#極坐標圖
t=np.linspace(0,2*math.pi) 
x=3*np.sin(t); 
y=5*np.cos(t) 
plt.plot(x,y); 
plt.text(0,0,r'$\frac{x^2}{3^2}+\frac{y^2}{5^2}=1$',fontsize=20) #python借鑒的LATEX的格式，可以直接在圖中添加公式

import pandas as pd
df=pd.read_excel('data.xlsx')
plt.scatter(df['身高'], df['體重'], s=df['支出']) #在散點圖的基礎上加上點的大小，例子中s=df['支出']就是將指各樣本點支出越多，點面積就越大

from mpl_toolkits.mplot3d import Axes3D 
fig = plt.figure() 
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.5) 
Y = np.arange(-4, 4, 0.5) 
X, Y = np.meshgrid(X, Y)
Z = (X**2+ Y**2)
ax.plot_surface(X, Y, Z) #該圖像就是表示函數z=x^2+y^2

import seaborn as sns #加載軟件包seaborn
#箱線圖
sns.boxplot(x=df['身高'])
#豎著放的箱線圖，也就是將 x 換成 y
sns.boxplot(y=df['身高']) 
#分組繪制箱線圖
sns.boxplot(x='性別', y='身高',data=df) #將身高按性別分組後繪制

sns.violinplot(x='性別', y='支出', data=df) #箱線圖的變種，可以加第三個類別參數hue

sns.stripplot(x='性別', y='身高', data=df, jitter=True) #分組的數據（定性+定量）畫的點圖,jitter參數為True表示將點分散開來，默認為false

#條圖，即柱形圖
sns.barplot(x='性別', y='身高', data=df, ci=0, palette="Blues_d") #palette用於設置顏色
#計數圖
sns.countplot(x='性別', hue="開設", data=df) #都是分類變量

#按性別、開設依次分組後計數,aspect指比例大小
sns.factorplot(x='性別', col="開設", col_wrap=3, data=df, kind="count", size=2.5, aspect=.8) 

#displot：直方圖+密度函數,bins表示分的組數，kde=False表示不畫出密度曲線,rug表示有數據的地方就標註出來
sns.distplot(df['身高'], kde=True, bins=20, rug=True)

#自定義漸進正態函數圖像
def norm_sim2(N=1000,n=10):
 xbar=np.zeros(N)
 for i in range(N):
  xbar[i]=np.random.uniform(0,1,n).mean()#[0,1]上均勻隨機數均值
 sns.distplot(xbar,bins=50)
 print(pd.DataFrame(xbar).describe().T)
norm_sim2(N=100000,n=50) 

sns.jointplot(x='身高', y='體重', data=df)#畫的散點圖+單個變量的直方圖

#針對多個變量,兩兩配對，畫在一起
sns.pairplot(df[['身高','體重','支出']]) #將各變量間關系共放一張圖上，在多元統計分析中很有用

GP=ggplot(aes(x='身高',y='體重'),data=df)

GP + geom_line()+ theme_grey(base_family = 'SimHei')#還可以再往上疊加，+geom_point()就是在折線圖基礎上加上散點圖

ggplot(df,aes(x='身高',y='體重',color='性別'))+geom_point()+ theme_grey(base_family = 'SimHei')

ggplot(df,aes(x='身高',y='體重'))+geom_point()+facet_wrap('性別') + 
theme_grey(base_family = 'SimHei') #facet_wrap('性別')表示按性別分成兩組畫分面圖

#快速繪制直方圖
qplot(x='身高',data=df, geom='histogram')+ theme_grey(base_family = 'SimHei')
#快速繪制柱形圖
qplot('開設',data=df, geom='bar')+ theme_grey(base_family = 'SimHei')
#默認散點圖
qplot('身高', '體重', data=df, color='性別') + theme_grey(base_family = 'SimHei')