数据可视化库——Matplotlib

import matplotlib.pyplot as plt

1

默认可视化操作

plt.plot()：画图

plt.show()：显示

设置参数

plt.xticks(rotation)：变量名倾斜

plt.xlable(‘变量名’)：x轴名称

plt.ylabel(‘变量名’)：y轴名称

plt.title()：标题名称

子图

fig=plt.figure()：指定默认画图空间

fig.add_subplot(4,1,x)：x代表相对位置

加注释：plt.legend(loc=‘best’) 'best’代表注释框的位置

绘图种类：fig,ax=plt.subplots()，ax是画图的轴，实际画图；fig用来设置参数

柱形图：

ax.bar(bar_positions, bar_heights, 0.5)，0.5代表柱宽

ax.barh()：橫柱形图

散点图：ax.scatter(x, y)

直方图(有bins)：

ax.hist(y, range(4,5), bins=20)，range设置了值的范围

ax.set_ylim(0.5)：设置y轴范围

盒图：ax.boxplot()

在某元素上加文字：ax.text(x, y, ‘text’)

可视化库——Seaborn

import seaborn as sns

1

Seaborn库是在Matplotlib库基础上的封装

设置风格

sns.set()：默认风格

sns.set_style(“风格”)：5种风格

with sns.axes_style(“风格”)：with下的语句全部使用这种风格

布局

sns.despline(offset, left)：设置轴线的偏置及显示

sns.set_context(“paper”)：设置图中曲线大小

调色板：sns.color_palette()，共有6个主题

圆形画板：sns.color_palette(“hls”)

成对：“Paired”

连续型

sns.color_palette(“Blues”)：由浅到深

sns.color_palette(“Blues_r”)：由深到浅

sns.light_palette(“green”)：由浅到深，reverse=True表示由深到浅

sns.dark_palette(“green”)：由深到浅

线型：sns.cubehelix_palette(8, start, rot)

变量分析

单变量：sns.distplot(x, kde, bins, fit)——直方图

x：变量

kdn：估计和密度

bins：将x轴分为几份

fit：分布状态

双变量：

sns.jointplot(x, y, data)——散点图

sns.jointplot(x, y, kind=“hex”, color)——可体现数据密度

多变量

sns.pairplot()：体现两两变量之间的关系

sns.stripplot(x, y, data)：不推荐，数据量大时连成一条线

优化方法：

sns.stripplot(x, y, data, jitter=True)——加小幅度的抖动

sns.swamplot(x, y, data)——树状

sns.violinplot(x, y, hue, data, split)——小提琴图

回归分析：regplot，lmplot

sns.load_dataset(“数据”)——下载数据

sns.regplot(x, y, data, jitter)

分类分析

sns.barplot(x, y, hue, data)：条形图，描绘整体趋势

sns.pointplot(x, y, hue, data)：点图，描绘变化差异

sns.factorplot(x, y, data, kind)：多层面板分类图

Facetgrid——展示子集

使用方法

g=sns.FacetGrid(data, col)

g.map(plt.hist, “变量”)

设置参数

g.set_axis_labels()：轴的名称

g.set(xticks, yticks)：x，y的取值

g.fig.subplots_adjust(wspace, hspace)：间隙

多变量

g.PairGrid()

g.map_diag()

g.map_offdiag()

热度图：sns.heatmap(data, vmin, vmax, center, annt,fmd, linewidth, cmap)

annot：在每一格中显示数字

fmd：显示数字的格式

linewidth：格间距离

cmap：颜色图

原文链接：https://blog.csdn.net/Lucia_0103/article/details/88549852