基于Python的数据可视化 matplotlib seaborn pandas

# 首先载入pandas  
import pandas as pd  
  
# 我们将载入seaborn,但是因为载入时会有警告出现，因此先载入warnings，忽略警告  
import warnings   
warnings.filterwarnings("ignore")  
import seaborn as sns  
import matplotlib.pyplot as plt  
sns.set(style="white", color_codes=True)  
  
# 载入数据  
iris = pd.read_csv("../input/Iris.csv") # 数据现在为 DataFrame格式  
  
# 用head函数看一下数据结构啥样  
iris.head()  
  
<span class="c"></span>  

数据结构就这样：

	Id	SepalLengthCm	SepalWidthCm	PetalLengthCm	PetalWidthCm	Species
0	1	5.1	3.5	1.4	0.2	Iris-setosa
1	2	4.9	3.0	1.4	0.2	Iris-setosa
2	3	4.7	3.2	1.3	0.2	Iris-setosa
3	4	4.6	3.1	1.5	0.2	Iris-setosa
4	5	5.0	3.6	1.4	0.2	Iris-setosa

[python]view plain copy
# 让我们用counts功能看下一共有多少种花  
iris["Species"].value_counts()  

结果是：

Iris-setosa        50
Iris-virginica     50
Iris-versicolor    50
Name: Species, dtype: int64

[python]view plain copy
# 使用 .plot 做散点图  
iris.plot(kind="scatter", x="SepalLengthCm", y="SepalWidthCm")#数据为萼片的长和宽 结果如下  

基于Python的数据可视化 matplotlib seaborn pandas

[python]view plain copy
# 开始使用seaborn了它能同时显示直方图噢  
sns.jointplot(x="SepalLengthCm", y="SepalWidthCm", data=iris, size=5)  

3神奇的还在下面：

[python]view plain copy
# 我们还可以用seaborn's FacetGrid 标记不同的种类噢  
sns.FacetGrid(iris, hue="Species", size=5) \  #hue英文是色彩的意思  
   .map(plt.scatter, "SepalLengthCm", "SepalWidthCm") \#注意这里的plt哦  
   .add_legend()  

4箱线图！

[python]view plain copy
#  Seaborn中的boxplot，可以画箱线图，可以看出不同种类的分布情况  
sns.boxplot(x="Species", y="PetalLengthCm", data=iris)  

5、

[python]view plain copy
# 利用striplot可以锦上添花，加上散点图  
#   
# 使振动值jitter=True 使各个散点分开，要不然会是一条直线  
#  
# 注意这里将坐标图用ax来保存了哦，这样第二次才会在原来的基础上加点  
ax = sns.boxplot(x="Species", y="PetalLengthCm", data=iris)  
ax = sns.stripplot(x="Species", y="PetalLengthCm", data=iris, jitter=True, edgecolor="gray")  

6、小提琴图

[python]view plain copy
# 这图可以变现出密度的分布  
sns.violinplot(x="Species", y="PetalLengthCm", data=iris, size=6)  

7、kdeplot

[python]view plain copy
# 通过这个曲线图可以看出不同特征值时的分布密度  
sns.FacetGrid(iris, hue="Species", size=6) \  
   .map(sns.kdeplot, "PetalLengthCm") \  
   .add_legend()  

8.大招来了

[python]view plain copy
#  pairplot显示不同特征之间的关系  
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3)  

9、中间对角线的图形也可以用kde显示哦

[python]view plain copy
# 修改参数dige_kind  
sns.pairplot(iris.drop("Id", axis=1), hue="Species", size=3, diag_kind="kde")  

10.现在是pandas表现的时间了

[python]view plain copy
# 用Pandas 快速做出每个特征在不同种类下的箱线图  
iris.drop("Id", axis=1).boxplot(by="Species", figsize=(12, 6))  

11.调和曲线图 Andrew Curves

首先啥是Andrew curves呢看*

https://en.wikipedia.org/wiki/Andrews_plot

他是将高维的点化为二维的曲线，曲线是一条傅里叶函数的样子，参数项为不同的特征值，臆想出来了自变量t,这样每个点都是一条曲线

[python]view plain copy
# 画图的函数在下面，我们会发现相同种类的线总是缠绵在一起，可以和聚类混在一起噢，事实上他们与欧氏距离是有关系的  
from pandas.tools.plotting import andrews_curves  
andrews_curves(iris.drop("Id", axis=1), "Species")  

12轮廓图

https://en.wikipedia.org/wiki/Parallel_coordinates

[python]view plain copy
# 轮廓图也是看高维数据的一种方法，将不同的特征放在横坐标，然后将各点的特征值放在纵坐标就可以了  
from pandas.tools.plotting import parallel_coordinates  
parallel_coordinates(iris.drop("Id", axis=1), "Species")  

基于Python的数据可视化 matplotlib seaborn pandas

13 radviz

http://www.doc88.com/p-912968623585.html

[python]view plain copy
# 这也是一种将高维点表现在二维平面的方法，具体作图方法应该在上面的网址上应该有  
from pandas.tools.plotting import radviz  
radviz(iris.drop("Id", axis=1), "Species")  

基于Python的数据可视化 matplotlib seaborn pandas

暂时就是这些，希望会对大家有帮助

补充参考：

http://wenku.baidu.com/link?url=l1tNiAh1YegiSIwDjcS6f4swybDt3A-qczVXpbXf_7S6RUGC_gOOoP9fv4w8VXSMKlYiz0HlhhTsysEwwiqYORMwg-phyehtXlAIAAdEJ8G

基于Python的数据可视化 matplotlib seaborn pandas

相关推荐