Python数据实现可视化的步骤是什么

这篇文章主要介绍“Python数据实现可视化的步骤是什么”，在日常操作中，相信很多人在Python数据实现可视化的步骤是什么问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”Python数据实现可视化的步骤是什么”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

Python实现可视化的三个步骤：

• 确定问题，选择图形

• 转换数据，应用函数

• 参数设置，一目了然

1、首先，要知道我们用哪些库来画图?

matplotlib

python中最基本的作图库就是matplotlib，是一个最基础的Python可视化库，一般都是从matplotlib上手Python数据可视化，然后开始做纵向与横向拓展。

Seaborn

是一个基于matplotlib的高级可视化效果库，针对的点主要是数据挖掘和机器学习中的变量特征选取，seaborn可以用短小的代码去绘制描述更多维度数据的可视化效果图

其他库还包括

Bokeh(是一个用于做浏览器端交互可视化的库，实现分析师与数据的交互);Mapbox(处理地理数据引擎更强的可视化工具库)等等

本篇文章主要使用matplotlib进行案例分析

第一步：确定问题，选择图形

业务可能很复杂，但是经过拆分，我们要找到我们想通过图形表达什么具体问题。分析思维的训练可以学习《麦肯锡方法》和《金字塔原理》中的方法。

这是网上的一张关于图表类型选择的总结。

在python中，我们可以总结为以下四种基本视觉元素来展现图形：

• 点：scatter plot 二维数据，适用于简单二维关系;

• 线：line plot 二维数据，适用于时间序列;

• 柱状：bar plot 二维数据，适用于类别统计;

• 颜色：heatmap 适用于展示第三维度;

数据间存在分布，构成，比较，联系以及变化趋势等关系。对应不一样的关系，选择相应的图形进行展示。

第二步：转换数据，应用函数

数据分析和建模方面的大量编程工作都是用在数据准备的基础上的：加载、清理、转换以及重塑。我们可视化步骤也需要对数据进行整理，转换成我们需要的格式再套用可视化方法完成作图。

下面是一些常用的数据转换方法：

• 合并：merge，concat，combine_frist(类似于数据库中的全外连接)

• 重塑：reshape;轴向旋转：pivot(类似excel数据透视表)

• 去重：drop_duplicates

• 映射：map

• 填充替换：fillna,replace

• 重命名轴索引：rename

将分类变量转换‘哑变量矩阵’的get_dummies函数以及在df中对某列数据取限定值等等。

函数则根据第一步中选择好的图形，去找python中对应的函数。

第三步：参数设置，一目了然

原始图形画完后，我们可以根据需求修改颜色(color)，线型(linestyle)，标记(maker)或者其他图表装饰项标题(Title)，轴标签(xlabel，ylabel)，轴刻度(set_xticks)，还有图例(legend)等，让图形更加直观。

第三步是在第二步的基础上,为了使图形更加清晰明了，做的修饰工作。具体参数都可以在制图函数中找到。

2、可视化作图基础

Matplotlib作图基础

#导入包 import numpy as np import pandas as pd import matplotlib.pyplot as plt

Figure和Subplot

matplotlib的图形都位于Figure(画布)中，Subplot创建图像空间。不能通过figure绘图，必须用add_subplot创建一个或多个subplot。

figsize可以指定图像尺寸。

figure() <Figure size 432x288 with 0 Axes> #创建subplot，221表示这是2行2列表格中的第1个图像。 ax1 = fig.add_subplot(221) #但现在更习惯使用以下方法创建画布和图像，2,2表示这是一个2*2的画布，可以放置4个图像 fig , axes = plt.subplots(2,2,sharex=True,sharey=True) #plt.subplot的sharex和sharey参数可以指定所有的subplot使用相同的x，y轴刻度。

利用Figure的subplots_adjust方法可以调整间距。

subplots_adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None)

颜色color，标记marker，和线型linestyle

matplotlib的plot函数接受一组X和Y坐标，还可以接受一个表示颜色和线型的字符串缩写：'g--'，表示颜色是绿色green，线型是'--'虚线。也可以使用参数明确的指定。

线型图还可以加上一些标记(marker)，来突出显示数据点的位置。标记也可以放在格式字符串中，但标记类型和线型必须放在颜色后面。

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') [<matplotlib.lines.Line2D at 0x8c919b0>]

刻度，标签和图例

plt的xlim、xticks和xtickslabels方法分别控制图表的范围和刻度位置和刻度标签。

调用方法时不带参数，则返回当前的参数值;调用时带参数，则设置参数值。

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') plt.xlim() #不带参数调用，显示当前参数； #可将xlim替换为另外两个方法试试 (-1.4500000000000002, 30.45)

plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') plt.xlim([0,15]) #横轴刻度变成0-15 (0, 15)

设置标题，轴标签，刻度以及刻度标签

fig = plt.figure();ax = fig.add_subplot(1,1,1) ax.plot(np.random.randn(1000).cumsum()) ticks = ax.set_xticks([0,250,500,750,1000]) #设置刻度值 labels = ax.set_xticklabels(['one','two','three','four','five']) #设置刻度标签 ax.set_title('My first Plot') #设置标题 ax.set_xlabel('Stage') #设置轴标签 Text(0.5,0,'Stage')

添加图例

图例legend是另一种用于标识图标元素的重要工具。可以在添加subplot的时候传入label参数。

fig = plt.figure(figsize=(12,5));ax = fig.add_subplot(111) ax.plot(np.random.randn(1000).cumsum(),'k',label='one') #传入label参数，定义label名称 ax.plot(np.random.randn(1000).cumsum(),'k--',label='two') ax.plot(np.random.randn(1000).cumsum(),'k.',label='three') #图形创建完后，只需要调用legend参数将label调出来即可。 ax.legend(loc='best') #要求不是很严格的话，建议使用loc=&lsquo;best&rsquo;参数来让它自己选择最佳位置 <matplotlib.legend.Legend at 0xa8f5a20>

注解

除标准的图表对象之外，我们还可以自定义添加一些文字注解或者箭头。

注解可以通过text，arrow和annotate等函数进行添加。text函数可以将文本绘制在指定的x，y坐标位置，还可以进行自定义格式

plt.plot(np.random.randn(1000).cumsum()) plt.text(600,10,'test ',family='monospace',fontsize=10) #中文注释在默认环境下并不能正常显示，需要修改配置文件，使其支持中文字体。具体步骤请自行搜索。

保存图表到文件

利用plt.savefig可以将当前图表保存到文件。例如，要将图表保存为png文件，可以执行

文件类型是根据拓展名而定的。其他参数还有：

• fname：含有文件路径的字符串，拓展名指定文件类型

• dpi：分辨率，默认100 facecolor,edgcolor 图像的背景色，默认‘w’白色

• format：显示设置文件格式('png','pdf','svg','ps','jpg'等)

• bbox_inches：图表需要保留的部分。如果设置为“tight”，则将尝试剪除图像周围的空白部分

• plt.savefig('./plot.jpg') #保存图像为plot名称的jpg格式图像

3、Pandas中的绘图函数

Matplotlib作图

matplotlib是最基础的绘图函数，也是相对较低级的工具。组装一张图表需要单独调用各个基础组件才行。Pandas中有许多基于matplotlib的高级绘图方法，原本需要多行代码才能搞定的图表，使用pandas只需要短短几行。

我们使用的就调用了pandas中的绘图包。

import matplotlib.pyplot as plt

线型图

Series和DataFrame都有一个用于生成各类图表的plot方法。默认情况下，他们生成的是线型图。

s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10)) s.plot() #Series对象的索引index会传给matplotlib用作绘制x轴。 <matplotlib.axes._subplots.AxesSubplot at 0xf553128>

df = pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D']) df.plot() #plot会自动为不同变量改变颜色，并添加图例 <matplotlib.axes._subplots.AxesSubplot at 0xf4f9eb8>

Series.plot方法的参数

• label：用于图表的标签

• style：风格字符串，'g--'

• alpha：图像的填充不透明度(0-1)

• kind：图表类型(bar，line，hist，kde等)

• xticks：设定x轴刻度值

• yticks：设定y轴刻度值

• xlim，ylim：设定轴界限，[0,10]

• grid：显示轴网格线，默认关闭

• rot：旋转刻度标签

• use_index：将对象的索引用作刻度标签

• logy：在Y轴上使用对数标尺

DataFrame.plot方法的参数

DataFrame除了Series中的参数外，还有一些独有的选项。

• subplots：将各个DataFrame列绘制到单独的subplot中

• sharex，sharey：共享x，y轴

• figsize：控制图像大小

• title：图像标题

• legend：添加图例，默认显示

• sort_columns：以字母顺序绘制各列，默认使用当前顺序

柱状图

在生成线型图的代码中加上kind=‘bar’或者kind=‘barh’，可以生成柱状图或水平柱状图。

fig,axes = plt.subplots(2,1) data = pd.Series(np.random.rand(10),index=list('abcdefghij')) data.plot(kind='bar',ax=axes[0],rot=0,alpha=0.3) data.plot(kind='barh',ax=axes[1],grid=True) <matplotlib.axes._subplots.AxesSubplot at 0xfe39898>

柱状图有一个非常实用的方法：利用value_counts图形化显示Series或者DF中各值的出现频率。

比如df.value_counts().plot(kind='bar')

Python可视化的基础语法就到这里，其他图形的绘制方法大同小异。

重点是遵循三个步骤的思路来进行思考、选择、应用。多多练习可以更加熟练。

到此，关于“Python数据实现可视化的步骤是什么”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！