python_画图（python画图不显示）

python_画图（python画图不显示）

利用Python进行数据分析(第二版).pdf

Plotting and Visualizationimport numpy as npimport pandas as pdPREVIOUS_MAX_ROWS = pd.options.display.max_rowspd.options.display.max_rows = 20np.random.seed(12345)import matplotlib.pyplot as pltimport matplotlibplt.rc('figure', figsize=(10, 6))np.set_printoptions(precision=4, suppress=True)%matplotlib notebookA Brief matplotlib API Primer# 绘制折线图# 1.4.4 matplotlib# matplotlib 是 Python 主要的科学绘图库，其功能为生成可发布的可视化内容，如折# 线图、直方图、散点图等。将数据及各种分析可视化，可以让你产生深刻的理解，而# 我们将用 matplotlib 完 成 所 有 的 可 视 化 内 容。 在 Jupyter Notebook 中， 你 可 以 使 用# %matplotlib notebook 和 %matplotlib inline 命令，将图像直接显示在浏览器中。我们推# 荐使用 %matplotlib notebook 命令，它可以提供交互环境（虽然在写作本书时我们用的是# %matplotlib inline）。举个例子，下列代码会生成图 1-1 中的图像：%matplotlib inlineimport matplotlib.pyplot as plt# Generate a sequence numbers from -10 to 10 with 100 steps in between# 在-10和10之间生成一个数列，共100个数x = np.linspace(-10, 10, 100)# create a second array using sinusy = np.sin(x)# plot函数绘制一个数组关于另一个数组的折线图# The plot function makes a line chart of one array against anotherplt.plot(x, y, marker="x")import matplotlib.pyplot as pltimport numpy as npdata = np.arange(10)dataplt.plot(data)[]Figures and Subplotsfig = plt.figure()

# 图像应该是2×2的（即最多4张图），且当前 画方块图# 选中的是4个subplot中的第⼀个（编号从1开始）ax1 = fig.add_subplot(2, 2, 1)ax2 = fig.add_subplot(2, 2, 2)ax3 = fig.add_subplot(2, 2, 3)C:\ProgramData\Anaconda3\lib\site-packages\matplotlib\cbook\deprecation.py:107: MatplotlibDeprecationWarning: Adding an axes using the same arguments as a previous axes currently reuses the earlier instance. In a future version, a new instance will always be created and returned. Meanwhile, this warning can be suppressed, and the future behavior ensured, by passing a unique label to each axes instance. warnings.warn(message, mplDeprecation, stacklevel=1)fig=plt.figure()ax1=fig.add_subplot(2,2,1)ax2=fig.add_subplot(2,2,2)ax3=fig.add_subplot(2,2,3)fig = plt.figure() ax1 = fig.add_subplot(2, 2, 1) ax2 = fig.add_subplot(2, 2, 2) ax3 = fig.add_subplot(2, 2, 3)# "k--"是⼀个线型选项，⽤于告诉matplotlib绘制⿊⾊虚线图。上⾯# 那些由fig.add_subplot所返回的对象是AxesSubplot对象plt.plot(np.random.randn(50).cumsum(), 'k--')[]_ = ax1.hist(np.random.randn(100), bins=20, color='k', alpha=0.3)ax2.scatter(np.arange(30), np.arange(30) + 3 * np.random.randn(30))plt.close('all')# 创建包含subplot⽹格的figure是⼀个⾮常常⻅的任务，matplotlib# 有⼀个更为⽅便的⽅法plt.subplots，它可以创建⼀个新的# Figure，并返回⼀个含有已创建的subplot对象的NumPy数组：fig, axes = plt.subplots(2, 3)axesarray([[, , ], [, , ]], dtype=object)Adjusting the spacing around subplotssubplots_adjust(left=None, bottom=None, right=None, top=None, wspace=None, hspace=None)fig, axes = plt.subplots(2, 2, sharex=True, sharey=True) for i in range(2): for j in range(2): axes[i, j].hist(np.random.randn(500), bins=50, color='k', alpha=0.5) plt.subplots_adjust(wspace=0, hspace=0)# 调整subplot周围的间距# 默认情况下，matplotlib会在subplot外围留下⼀定的边距，并在# subplot之间留下⼀定的间距。间距跟图像的⾼度和宽度有关，因# 此，如果你调整了图像⼤⼩（不管是编程还是⼿⼯），间距也会# ⾃动调整。利⽤Figure的subplots_adjust⽅法可以轻⽽易举地修# 改间距，此外，它也是个顶级函数：\# 柱形图fig, axes = plt.subplots(2, 2, sharex=True, sharey=True)for i in range(2): for j in range(2): axes[i, j].hist(np.random.randn(500), bins=50, color='k', alpha=0.5)plt.subplots_adjust(wspace=0, hspace=0)# wspace和hspace⽤于控制宽度和⾼度的百分⽐Colors, Markers, and Line Stylesax.plot(x, y, 'g--')ax.plot(x, y, linestyle='--', color='g')颜⾊、标记和线型# 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。例如，要根据x和y绘制绿⾊虚线# 颜⾊、标记和线型# 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。例如，要根据x和y绘制绿⾊虚线plt.figure()

折线图#折线图from numpy.random import randnplt.plot(randn(30).cumsum(), 'ko--')[]plot(randn(30).cumsum(), color='k', linestyle='dashed', marker='o')plt.close('all')data = np.random.randn(30).cumsum()plt.plot(data, 'k--', label='Default')plt.plot(data, 'k-', drawstyle='steps-post', label='steps-post')plt.legend(loc='best')Ticks, Labels, and LegendsSetting the title, axis labels, ticks, and ticklabels刻度、标签和图例# 对于⼤多数的图表装饰项，其主要实现⽅式有⼆：使⽤过程型的# pyplot接⼝（例如，matplotlib.pyplot）以及更为⾯向对象的原⽣# matplotlib API。# 刻度、标签和图例# 对于⼤多数的图表装饰项，其主要实现⽅式有⼆：使⽤过程型的# pyplot接⼝（例如，matplotlib.pyplot）以及更为⾯向对象的原⽣# matplotlib API。fig = plt.figure()ax = fig.add_subplot(1, 1, 1)ax.plot(np.random.randn(1000).cumsum())[]# 要改变x轴刻度，最简单的办法是使⽤set_xticks和# set_xticklabels。ticks = ax.set_xticks([0, 250, 500, 750, 1000])labels = ax.set_xticklabels(['one', 'two', 'three', 'four', 'five'], rotation=30, fontsize='small')# rotation选项设定x刻度标签倾斜30度。最后，再⽤set_xlabel为X# 轴设置⼀个名称，并⽤set_title设置⼀个标题ax.set_title('My first matplotlib plot')ax.set_xlabel('Stages')Text(0.5,3.2,'Stages')props = { 'title': 'My first matplotlib plot', 'xlabel': 'Stages' } ax.set(**props)Adding legends# 添加图例# 图例（legend）是另⼀种⽤于标识图表元素的重要⼯具。添加图# 例的⽅式有多种。最简单的是在添加subplot的时候传⼊label参from numpy.random import randnfig = plt.figure(); ax = fig.add_subplot(1, 1, 1)ax.plot(randn(1000).cumsum(), 'k', label='one')ax.plot(randn(1000).cumsum(), 'k--', label='two')ax.plot(randn(1000).cumsum(), 'k.', label='three')[]ax.legend(loc='best')Annotations and Drawing on a Subplotax.text(x, y, 'Hello world!', family='monospace', fontsize=10)# 注解以及在Subplot上绘图 注释# 除标准的绘图类型，你可能还希望绘制⼀些⼦集的注解，可能是# ⽂本、箭头或其他图形等。注解和⽂字可以通过text、arrow和# annotate函数进⾏添加。text可以将⽂本绘制在图表的指定坐标# (x,y)，还可以加上⼀些⾃定义格式：from datetime import datetimefig = plt.figure()ax = fig.add_subplot(1, 1, 1)data = pd.read_csv('examples/spx.csv', index_col=0, parse_dates=True)spx = data['SPX']spx.plot(ax=ax, style='k-')crisis_data = [ (datetime(2007, 10, 11), 'Peak of bull market'), (datetime(2008, 3, 12), 'Bear Stearns Fails'), (datetime(2008, 9, 15), 'Lehman Bankruptcy')]for date, label in crisis_data: ax.annotate(label, xy=(date, spx.asof(date) + 75), xytext=(date, spx.asof(date) + 225), arrowprops=dict(facecolor='black', headwidth=4, width=2, headlength=4), horizontalalignment='left', verticalalignment='top')# Zoom in on 2007-2010ax.set_xlim(['1/1/2007', '1/1/2011'])ax.set_ylim([600, 1800])ax.set_title('Important dates in the 2008-2009 financial crisis')Text(0.5,1,'Important dates in the 2008-2009 financial crisis')ax.set_title('Important dates in the 2008–2009 financial crisis')fig = plt.figure() ax = fig.add_subplot(1, 1, 1)rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color='k', alpha=0.3) circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3) pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]], color='g', alpha=0.5)ax.add_patch(rect) ax.add_patch(circ) ax.add_patch(pgon)要在图表中添加⼀个图形，你需要创建⼀个块对象shp，然后通# 过ax.add_patch(shp)将其添加到subplot中# 要在图表中添加⼀个图形，你需要创建⼀个块对象shp，然后通# 过ax.add_patch(shp)将其添加到subplot中fig = plt.figure(figsize=(12, 6)); ax = fig.add_subplot(1, 1, 1)rect = plt.Rectangle((0.2, 0.75), 0.4, 0.15, color='k', alpha=0.3)circ = plt.Circle((0.7, 0.2), 0.15, color='b', alpha=0.3)pgon = plt.Polygon([[0.15, 0.15], [0.35, 0.4], [0.2, 0.6]], color='g', alpha=0.5)ax.add_patch(rect)ax.add_patch(circ)ax.add_patch(pgon)### Saving Plots to Fileplt.savefig('figpath.svg')plt.savefig('figpath.png', dpi=400, bbox_inches='tight')from io import BytesIO buffer = BytesIO() plt.savefig(buffer) plot_data = buffer.getvalue()matplotlib Configurationplt.rc('figure', figsize=(10, 10))font_options = {'family' : 'monospace', 'weight' : 'bold', 'size' : 'small'} plt.rc('font', **font_options)Plotting with pandas and seabornLine Plots# 9.2 使⽤pandas和seaborn绘图 线形图# matplotlib实际上是⼀种⽐较低级的⼯具。要绘制⼀张图表，你# 组装⼀些基本组件就⾏：数据展示（即图表类型：线型图、柱状# 图、盒形图、散布图、等值线图等）、图例、标题、刻度标签以# 及其他注解型信息。plt.close('all')# 折线图s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))s.plot()df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=['A', 'B', 'C', 'D'], index=np.arange(0, 100, 10))df.plot()Bar Plots# 柱状图# plot.bar()和plot.barh()分别绘制⽔平和垂直的柱状图。这时，# Series和DataFrame的索引将会被⽤作X（bar）或Y（barh）刻# 度（如图9-15所示）：fig, axes = plt.subplots(2, 1)data = pd.Series(np.random.rand(16), index=list('abcdefghijklmnop'))data.plot.bar(ax=axes[0], color='k', alpha=0.7)data.plot.barh(ax=axes[1], color='k', alpha=0.7)# color='k'和alpha=0.7设定了图形的颜⾊为⿊⾊，并使⽤部分的填# 充透明度。对于DataFrame，柱状图会将每⼀⾏的值分为⼀组，# 并排显示，如图9-16所示：np.random.seed(12348) 堆叠# 设置stacked=True即可为DataFrame⽣成堆积柱状图，这样每⾏# 362的值就会被堆积在⼀起 堆叠df = pd.DataFrame(np.random.rand(6, 4), index=['one', 'two', 'three', 'four', 'five', 'six'], columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus'))dfdf.plot.bar()plt.figure()

stackeddf.plot.barh(stacked=True, alpha=0.5)plt.close('all')tips = pd.read_csv('examples/tips.csv')party_counts = pd.crosstab(tips['day'], tips['size'])party_counts# Not many 1- and 6-person partiesparty_counts = party_counts.loc[:, 2:5]# Normalize to sum to 1party_pcts = party_counts.div(party_counts.sum(1), axis=0)party_pctsparty_pcts.plot.bar()plt.close('all')import seaborn as snstips['tip_pct'] = tips['tip'] / (tips['total_bill'] - tips['tip'])tips.head()sns.barplot(x='tip_pct', y='day', data=tips, orient='h')plt.close('all')sns.barplot(x='tip_pct', y='day', hue='time', data=tips, orient='h')plt.close('all')sns.set(style="whitegrid")Histograms and Density Plots¶直⽅图和密度图# 直⽅图（histogram）是⼀种可以对值频率进⾏离散化显示的柱# 状图。数据点被拆分到离散的、间隔均匀的⾯元中，绘制的是各# ⾯元中数据点的数量。再以前⾯那个⼩费数据为例，通过在# Series使⽤plot.hist⽅法# 直⽅图和密度图# 直⽅图（histogram）是⼀种可以对值频率进⾏离散化显示的柱# 状图。数据点被拆分到离散的、间隔均匀的⾯元中，绘制的是各# ⾯元中数据点的数量。再以前⾯那个⼩费数据为例，通过在# Series使⽤plot.hist⽅法plt.figure()

tips['tip_pct'].plot.hist(bins=50)---------------------------------------------------------------------------NameError Traceback (most recent call last) in ()----> 1 tips['tip_pct'].plot.hist(bins=50)NameError: name 'tips' is not definedplt.figure()tips['tip_pct'].plot.density()plt.figure()comp1 = np.random.normal(0, 1, size=200)comp2 = np.random.normal(10, 2, size=200)values = pd.Series(np.concatenate([comp1, comp2]))sns.distplot(values, bins=100, color='k')Scatter or Point Plots散布图或点图# 点图或散布图是观察两个⼀维数据序列之间的关系的有效⼿段。# 在下⾯这个例⼦中，我加载了来⾃statsmodels项⽬的macrodata# 数据集，选择了⼏个变量，然后计算对数差：# 散布图或点图# 点图或散布图是观察两个⼀维数据序列之间的关系的有效⼿段。# 在下⾯这个例⼦中，我加载了来⾃statsmodels项⽬的macrodata# 数据集，选择了⼏个变量，然后计算对数差：macro = pd.read_csv('examples/macrodata.csv')data = macro[['cpi', 'm1', 'tbilrate', 'unemp']]trans_data = np.log(data).diff().dropna()trans_data[-5:]cpi m1 tbilrate unemp198 -0.007904 0.045361 -0.396881 0.105361199 -0.021979 0.066753 -2.277267 0.139762200 0.002340 0.010286 0.606136 0.160343201 0.008419 0.037461 -0.200671 0.127339202 0.008894 0.012202 -0.405465 0.042560plt.figure()

可以使⽤seaborn的regplot⽅法，它可以做⼀个散布图，并# 加上⼀条线性回归的线# 可以使⽤seaborn的regplot⽅法，它可以做⼀个散布图，并# 加上⼀条线性回归的线sns.regplot('m1', 'unemp', data=trans_data)plt.title('Changes in log %s versus log %s' % ('m1', 'unemp'))---------------------------------------------------------------------------NameError Traceback (most recent call last) in () 1 # 可以使⽤seaborn的regplot⽅法，它可以做⼀个散布图，并 2 # 加上⼀条线性回归的线----> 3 sns.regplot('m1', 'unemp', data=trans_data) 4 plt.title('Changes in log %s versus log %s' % ('m1', 'unemp'))NameError: name 'sns' is not defined在探索式数据分析⼯作中，同时观察⼀组变量的散布图是很有意# 义的，这也被称为散布图矩阵（scatter plot matrix）。纯⼿⼯创# 建这样的图表很费⼯夫，所以seaborn提供了⼀个便捷的pairplot# 函数，它⽀持在对⻆线上放置每个变量的直⽅图或密度估计# 在探索式数据分析⼯作中，同时观察⼀组变量的散布图是很有意# 义的，这也被称为散布图矩阵（scatter plot matrix）。纯⼿⼯创# 建这样的图表很费⼯夫，所以seaborn提供了⼀个便捷的pairplot# 函数，它⽀持在对⻆线上放置每个变量的直⽅图或密度估计sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})---------------------------------------------------------------------------NameError Traceback (most recent call last) in () 3 # 建这样的图表很费⼯夫，所以seaborn提供了⼀个便捷的pairplot 4 # 函数，它⽀持在对⻆线上放置每个变量的直⽅图或密度估计----> 5 sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})NameError: name 'sns' is not definedFacet Grids and Categorical Data分⾯⽹格（facet grid）和类型数据# 要是数据集有额外的分组维度呢？有多个分类变量的数据可视化# 的⼀种⽅法是使⽤⼩⾯⽹格。seaborn有⼀个有⽤的内置函数# factorplot，可以简化制作多种分⾯图# 分⾯⽹格（facet grid）和类型数据# 要是数据集有额外的分组维度呢？有多个分类变量的数据可视化# 的⼀种⽅法是使⽤⼩⾯⽹格。seaborn有⼀个有⽤的内置函数# factorplot，可以简化制作多种分⾯图sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker', kind='bar', data=tips[tips.tip_pct < 1])---------------------------------------------------------------------------NameError Traceback (most recent call last) in () 3 # 的⼀种⽅法是使⽤⼩⾯⽹格。seaborn有⼀个有⽤的内置函数 4 # factorplot，可以简化制作多种分⾯图----> 5 sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker', 6 kind='bar', data=tips[tips.tip_pct < 1])NameError: name 'sns' is not definedsns.factorplot(x='day', y='tip_pct', row='time', col='smoker', kind='bar', data=tips[tips.tip_pct < 1])---------------------------------------------------------------------------NameError Traceback (most recent call last) in ()----> 1 sns.factorplot(x='day', y='tip_pct', row='time', 2 col='smoker', 3 kind='bar', data=tips[tips.tip_pct < 1])NameError: name 'sns' is not definedfactorplot⽀持其它的绘图类型，你可能会⽤到。例如，盒图（它# 可以显示中位数，四分位数，和异常值）就是⼀个有⽤的可视化# factorplot⽀持其它的绘图类型，你可能会⽤到。例如，盒图（它# 可以显示中位数，四分位数，和异常值）就是⼀个有⽤的可视化sns.factorplot(x='tip_pct', y='day', kind='box', data=tips[tips.tip_pct < 0.5])---------------------------------------------------------------------------NameError Traceback (most recent call last) in () 1 # factorplot⽀持其它的绘图类型，你可能会⽤到。例如，盒图（它 2 # 可以显示中位数，四分位数，和异常值）就是⼀个有⽤的可视化----> 3 sns.factorplot(x='tip_pct', y='day', kind='box', 4 data=tips[tips.tip_pct < 0.5])NameError: name 'sns' is not definedOther Python Visualization Toolspd.options.display.max_rows =

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。