您现在的位置:主页 > 数据可视化 > 基于 Python 的数据可视化

基于 Python 的数据可视化

2017-06-19 16:00

timg (27)

来源:bea_tree

英文:kaggle

链接:blog.csdn.net/bea_tree/article/details/50757338

原文采用了kaggle上iris花的数据,数据来源从上面的网址上找噢

如果没有seaborn库 安装方法如下

http://www.ithao123.cn/content-10393533.html

正式开始了~~~

# 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()

数据结构就这样:

image

# 让我们用counts功能看下一共有多少种花

iris[“Species”].value_counts()

结果是:

Irissetosa????????50

Irisvirginica???? 50

Irisversicolor????50

Name: Species, dtype: int64

1.

# 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

image (1)

2.

# 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)

image (2)

3 神奇的还在下面:

# 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()

image (3)

4 箱线图!

#??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)

image (4)

5、

# 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”)

image (5)

6、小提琴图

# 这图可以变现出密度的分布

sns.violinplot(x=“Species”, y=“PetalLengthCm”, data=iris, size=6)

image (6)

7、kdeplot

# 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()

image (7)

8.大招来了

#??pairplot显示不同特征之间的关系

sns.pairplot(iris.drop(“Id”, axis=1), hue=“Species”, size=3)

image

9、中间对角线的图形也可以用kde显示哦

# 修改参数dige_kind

sns.pairplot(iris.drop(“Id”, axis=1), hue=“Species”, size=3, diag_kind=“kde”)

image (1)

10.现在是pandas表现的时间了

# 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))

image (8)

11.调和曲线图 Andrew Curves

首先啥是Andrew curves呢 看维基百科

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

# 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”)

image (2)

12 轮廓图

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

# 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”)

image (3)

13 radviz

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

# 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”)

image (9)

暂时就是这些,希望会对大家有帮助

推荐课程:《python数据挖掘训练营( 深圳周末现场班)》4月火热来袭!