适合数据可视化的图（数据可视化常见图像绘制）

我们了解了常用的五种图形：

• 散点图
• 折线图
• 柱状图
• 直方图
• 饼图

那么如何用Matplotlib和Seaborn来画出它们。

Matplotlib：它在使用时灵活，可以定制化绘图，但是时间上的花费也比较多。为了提高画图效率，包Seaborn基于Matplotlib底层开发，使用更少的代码，将常用的可视化绘图过程进行封装，有时只需要一行代码便可以画出我们想要的图形，省时省力；此外seaborn还提供更为丰富的图像以及3D图形供我们使用。掌握两个库的使用可以满足我们在不同情况下的需求。

散点图（scatter plot），它将两组数据（或者变量）的值显示在二维坐标中，适合展示两个变量之间的关系。

第一张散点图用matplotlib绘制，第二张用seaborn绘制。我们可以看到两张图的区别：matplotlib默认情况下绘图区呈现是一个长方形，而seaborn是正方形并且含有x轴和y轴的标签；seaborn还展示散点图还给出了两组数据（变量）的分布情况。

说明：

• 用seaborn画图时，使用函数 <!--sns.jointplot(x, y,data=None, kind=‘scatter’)--> 画散点图。其中x,y是data中的下标，data就是我们要传入的数据。
• 在Seaborn中，数据格式需要转换一下，采用科学计算库Pandas中的数据格式DataFrame；对DataFrame的概念我们了解即可，下期DataScience也会推出科学计算库Numpy和Pandas的使用中会有讲解。

折线图能够显示数据的变化趋势，在matplotlib使用plot函数绘制，而在seaborn使用 lineplot(x,y,data=None)函数；data是传入的数据，一般是pandas中的DataFrame数据结构。

直方图( histogram )将横坐标等分成一定数量的小区间，在小区间内填充图形，它的高度是y值。特点是用来绘制连续性的数据，展示一组或者多组数据的分布状况(统计)。

#数据准备：创建一个一维随机数组 import numpy as np import random import pandas as pd a = np.random.randn(100) x = pd.Series(a) # Series是pandas中用来存放一维数组的数据格式 # ⽤Matplotlib画直⽅图； """ 使用plt.hist(x, bins=10)函数 参数x是一维数组，bins代表小区间的数量，默认是10。 """ import matplotlib.pyplot as plt plt.hist(x, bins=10) plt.show() # ⽤Seaborn画直⽅图： ''' 使用sns.distplot(x, bins=10, kde=True)函数 参数x是一维数组，bins代表直方图中的小区间数量，kde代表显示核密度估计，默认是True。 核密度估计是通过核函数来估计概率密度的方法。 ''' import seaborn as sns sns.distplot(x, kde=False) plt.show() # 图三显示用核函数估计概率密度 sns.distplot(x, kde=True) plt.show()

Matplotlib 运行结果：

Seaborn运行结果:

通过直方图可以看到变量的数值分布，那么条形图可以帮我们查看类别的特征。在条形图中，长条形的长度表示类别的频数，宽度表示类别。

条形图(bar chart)绘制离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)

# 数据准备 x = ['Cat1', 'Cat2', 'Cat3', 'Cat4', 'Cat5'] y = [3, 5, 7, 2, 9] # ⽤Matplotlib画条形图 # plt.bar(x, height)函数，参数x代表x轴的类别，height是y轴的数值 import matplotlib.pyplot as plt plt.bar(x,y) plt.show # ⽤Seaborn画条形图 # sns.barplot(x=None,y=None,data=None)函数；参数data为DataFrame类型 import seaborn as sns sns.barplot(x,y) plt.show()

运行结果:

饼图（Pie Chart）可以显示每个部分大小与总和之间的比例。在Python数据可视化中，主要用Matplotlib的pie函数来绘制。

• 用到的方法 matplotlib.pyplot.pie()
• 参数解析:
• pie(x, explode=None, labels=None, colors=('b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'), autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center = (0, 0), frame = False )
• 参数说明：
• x (每一块)的比例，如果sum(x) > 1会使用sum(x)归一化 labels (每一块)饼图外侧显示的说明文字 explode (每一块)离开中心距离 startangle 起始绘制角度,默认图是从x轴正方向逆时针画起,如设定=90则从y轴正方向画起shadow 是否阴影 labeldistance label绘制位置,相对于半径的比例, 如<1则绘制在饼图内侧 autopct 控制饼图内百分比设置,可以使用format字符串或者format function ‘%1.1f’指小数点前后位数(没有用空格补齐) pctdistance 类似于labeldistance,指定autopct的位置刻度 radius 控制饼图半径返回值: 如果没有设置autopct,返回(patches, texts) 如果设置autopct,返回(patches, texts, autotexts) patches – list –matplotlib.patches.Wedge对象 texts autotexts – matplotlib.text.Text对象

# 数据准备，显示各学历人数的比例 nums = [20, 42, 18, 7, 6] labels = ['High-school', 'Bachelor', 'Master', 'Ph.d', 'Other'] # pie(x, labels=None)函数,x代表绘制饼图的数据，labels是缺省值，可以为饼图添加标签 import matplotlib.pyplot as plt plt.pie(x=nums, labels=labels, autopct='%1.1f%%') # autopct:设置圆内的文本 # '1.1f%'指图片上显示的数字格式，表示小数点前后位数# 另外两个%%是format格式的符号plt.show()

运行结果：

• 1、说出Matplotlib和Seaborn库的区别。
• 2、总结画出五种常见图像的函数。