【python数据分析（25）】Matplotlib库基本图形绘制（2）（直方图、密度图、散点图、矩阵散点图、极坐标图、雷达图、极轴图、箱型图）

Myth丶恋晨 2023-07-17 11:29 343阅读 0赞

##### 1. 直方图 #####

`plt.hist`(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None,  
histtype=‘bar’, align=‘mid’, orientation=‘vertical’,rwidth=None, log=False, color=None, label=None,  
stacked=False, hold=None, data=None, \*\*kwargs)

参数讲解：（常配合密度图`s.plot(kind='kde')`进行绘制）  
`bin`：箱子的宽度  
`normed`： 标准化  
`histtype`： 风格，bar，barstacked，step，stepfilled  
`orientation`： 水平还是垂直\{‘horizontal’, ‘vertical’\}  
`align` : \{‘left’, ‘mid’, ‘right’\}, optional(对齐方式)

**1） 直方图 + 密度图**

s = pd.Series(np.random.randn(1000))
    s.hist(bins = 20,
           histtype = 'bar',
           align = 'mid',
           orientation = 'vertical',
           alpha=0.5,
           normed =True)
    
    s.plot(kind='kde',style='k--')

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70]  
**2）堆叠直方图**

使用`DataFrame.plot.hist()`和`Series.plot.hist()`方法绘制

df = pd.DataFrame({ 'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
                        'c': np.random.randn(1000) - 1, 'd': np.random.randn(1000)-2},
                       columns=['a', 'b', 'c','d'])
    df.plot.hist(stacked=True,
                 bins=20,
                 colormap='Greens_r',
                 alpha=0.5,
                  edgecolor = 'k',
                 grid=True)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 1]  
`stacked`：是否堆叠

df.hist(bins=50,edgecolor = 'k')

–> 输出的结果为：（默认是不堆叠的）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 2]

##### 2. 散点图、矩阵散点图 #####

`plt.scatter`(x, y, s=20, c=None, marker=‘o’, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, \*\*kwargs)

参数讲解：  
`s`：散点的大小  
`c`：散点的颜色  
`vmin,vmax`：亮度设置，标量  
`cmap`：colormap

1） `plt.scatter()` 散点图绘制

plt.figure(figsize=(8,6))
    x = np.random.randn(1000)
    y = np.random.randn(1000)
    plt.scatter(x,y,marker='.',
               s = np.random.randn(1000)*100,
               cmap = 'Reds',
               c = y,
                edgecolor = 'k',
               alpha = 0.8)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 3]  
2） `pd.plotting.scatter_matrix(）`矩阵散点图绘制

df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
    pd.plotting.scatter_matrix(df,figsize=(10,6),
                     marker = 'o',
                     diagonal='kde',
                     alpha = 0.5,
                     range_padding=0.1)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 4]

##### 3. 极坐标图 #####

调用`subplot()`创建子图时通过设置`projection='polar'`,便可创建一个极坐标子图，然后调用`plot()`在极坐标子图中绘图

**1） 简单绘制极坐标图**

fig = plt.figure(figsize=(6,3))
    
    s = pd.Series(np.arange(20))
    theta=np.arange(0,2*np.pi,0.02)
    
    ax1 = plt.subplot(121, projection = 'polar')
    ax2 = plt.subplot(122)
    # 还可以写：ax = fig.add_subplot(111,polar=True)
    
    ax1.plot(theta,theta*3,linestyle = '--',lw=1)  #lw为线宽
    ax1.plot(s, linestyle = '--', marker = '.',lw=2)
    ax2.plot(theta,theta*3,linestyle = '--',lw=1)
    ax2.plot(s)

–> 输出的结果为：（输出图形中的两条线段是对应的）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 5]  
**2） 极坐标参数设置**

`set_theta_direction()`：坐标轴正方向，默认逆时针  
`set_thetagrids()`：设置极坐标角度网格线显示及标签 → 网格和标签数量一致  
`set_rgrids()`：设置极径网格线显示，其中参数必须是正数  
`set_theta_offset()`：设置角度偏移，逆时针，弧度制  
`set_rlim()`：设置显示的极径范围  
`set_rmax()`：设置显示的极径最大值  
`set_rticks()`：设置极径网格线的显示范围

plt.figure(figsize=(8,4))
    theta=np.arange(0,2*np.pi,0.02)
    ax1= plt.subplot(121, projection='polar')
    ax2= plt.subplot(122, projection='polar')
    
    ax1.plot(theta,theta/6,'--',lw=2)
    ax2.plot(theta,theta/6,'--',lw=2)
    
    ax2.set_theta_direction(-1)
    ax2.set_thetagrids(np.arange(0.0, 360.0, 90),['a','b','c','d'])
    ax2.set_rgrids(np.arange(0.2,2,0.4))
    ax2.set_theta_offset(np.pi/2)
    ax2.set_rlim(0.2,1.2)
    ax2.set_rmax(2)
    ax2.set_rticks(np.arange(0.1, 1.5, 0.2))

–> 输出的结果为：（极其重要）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 6]

##### 4. 雷达图 #####

**1） `plt.plot()` 简单雷达图**

其实就是之前方法的综合

plt.figure(figsize=(8,4))
    
    ax1= plt.subplot(111, projection='polar')
    ax1.set_title('radar map\n')  # 创建标题
    ax1.set_rlim(0,12)
    
    data1 = np.random.randint(1,10,10)
    data2 = np.random.randint(1,10,10)
    data3 = np.random.randint(1,10,10)
    theta=np.arange(0,2*np.pi,2*np.pi/10)
    # 创建数据
    
    ax1.plot(theta,data1,'.--',label='data1')
    ax1.fill(theta,data1,alpha=0.2)
    ax1.plot(theta,data2,'.--',label='data2')
    ax1.fill(theta,data2,alpha=0.2)
    ax1.plot(theta,data3,'.--',label='data3')
    ax1.fill(theta,data3,alpha=0.2)

–> 输出的结果为：（想一下，怎么把最后的线连接起来，也就是最后一个数据是第一个数据）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 7]

**2） `plt.polar()` 绘制首尾相连的雷达图**

labels = np.array(['a','b','c','d','e','f']) # 标签
    dataLenth = 6 # 数据长度
    data1 = np.random.randint(0,10,6) 
    data2 = np.random.randint(0,10,6) # 数据
    
    angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False) # 分割圆周长
    data1 = np.concatenate((data1, [data1[0]])) # 闭合
    data2 = np.concatenate((data2, [data2[0]])) # 闭合
    angles = np.concatenate((angles, [angles[0]])) # 闭合
    
    plt.polar(angles, data1, 'o-', linewidth=1) #做极坐标系
    plt.fill(angles, data1, alpha=0.25)# 填充
    plt.polar(angles, data2, 'o-', linewidth=1) #做极坐标系
    plt.fill(angles, data2, alpha=0.25)# 填充
    
    plt.thetagrids(angles * 180/np.pi, labels) # 设置网格、标签
    plt.ylim(0,10)  # polar的极值设置为ylim

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 8]

##### 5. 极轴图 #####

也就是在极坐标图上绘制的柱状图

plt.figure(figsize=(6,3))
    
    ax1= plt.subplot(111, projection='polar')
    ax1.set_title('radar map\n')  # 创建标题
    ax1.set_rlim(0,12)
    
    data = np.random.randint(1,10,10)
    theta=np.arange(0,2*np.pi,2*np.pi/10)
    # 创建数据
    
    bar = ax1.bar(theta,data,alpha=0.5,edgecolor = 'k')
    for r,bar in zip(data, bar):
        bar.set_facecolor(plt.cm.jet(r/10.))  # 设置颜色
    plt.thetagrids(np.arange(0.0, 360.0, 90), []) # 设置网格、标签（这里是空标签，则不显示内容）

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 9]

##### ★★★★★ 6. 箱型图 #####

是一种用作显示一组数据分散情况资料的统计图，常用来做异常值处理。包含一组数据的：最大值、最小值、中位数、上四分位数（Q3）、下四分位数（Q1）

① `中位数` → 一组数据平均分成两份，中间的数  
② `上四分位数Q1` → 是将序列平均分成四份，计算(n+1)/4与(n-1)/4两种，一般使用(n+1)/4  
③ `下四分位数Q3` → 是将序列平均分成四份，计算(1+n)/4\*3=6.75  
④ `内限` → T形的盒须就是内限，最大值区间Q3+1.5IQR,最小值区间Q1-1.5IQR （IQR=Q3-Q1）  
⑤ `外限` → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）

**异常值处理 → 内限之外 - 中度异常，外限之外 - 极度异常**

1） `plt.plot.box()` 绘制

参数讲解：  
`boxes` → 箱线  
`whiskers` → 分位数与error bar横线之间竖线的颜色  
`medians` → 中位数线颜色  
`caps` → error bar横线颜色  
`color`：样式填充  
`vert`：是否垂直，默认True  
`position`：箱型图占位

**① 纵向箱型图绘制**

fig,axes = plt.subplots(2,1,figsize=(10,6))
    df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
    
    df.plot.box(ylim=[0,1.2],
               grid = True,
               color = color,
               ax = axes[0])

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 10]  
**横向箱型图：`vert=False`参数的使用**

df.plot.box(vert=False, 
                positions=[1, 4, 5, 6, 8],
                ax = axes[1],
                grid = True,
               color = color)

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 11]  
**2） `plt.boxplot()`绘制**

`pltboxplot`(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch\_artist=None, bootstrap=None,  
usermedians=None, conf\_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None,  
labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage\_xticks=True, autorange=False,  
zorder=None, hold=None, data=None)

参数讲解：  
`x` → 数据  
`notch` → 中间箱体是否缺口  
`sym` → 异常点形状，参考marker  
`vert` → 是否垂直  
`whis` → IQR，默认1.5，也可以设置区间比如\[5,95\]，代表强制上下边缘为数据95%和5%位置  
`patch_artist` → 上下四分位框内是否填充，True为填充  
`meanline，showmeans` → 是否有均值线及其形状  
`showbox` → 是否显示箱线  
`showcaps` → 是否显示边缘线  
`showfliers` → 是否显示异常值  
`return_type` → 返回数据的类型  
`meanprops` → 设置均值的属性，如点的大小、颜色等

df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    plt.figure(figsize=(10,4))
    # 创建图表、数据
    
    f = df.boxplot(sym = 'o',  
                   vert = True, 
                   whis = 1.5,  
                   patch_artist = True,  
                   meanline = False,showmeans=True, 
                   meanprops =  { 'marker':'D','markerfacecolor':'red'}
                   showbox = True, 
                   showcaps = True,  
                   showfliers = True,  
                   notch = False, 
                   return_type='dict'  
                  ) 
    plt.title('boxplot')
    print(f)

–> 输出的结果为：（会返回可操作的对象）

{ 'caps': [<matplotlib.lines.Line2D object at 0x0000000010042CF8>, <matplotlib.lines.Line2D object at 0x0000000010047BE0>, <matplotlib.lines.Line2D object at 0x0000000010057C88>, <matplotlib.lines.Line2D object at 0x000000001005DB70>, <matplotlib.lines.Line2D object at 0x000000001006EC18>, <matplotlib.lines.Line2D object at 0x0000000010074B00>, <matplotlib.lines.Line2D object at 0x0000000010085BA8>, <matplotlib.lines.Line2D object at 0x000000001008BA90>, <matplotlib.lines.Line2D object at 0x00000000104896D8>, <matplotlib.lines.Line2D object at 0x00000000104998D0>], 
    'whiskers': [<matplotlib.lines.Line2D object at 0x0000000010042198>, <matplotlib.lines.Line2D object at 0x0000000010042B70>, <matplotlib.lines.Line2D object at 0x0000000010057208>, <matplotlib.lines.Line2D object at 0x0000000010057B00>, <matplotlib.lines.Line2D object at 0x000000001006E198>, <matplotlib.lines.Line2D object at 0x000000001006EA90>, <matplotlib.lines.Line2D object at 0x0000000010085128>, <matplotlib.lines.Line2D object at 0x0000000010085A20>, <matplotlib.lines.Line2D object at 0x000000001009B0B8>, <matplotlib.lines.Line2D object at 0x000000001009B9B0>], 
    'medians': [<matplotlib.lines.Line2D object at 0x0000000010047D68>, <matplotlib.lines.Line2D object at 0x000000001005DCF8>, <matplotlib.lines.Line2D object at 0x0000000010074C88>, <matplotlib.lines.Line2D object at 0x000000001008BC18>, <matplotlib.lines.Line2D object at 0x0000000010497828>], 
    'fliers': [<matplotlib.lines.Line2D object at 0x000000001004CD30>, <matplotlib.lines.Line2D object at 0x0000000010062CC0>, <matplotlib.lines.Line2D object at 0x000000001007BC50>, <matplotlib.lines.Line2D object at 0x0000000010090BE0>, <matplotlib.lines.Line2D object at 0x00000000100A37B8>], 
    'means': [<matplotlib.lines.Line2D object at 0x000000001004C5C0>, <matplotlib.lines.Line2D object at 0x0000000010062550>, <matplotlib.lines.Line2D object at 0x000000001007B4E0>, <matplotlib.lines.Line2D object at 0x0000000010090470>, <matplotlib.lines.Line2D object at 0x00000000102CFC18>], 
    'boxes': [<matplotlib.patches.PathPatch object at 0x00000000104BAB00>, <matplotlib.patches.PathPatch object at 0x0000000010051C50>, <matplotlib.patches.PathPatch object at 0x0000000010069B00>, <matplotlib.patches.PathPatch object at 0x000000001007EA90>, <matplotlib.patches.PathPatch object at 0x0000000010096B00>]}

接着就可以进行精细设置了

`boxes` → 箱线  
`medians` → 中位值的横线,  
`whiskers` →从box到error bar之间的竖线.  
`fliers` → 异常值  
`caps, error bar` →横线  
`means` → 均值的横线,

for box in f['boxes']:
        box.set( color='b', linewidth=1)        # 箱体边框颜色
        box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色
    for whisker in f['whiskers']:
        whisker.set(color='k', linewidth=0.5,linestyle='-')
    for cap in f['caps']:
        cap.set(color='gray', linewidth=2)
    for median in f['medians']:
        median.set(color='DarkBlue', linewidth=2)
    for flier in f['fliers']:
        flier.set(marker='o', color='y', alpha=0.5)

–> 输出的结果为：（箱型图的参数较多，所以可以按照自己的要求绘制出想要的样式）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 12]  
**3） 分类箱型图**

`columns`：按照数据的列分子图  
`by`：按照列分组做箱型图

**单列分类箱型图**

df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )
    df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])
    df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])
    
    df.boxplot(by = 'X')

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 13]  
**多列分类箱型图**

df.boxplot(column=['Col1','Col2'], by=['X','Y'])

–> 输出的结果为：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 14]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70]: /images/20230528/35830f94a6784f52b1c4d8c387f7e46a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 1]: /images/20230528/9e243ccca3e64efe98d7a13f36dea04c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 2]: /images/20230528/bcf010b02ec640aba02d982736442e86.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 3]: /images/20230528/2a629835e4ef41f9a489471b02cbd959.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 4]: /images/20230528/f87472ba0e66415bba4078c468f3fca8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 5]: /images/20230528/ca66401345e74e6ab80d47ab0818227d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 6]: /images/20230528/b6c2cbd36dfb4834b59967456e76eeee.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 7]: /images/20230528/4827c29726c14365add11f382a56041c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 8]: /images/20230528/eb04a4458e08437d9c5761dfe6decdb7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 9]: /images/20230528/dd25cd3af5784623b0a246a13489522d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 10]: /images/20230528/8766d74528454531a34857c371ba3fea.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 11]: /images/20230528/80f1d1b8bc80434e8ad5b1634d6e0352.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 12]: /images/20230528/89bd2dc196554437bc7859675c738a1c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 13]: /images/20230528/04b6c37aba8b4d22bcaa44980920b27d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2x5c184Mjg_size_16_color_FFFFFF_t_70 14]: /images/20230528/66c9b35700a74582a51f52768d3780a9.png