python-可視化matplotlib和seaborn

https://blog.csdn.net/cxlhuihui/article/details/80006441 1.echart可做出更精美的圖檔，matplotlib和seaborn可以對資料進行簡單的可視化操作

2.series或dateframe轉化成array使用方法.values，在可視化過程中盡量用np數組的形式

3.%matplotlib inline 圖是嵌入在notebook裡面的不是跳出來一個框的形式

4.matplotlib.pyplot作圖的子子產品

5.x = np.arange(0., 10, 0.2)，0-10之間，間隔0.2取一個數

6.numpy是具有boardcast的特性

7.plt.rcParams["figure.figsize"] = (12,8)設定圖的尺寸

8.plt.plot(x, y1, color='blue', linewidth=1.5, linestyle='-', marker='.', label=r'$y = cos{x}$')作圖的輪廓，其中label是取名作用，在這裡可以不指定，下面區分圖例使用

9.完整的繪圖

#加載包

import numpy as np

import matplotlib.pyplot as plt

from pylab import *

# 定義資料部分

x = np.arange(0., 10, 0.2)

y1 = np.cos(x)

y2 = np.sin(x)

y3 = np.sqrt(x)

# 繪制 3 條函數曲線

plt.plot(x, y1, color='blue', linewidth=1.5, linestyle='-', marker='.', label=r'$y = cos{x}$')

plt.plot(x, y2, color='green', linewidth=1.5, linestyle='-', marker='*', label=r'$y = sin{x}$')

plt.plot(x, y3, color='m', linewidth=1.5, linestyle='-', marker='x', label=r'$y = \sqrt{x}$')

# 坐标軸上移

ax = plt.subplot(111)

ax.spines['right'].set_color('none')     # 去掉右邊的邊框線

ax.spines['top'].set_color('none')       # 去掉上邊的邊框線

# 移動下邊邊框線，相當于移動 X 軸

ax.xaxis.set_ticks_position('bottom')    

ax.spines['bottom'].set_position(('data', 0))

# 移動左邊邊框線，相當于移動 y 軸

ax.yaxis.set_ticks_position('left')

ax.spines['left'].set_position(('data', 0))

# 設定 x, y 軸的取值範圍

plt.xlim(x.min()*1.1, x.max()*1.1)

plt.ylim(-1.5, 4.0)

# 設定 x, y 軸的刻度值

plt.xticks([2, 4, 6, 8, 10], [r'2', r'4', r'6', r'8', r'10'])

plt.yticks([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], 

    [r'-1.0', r'0.0', r'1.0', r'2.0', r'3.0', r'4.0'])

# 添加文字

plt.text(0.8, 0.8, r'$x \in [0.0, \ 10.0]$', color='k', fontsize=15)

plt.text(0.8, 0.9, r'$y \in [-1.0, \ 4.0]$', color='k', fontsize=15)

# 特殊點添加注解

plt.scatter([8,],[np.sqrt(8),], 50, color ='m')  # 使用散點圖放大目前點

plt.annotate(r'$2\sqrt{2}$', xy=(8, np.sqrt(8)), xytext=(8.5, 2.2), fontsize=16, color='#090909', arrowprops=dict(arrowstyle='->', connectionstyle='arc3, rad=0.1', color='#090909'))

# 設定标題、x軸、y軸

plt.title(r'$the \ function \ figure \ of \ cos(), \ sin() \ and \ sqrt()$', fontsize=19)

plt.xlabel(r'$the \ input \ value \ of \ x$', fontsize=18, labelpad=88.8)

plt.ylabel(r'$y = f(x)$', fontsize=18, labelpad=12.5)

# 設定圖例及位置

plt.legend(loc='up right')    

# plt.legend(['cos(x)', 'sin(x)', 'sqrt(x)'], loc='up right')

# 顯示網格線

plt.grid(True)    

# 顯示繪圖

plt.show()

savefig('../figures/plot3d_ex.png',dpi=48)    # 儲存，前提目錄存在，dpi分辨率

10.plt一般是全局的做圖

11.常用圖形：曲線圖、灰階圖、散點圖、箱式圖、餅狀圖

12.可視化詳細的網站：http://matplotlib.org/api/pyplot_api.html

更詳細的網站：http://matplotlib.org/api/index.html

13.自行車租賃的案例

##加載相應的包

import pandas as pd # 讀取資料到DataFrame

import urllib # 擷取網絡資料

import shutil # 檔案操作

import zipfile # 壓縮解壓

import os#和檔案，目錄等打交道的一個庫

## 建立臨時目錄

try:

    os.system('mkdir bike_data')

except:

    os.system('rm -rf bike_data; mkdir bike_data')

data_source = 'http://archive.ics.uci.edu/ml/machine-learning-databases/00275/Bike-Sharing-Dataset.zip' # 網絡資料位址

zipname = 'bike_data/Bike-Sharing-Dataset.zip' # 拼接檔案和路徑

urllib.urlretrieve(data_source, zipname) # 獲得資料

zip_ref = zipfile.ZipFile(zipname, 'r') # 建立一個ZipFile對象處理壓縮檔案

#zip_ref.extractall(temp_dir) # 解壓

zip_ref.extractall('bike_data')

zip_ref.close()

daily_path = 'bike_data/day.csv'

daily_data = pd.read_csv(daily_path) # 讀取csv檔案

daily_data['dteday'] = pd.to_datetime(daily_data['dteday']) # 把字元串資料傳換成日期資料

drop_list = ['instant', 'season', 'yr', 'mnth', 'holiday', 'workingday', 'weathersit', 'atemp', 'hum'] # 不關注的列

daily_data.drop(drop_list, inplace = True, axis = 1) # inplace=true在對象上直接操作

daily_data.head() # 看一看資料~

#####配置參數

from __future__ import division, print_function # 引入3.x版本的除法和列印

from matplotlib import pyplot as plt

import pandas as pd

import numpy as np

# 在notebook中顯示繪圖結果

%matplotlib inline

# 設定一些全局的資源參數，可以進行個性化修改

import matplotlib

# 設定圖檔尺寸 14" x 7"

# rc: resource configuration

matplotlib.rc('figure', figsize = (14, 7))

# 設定字型 14

matplotlib.rc('font', size = 14)

# 不顯示頂部和右側的坐标線

matplotlib.rc('axes.spines', top = False, right = False)

# 不顯示網格

matplotlib.rc('axes', grid = False)

# 設定背景顔色是白色

matplotlib.rc('axes', facecolor = 'white')

######做散點圖，檢視關聯性

from matplotlib import font_manager

fontP = font_manager.FontProperties()

fontP.set_family('SimHei')

fontP.set_size(1000)

# 包裝一個散點圖的函數便于複用

def scatterplot(x_data, y_data, x_label, y_label, title):

    # 建立一個繪圖對象

    fig, ax = plt.subplots()

    # 設定資料、點的大小、點的顔色和透明度

    ax.scatter(x_data, y_data, s = 10, color = '#539caf', alpha = 0.75) # http://www.114la.com/other/rgb.htm

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

# 繪制散點圖

scatterplot(x_data = daily_data['temp'].values

            , y_data = daily_data['cnt'].values

            , x_label = 'temperature (C)'

            , y_label = 'Check outs'

            , title = 'Number of Check Outs vs Temperature')

                                      ####做曲線圖

   # 線性回歸

import statsmodels.api as sm # 最小二乘

from statsmodels.stats.outliers_influence import summary_table # 獲得彙總資訊

x = sm.add_constant(daily_data['temp']) # 線性回歸增加常數項 y=kx+b

y = daily_data['cnt']

regr = sm.OLS(y, x) # 普通最小二乘模型，ordinary least square model

res = regr.fit()

# 從模型獲得拟合資料

st, data, ss2 = summary_table(res, alpha=0.05) # 置信水準alpha=5%，st資料彙總，data資料詳情，ss2資料列名

fitted_values = data[:,2]

print(data)

print(fitted_values)

print(ss2)

# 包裝曲線繪制函數

def lineplot(x_data, y_data, x_label, y_label, title):

    # 建立繪圖對象

    _, ax = plt.subplots()

    # 繪制拟合曲線，lw=linewidth，alpha=transparancy

    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

# 調用繪圖函數

lineplot(x_data = daily_data['temp']

         , y_data = fitted_values

         , x_label = 'Normalized temperature (C)'

         , y_label = 'Check outs'

         , title = 'Line of Best Fit for Number of Check Outs vs Temperature')            

                                 ########做帶置信區間的曲線圖

# 獲得5%置信區間的上下界

predict_mean_ci_low, predict_mean_ci_upp = data[:,4:6].T

# 建立置信區間DataFrame，上下界

CI_df = pd.DataFrame(columns = ['x_data', 'low_CI', 'upper_CI'])

CI_df['x_data'] = daily_data['temp']

CI_df['low_CI'] = predict_mean_ci_low

CI_df['upper_CI'] = predict_mean_ci_upp

CI_df.sort_values('x_data', inplace = True) # 根據x_data進行排序

# 繪制置信區間

def lineplotCI(x_data, y_data, sorted_x, low_CI, upper_CI, x_label, y_label, title):

    # 建立繪圖對象

    _, ax = plt.subplots()

    # 繪制預測曲線

    ax.plot(x_data, y_data, lw = 1, color = '#539caf', alpha = 1, label = 'Fit')

    # 繪制置信區間，順序填充

    ax.fill_between(sorted_x, low_CI, upper_CI, color = '#539caf', alpha = 0.4, label = '95% CI')

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

    # 顯示圖例，配合label參數，loc=“best”自适應方式

    ax.legend(loc = 'best')

# Call the function to create plot

lineplotCI(x_data = daily_data['temp']

           , y_data = fitted_values

           , sorted_x = CI_df['x_data']

           , low_CI = CI_df['low_CI']

           , upper_CI = CI_df['upper_CI']

           , x_label = 'Normalized temperature (C)'

           , y_label = 'Check outs'

           , title = 'Line of Best Fit for Number of Check Outs vs Temperature')      

                                                 ######   雙坐标軸的曲線圖

  # 雙縱坐标繪圖函數

def lineplot2y(x_data, x_label, y1_data, y1_color, y1_label, y2_data, y2_color, y2_label, title):

    _, ax1 = plt.subplots()

    ax1.plot(x_data, y1_data, color = y1_color)

    # 添加标題和坐标說明

    ax1.set_ylabel(y1_label, color = y1_color)

    ax1.set_xlabel(x_label)

    ax1.set_title(title)

    ax2 = ax1.twinx() # 兩個繪圖對象共享橫坐标軸

    ax2.plot(x_data, y2_data, color = y2_color)

    ax2.set_ylabel(y2_label, color = y2_color)

    # 右側坐标軸可見

    ax2.spines['right'].set_visible(True)

# 調用繪圖函數

lineplot2y(x_data = daily_data['dteday']

           , x_label = 'Day'

           , y1_data = daily_data['cnt']

           , y1_color = '#539caf'

           , y1_label = 'Check outs'

           , y2_data = daily_data['windspeed']

           , y2_color = '#7663b0'

           , y2_label = 'Normalized windspeed'

           , title = 'Check Outs and Windspeed Over Time')            https://blog.csdn.net/cxlhuihui/article/details/80006441 1.echart可做出更精美的圖檔，matplotlib和seaborn可以對資料進行簡單的可視化操作

2.series或dateframe轉化成array使用方法.values，在可視化過程中盡量用np數組的形式

3.%matplotlib inline 圖是嵌入在notebook裡面的不是跳出來一個框的形式

4.matplotlib.pyplot作圖的子子產品

5.x = np.arange(0., 10, 0.2)，0-10之間，間隔0.2取一個數

6.numpy是具有boardcast的特性

7.plt.rcParams["figure.figsize"] = (12,8)設定圖的尺寸

8.plt.plot(x, y1, color='blue', linewidth=1.5, linestyle='-', marker='.', label=r'$y = cos{x}$')作圖的輪廓，其中label是取名作用，在這裡可以不指定，下面區分圖例使用

9.完整的繪圖

#加載包

import numpy as np

import matplotlib.pyplot as plt

from pylab import *

# 定義資料部分

x = np.arange(0., 10, 0.2)

y1 = np.cos(x)

y2 = np.sin(x)

y3 = np.sqrt(x)

# 繪制 3 條函數曲線

plt.plot(x, y1, color='blue', linewidth=1.5, linestyle='-', marker='.', label=r'$y = cos{x}$')

plt.plot(x, y2, color='green', linewidth=1.5, linestyle='-', marker='*', label=r'$y = sin{x}$')

plt.plot(x, y3, color='m', linewidth=1.5, linestyle='-', marker='x', label=r'$y = \sqrt{x}$')

# 坐标軸上移

ax = plt.subplot(111)

ax.spines['right'].set_color('none')     # 去掉右邊的邊框線

ax.spines['top'].set_color('none')       # 去掉上邊的邊框線

# 移動下邊邊框線，相當于移動 X 軸

ax.xaxis.set_ticks_position('bottom')    

ax.spines['bottom'].set_position(('data', 0))

# 移動左邊邊框線，相當于移動 y 軸

ax.yaxis.set_ticks_position('left')

ax.spines['left'].set_position(('data', 0))

# 設定 x, y 軸的取值範圍

plt.xlim(x.min()*1.1, x.max()*1.1)

plt.ylim(-1.5, 4.0)

# 設定 x, y 軸的刻度值

plt.xticks([2, 4, 6, 8, 10], [r'2', r'4', r'6', r'8', r'10'])

plt.yticks([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], 

    [r'-1.0', r'0.0', r'1.0', r'2.0', r'3.0', r'4.0'])

# 添加文字

plt.text(0.8, 0.8, r'$x \in [0.0, \ 10.0]$', color='k', fontsize=15)

plt.text(0.8, 0.9, r'$y \in [-1.0, \ 4.0]$', color='k', fontsize=15)

# 特殊點添加注解

plt.scatter([8,],[np.sqrt(8),], 50, color ='m')  # 使用散點圖放大目前點

plt.annotate(r'$2\sqrt{2}$', xy=(8, np.sqrt(8)), xytext=(8.5, 2.2), fontsize=16, color='#090909', arrowprops=dict(arrowstyle='->', connectionstyle='arc3, rad=0.1', color='#090909'))

# 設定标題、x軸、y軸

plt.title(r'$the \ function \ figure \ of \ cos(), \ sin() \ and \ sqrt()$', fontsize=19)

plt.xlabel(r'$the \ input \ value \ of \ x$', fontsize=18, labelpad=88.8)

plt.ylabel(r'$y = f(x)$', fontsize=18, labelpad=12.5)

# 設定圖例及位置

plt.legend(loc='up right')    

# plt.legend(['cos(x)', 'sin(x)', 'sqrt(x)'], loc='up right')

# 顯示網格線

plt.grid(True)    

# 顯示繪圖

plt.show()

savefig('../figures/plot3d_ex.png',dpi=48)    # 儲存，前提目錄存在，dpi分辨率

10.plt一般是全局的做圖

11.常用圖形：曲線圖、灰階圖、散點圖、箱式圖、餅狀圖

12.可視化詳細的網站：http://matplotlib.org/api/pyplot_api.html

更詳細的網站：http://matplotlib.org/api/index.html

13.自行車租賃的案例

##加載相應的包

import pandas as pd # 讀取資料到DataFrame

import urllib # 擷取網絡資料

import shutil # 檔案操作

import zipfile # 壓縮解壓

import os#和檔案，目錄等打交道的一個庫

## 建立臨時目錄

try:

    os.system('mkdir bike_data')

except:

    os.system('rm -rf bike_data; mkdir bike_data')

data_source = 'http://archive.ics.uci.edu/ml/machine-learning-databases/00275/Bike-Sharing-Dataset.zip' # 網絡資料位址

zipname = 'bike_data/Bike-Sharing-Dataset.zip' # 拼接檔案和路徑

urllib.urlretrieve(data_source, zipname) # 獲得資料

zip_ref = zipfile.ZipFile(zipname, 'r') # 建立一個ZipFile對象處理壓縮檔案

#zip_ref.extractall(temp_dir) # 解壓

zip_ref.extractall('bike_data')

zip_ref.close()

daily_path = 'bike_data/day.csv'

daily_data = pd.read_csv(daily_path) # 讀取csv檔案

daily_data['dteday'] = pd.to_datetime(daily_data['dteday']) # 把字元串資料傳換成日期資料

drop_list = ['instant', 'season', 'yr', 'mnth', 'holiday', 'workingday', 'weathersit', 'atemp', 'hum'] # 不關注的列

daily_data.drop(drop_list, inplace = True, axis = 1) # inplace=true在對象上直接操作

daily_data.head() # 看一看資料~

#####配置參數

from __future__ import division, print_function # 引入3.x版本的除法和列印

from matplotlib import pyplot as plt

import pandas as pd

import numpy as np

# 在notebook中顯示繪圖結果

%matplotlib inline

# 設定一些全局的資源參數，可以進行個性化修改

import matplotlib

# 設定圖檔尺寸 14" x 7"

# rc: resource configuration

matplotlib.rc('figure', figsize = (14, 7))

# 設定字型 14

matplotlib.rc('font', size = 14)

# 不顯示頂部和右側的坐标線

matplotlib.rc('axes.spines', top = False, right = False)

# 不顯示網格

matplotlib.rc('axes', grid = False)

# 設定背景顔色是白色

matplotlib.rc('axes', facecolor = 'white')

######做散點圖，檢視關聯性

from matplotlib import font_manager

fontP = font_manager.FontProperties()

fontP.set_family('SimHei')

fontP.set_size(1000)

# 包裝一個散點圖的函數便于複用

def scatterplot(x_data, y_data, x_label, y_label, title):

    # 建立一個繪圖對象

    fig, ax = plt.subplots()

    # 設定資料、點的大小、點的顔色和透明度

    ax.scatter(x_data, y_data, s = 10, color = '#539caf', alpha = 0.75) # http://www.114la.com/other/rgb.htm

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

# 繪制散點圖

scatterplot(x_data = daily_data['temp'].values

            , y_data = daily_data['cnt'].values

            , x_label = 'temperature (C)'

            , y_label = 'Check outs'

            , title = 'Number of Check Outs vs Temperature')

                                      ####做曲線圖

   # 線性回歸

import statsmodels.api as sm # 最小二乘

from statsmodels.stats.outliers_influence import summary_table # 獲得彙總資訊

x = sm.add_constant(daily_data['temp']) # 線性回歸增加常數項 y=kx+b

y = daily_data['cnt']

regr = sm.OLS(y, x) # 普通最小二乘模型，ordinary least square model

res = regr.fit()

# 從模型獲得拟合資料

st, data, ss2 = summary_table(res, alpha=0.05) # 置信水準alpha=5%，st資料彙總，data資料詳情，ss2資料列名

fitted_values = data[:,2]

print(data)

print(fitted_values)

print(ss2)

# 包裝曲線繪制函數

def lineplot(x_data, y_data, x_label, y_label, title):

    # 建立繪圖對象

    _, ax = plt.subplots()

    # 繪制拟合曲線，lw=linewidth，alpha=transparancy

    ax.plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

# 調用繪圖函數

lineplot(x_data = daily_data['temp']

         , y_data = fitted_values

         , x_label = 'Normalized temperature (C)'

         , y_label = 'Check outs'

         , title = 'Line of Best Fit for Number of Check Outs vs Temperature')            

                                 ########做帶置信區間的曲線圖

# 獲得5%置信區間的上下界

predict_mean_ci_low, predict_mean_ci_upp = data[:,4:6].T

# 建立置信區間DataFrame，上下界

CI_df = pd.DataFrame(columns = ['x_data', 'low_CI', 'upper_CI'])

CI_df['x_data'] = daily_data['temp']

CI_df['low_CI'] = predict_mean_ci_low

CI_df['upper_CI'] = predict_mean_ci_upp

CI_df.sort_values('x_data', inplace = True) # 根據x_data進行排序

# 繪制置信區間

def lineplotCI(x_data, y_data, sorted_x, low_CI, upper_CI, x_label, y_label, title):

    # 建立繪圖對象

    _, ax = plt.subplots()

    # 繪制預測曲線

    ax.plot(x_data, y_data, lw = 1, color = '#539caf', alpha = 1, label = 'Fit')

    # 繪制置信區間，順序填充

    ax.fill_between(sorted_x, low_CI, upper_CI, color = '#539caf', alpha = 0.4, label = '95% CI')

    # 添加标題和坐标說明

    ax.set_title(title)

    ax.set_xlabel(x_label)

    ax.set_ylabel(y_label)

    # 顯示圖例，配合label參數，loc=“best”自适應方式

    ax.legend(loc = 'best')

# Call the function to create plot

lineplotCI(x_data = daily_data['temp']

           , y_data = fitted_values

           , sorted_x = CI_df['x_data']

           , low_CI = CI_df['low_CI']

           , upper_CI = CI_df['upper_CI']

           , x_label = 'Normalized temperature (C)'

           , y_label = 'Check outs'

           , title = 'Line of Best Fit for Number of Check Outs vs Temperature')      

                                                 ######   雙坐标軸的曲線圖

  # 雙縱坐标繪圖函數

def lineplot2y(x_data, x_label, y1_data, y1_color, y1_label, y2_data, y2_color, y2_label, title):

    _, ax1 = plt.subplots()

    ax1.plot(x_data, y1_data, color = y1_color)

    # 添加标題和坐标說明

    ax1.set_ylabel(y1_label, color = y1_color)

    ax1.set_xlabel(x_label)

    ax1.set_title(title)

    ax2 = ax1.twinx() # 兩個繪圖對象共享橫坐标軸

    ax2.plot(x_data, y2_data, color = y2_color)

    ax2.set_ylabel(y2_label, color = y2_color)

    # 右側坐标軸可見

    ax2.spines['right'].set_visible(True)

# 調用繪圖函數

lineplot2y(x_data = daily_data['dteday']

           , x_label = 'Day'

           , y1_data = daily_data['cnt']

           , y1_color = '#539caf'

           , y1_label = 'Check outs'

           , y2_data = daily_data['windspeed']

           , y2_color = '#7663b0'

           , y2_label = 'Normalized windspeed'

           , title = 'Check Outs and Windspeed Over Time')