Python數(shù)據(jù)可視化：Matplotlib 直方圖、箱線圖、條形圖、熱圖、折線圖、散點(diǎn)圖。。。

使用Python進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)的可視化是數(shù)據(jù)分析結(jié)果最好的展示方式，這里從Analytic Vidhya中找到的相關(guān)數(shù)據(jù)，進(jìn)行一系列圖形的展示，從中得到更多的經(jīng)驗(yàn)。
      強(qiáng)烈推薦：Analytic Vidhya
Python數(shù)據(jù)可視化庫(kù)
    Matplotlib:其能夠支持所有的2D作圖和部分3D作圖。能通過(guò)交互環(huán)境做出印刷質(zhì)量的圖像。
    Seaborn：基于Matplotlib，seaborn提供許多功能，比如：內(nèi)置主題、顏色調(diào)色板、函數(shù)和提供可視化單變量、雙變量、線性回歸的工具。其能幫助我們構(gòu)建復(fù)雜的可視化。

數(shù)據(jù)集

作圖

# -*- coding:UTF-8 -*-

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
import numpy as np

# 0、導(dǎo)入數(shù)據(jù)集
df = pd.read_excel('first.xlsx', 'Sheet1')

# 1、直方圖
fig = plt.figure()
ax = fig.add_subplot(111)
ax.hist(df['Age'], bins=7)
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('Employee')
plt.show()

# 2、箱線圖  
fig = plt.figure()
ax = fig.add_subplot(111)
ax.boxplot(df['Age'])
plt.show()

# 3、小提琴圖
sns.violinplot(df['Age'], df['Gender'])
sns.despine()
plt.show()

# 4、條形圖
var = df.groupby('Gender').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title('Gender wise Sum of Sales')
var.plot(kind='bar')
plt.show()

# 5、折線圖
var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set_xlabel('BMI')
ax.set_ylabel('Sum of Sales')
ax.set_title('BMI wise Sum of Sales')
var.plot(kind='line')
plt.show()

# 6、堆積柱形圖
var = df.groupby(['BMI', 'Gender']).Sales.sum()
var.unstack().plot(kind='bar', stacked=True, color=['red', 'blue'])

plt.show()

# 7、散點(diǎn)圖
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'], df['Sales'])
plt.show()

# 8、氣泡圖
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'], df['Sales'], s=df['Income'])  # 第三個(gè)變量表明根據(jù)收入氣泡的大小
plt.show()

# 9、餅圖
var = df.groupby(['Gender']).sum().stack()
temp = var.unstack()
type(temp)
x_list = temp['Sales']
label_list = temp.index
plt.axis('equal')
plt.pie(x_list, labels=label_list, autopct='%1.1f%%')
plt.title('expense')
plt.show()

# 10、熱圖
data = np.random.rand(4, 2)
rows = list('1234')
columns = list('MF')
fig, ax = plt.subplots()
ax.pcolor(data, cmap=plt.cm.Reds, edgecolor='k')
ax.set_xticks(np.arange(0, 2)+0.5)
ax.set_yticks(np.arange(0, 4)+0.5)
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
ax.set_xticklabels(columns, minor=False, fontsize=20)
ax.set_yticklabels(rows, minor=False, fontsize=20)
plt.show()