6

【Python】绘图方法汇总2

 3 years ago
source link: https://www.guofei.site/2017/11/01/datavisualization.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
neoserver,ios ssh client

【Python】绘图方法汇总2

2017年11月01日

Author: Guofei

文章归类: 7-可视化 ，文章编号: 722

版权声明：本文作者是郭飞。转载随意，但需要标明原文链接，并通知本人
原文链接：https://www.guofei.site/2017/11/01/datavisualization.html

Edit

单变量

分布图 sns.distplot()

from scipy import stats
import matplotlib.pyplot as plt  # 导入
import seaborn as sns

fig,ax=plt.subplots(2,1)
x = stats.norm.rvs(loc=0, scale=1, size=100)
sns.distplot(x, bins=20, kde=True, hist=True, rug=True, fit=stats.gamma,ax=ax[0]);
# bins直方图多少个矩阵条
# hist=True显示直方图
# kde=True 显示核密度分布图
# fit=stats.gamma 拟合
# rug=True 在x轴上显示每个观测上生成的小细条（边际毛毯）

sns.distplot(x, hist=False, color="g", kde_kws={"shade": True}, ax=ax[1])
# kde图上阴影
plt.show()

displot的输入参数 解释 bins 直方图多少个矩阵条 hist 是否显示直方图 kde 是否显示核密度估计图 fit 是否显示拟合图 rug 是否显示边际毛毯

seaborn1_1.png

box图

sns.boxplot
官方示例
matplotlib版本示例

import seaborn as sns
df = sns.load_dataset("tips")

sns.boxplot(data=df, x="day", y="total_bill", hue="sex", palette="PRGn")

palette=’Set1’,’Set2’,’Set3’,’PRGn’…

boxplot.png

小提琴图

基于seaborn1
官方网站看这里

小提琴图1

每一列数据作为一个小提琴

import seaborn as sns
df = sns.load_dataset("tips")

sns.violinplot(data=df, palette="Set3", bw=.2, cut=3, linewidth=1)

violinplot.png

小提琴图2

定义x列和y列，定义分类hue（可选）

import seaborn as sns
df = sns.load_dataset("tips")

sns.violinplot(data=df, x="day", y="total_bill", hue="sex", bw=.2, cut=3, linewidth=1, palette="PRGn")

violinplot1.png

小提琴图3

import seaborn as sns
df = sns.load_dataset("tips")

sns.violinplot(data=df, x="day", y="total_bill", hue="sex",split=True, bw=.2, cut=3, linewidth=1, palette="PRGn")
#split=True

violinplot2.png

qq图

用来看看是否服从特定分布2

(所用库：statsmodels)

from scipy.stats import t
data = t(df=5).rvs(size=1000)

import statsmodels.api as sm
from matplotlib import pyplot as plt
fig = sm.qqplot(data=data, dist=t, distargs=(3,), fit=True, line='45')
plt.show()

datavisualization1.png

多变量

regplot

df = pd.DataFrame(np.random.rand(200).reshape(-1, 2), columns=['x', 'resid'])
df.loc[:, 'y'] = df.loc[:, 'x'] + df.loc[:, 'resid'] + 1

sns.regplot(x=df.x, y=df.y,
            scatter=True,  # 画散点图
            fit_reg=True,  # 回归并画回归线
            ci=95,  # 置信区间 [0,100]
            color='r',  # 颜色
            marker='^',  # 点的形状
            ax=None  # 使用哪个 axes
            )

# 另一种用法
# sns.regplot(x='x', y='y', data=df)

regplot.png

还有些其它用法：

  • order=2, 多项式回归
  • sns.lmplot 可以分组把多个图画下来
  • jointplot, pairplot 这两个画图方法可以设定 kind="reg"，从而调用 regplot

jointplot

df = pd.DataFrame(np.random.rand(200).reshape(-1, 2), columns=['x', 'resid'])
df.loc[:, 'y'] = df.loc[:, 'x'] + df.loc[:, 'resid'] + 1

sns.jointplot(x=df.x, y=df.y, kind='kde', space=0)
# sns.jointplot(x='x', y='y', data=df, kind='hex', space=0)

# space 是三个子图之间的空隙
# kind='kde', 'hex', 'scatter', 'reg'

kind=’kde’:
jointplot_kde.png

kind=’hex’
jointplot_hex.png

kind=’scatter’
jointplot_scatter.png

kind=’reg’
jointplot_reg.png

PairGrid

去seaborn官网查看

import matplotlib.pyplot as plt
import seaborn as sns

iris = sns.load_dataset("iris")

# 1. 用什么数据
g = sns.PairGrid(iris, vars=["sepal_length", "sepal_width"], hue="species")
# vars：指定画哪几个变量。默认全画
# hue：按照这一列分组


# 2. 在哪画图
# g.map = g.map_diag（对角线） + g.map_offdiag（非对角线）
# g.map_offdiag = g.map_upper + g.map_lower

# 3. 画什么图
# g.map_diag(plt.hist)
g.map_diag(sns.kdeplot, lw=3, legend=False)
# 主对角线，可以画的图有：
# a) plt.scatter（默认）
# b) plt.hist
# c) g.map_diag(sns.kdeplot, lw=3, legend=False)

g.map_upper(plt.scatter)
g.map_lower(sns.kdeplot)
# 可以画的图有：
# plt.scatter（默认）
# sns.kdeplot：对角线上就是kde，其它地方是二维kde，所以画成等高线图
# sns.regplot：带回归线和预测范围的 scatter


# 4. 美化：针对有分类 hue 的情况，会在右边显示 label
g.add_legend()

pair_grid_1.png

pair_grid_2.png

另外，还可以更精细地指定画哪些图

g = sns.PairGrid(iris, x_vars=['petal_length','sepal_width'], y_vars=['petal_length'], hue="species")

clustermap

去seaborn官网查看

import pandas as pd
import scipy.stats as stats
df = pd.DataFrame(stats.uniform(loc=0, scale=2).rvs(size=1000).reshape(-1, 5))


import matplotlib.pyplot as plt
import seaborn as sns
sns.clustermap(df)
plt.show()

clustermap1.png

对应的参数：

col_cluster=False
row_cluster=False

还有第二种图：

sns.clustermap(df.corr())
plt.show()

clustermap2.png

常用自定义画图

一种回归并画图的例子

# 导入包与数据
import pandas as pd
from statsmodels.sandbox.regression.predstd import wls_prediction_std
import matplotlib.pyplot as plt
import numpy as np
df=pd.DataFrame(np.random.rand(200).reshape(-1,2),columns=['x','resid'])
df.loc[:,'y']=2*df.loc[:,'x']+0.5*df.loc[:,'resid']+1

# 建模
import statsmodels.formula.api as smf
lm_s = smf.ols(formula='y ~ x', data=df).fit()

# 画图
prstd, iv_l, iv_u = wls_prediction_std(lm_s)
fig, ax = plt.subplots()
ax.plot(df.x, df.y, 'o', label="data")
ax.plot(df.x, lm_s.fittedvalues, 'r-', label="OLS")
ax.plot(df.x, iv_u, 'b--')
ax.plot(df.x, iv_l, 'b--')
ax.legend(loc='best')
plt.title('R2={a:.2f},y={b:.3f}x+{c:.3f}'.format(a=lm_s.rsquared,b=lm_s.params[0],c=lm_s.params[1]))
plt.show()

regression_plot

参考文献

  1. http://seaborn.pydata.org/generated/seaborn.violinplot.html ↩

  2. http://www.statsmodels.org/stable/generated/statsmodels.graphics.gofplots.qqplot.html ↩

您的支持将鼓励我继续创作！

report

Recommend

About Joyk


Aggregate valuable and interesting links.
Joyk means Joy of geeK