Day43.Python数据可视化（1）

Python数据可视化（1）

---

---

前言

本文主要展示两个库：Matplotlib和Pyecharts的基本介绍和简单应用。

---

一. Python 数据可视化

1.1 数据可视化概念

数据可视化，是关于数据视觉表现形式的科学技术研究。其中，这种数据的视觉表现形式被定义为：一种以某种概要形式抽提出来的信息，包括响应信息单位的各种属性和变量。

1.2 Python 数据可视化

1. Python 是一门富有表达力的语言，很适合用于数据分析。
2. Python 有很多数据可视化的 package，主要分为探索性分析方向的（Matplotlib，Seaborn）和交互性喜可视化（Boken，Plotly），厚着主要是用于业务结合过程中展现总体分析结果的。
3. Python 有很多非常优秀易用的数据可视化的库，作为入门在这里使用Python的matplotlib，事实上Python中很多可视化都是基于matplotlib开发的，例如Seaborn等。

二. Matplotlib 可视化

2.1 Matplotlib 库介绍

1. Matplotlib 是Python中最常用的可视化工具之一，可以非常方便地创造海量类型2D图标和一些基本的3D图表，可视化数据集（DataFrame，Series）自行定义x,y轴，绘制图形（线形图，柱状图，直方图，密度图，散点图等等），能够解决大部分的需求。

2. Matplotlib 最早是为了可视化癫痫病人的脑皮层电图相关的信号而研发的，因为在函数的设计上参考了MATLAB，所以叫Matplotlib。

3. 官方文档：https://matplotlib.org/ 。

4. Matplotlib 中最基础的模块是pyplot。

2.2 掌握 pyplot 基本语法

基本绘图流程：

1. 创建画布与创建子图：
   第一部分主要作用是构建一张空白的画布，并可以选择是否将整个画布划分为多个部分，方便在同一幅图上绘制多而图形的情况。最简单的绘图可以省略第一部分，而后直接在默认的画布上进行图形绘制。

2. 添加画布内容

第二部分是绘图的主体部分。其中添加标题，坐标轴名称，绘制图形等步骤是并列的，并没有先后顺序，可以先绘制图形，也可以先添加各类标签。但是添加图例一定要在绘制图形之后。

上面的图参数说明：

3. 保存与展示图形

2.3 Matplotlib 常用图形案例

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['axes.unicode_minus'] = False

%matplotlib inline  # 我在 jupyter notebook 上运行的

# 1. 散点图：plt.scatter()

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x) + np.random.random(len(x))
plt.scatter(x, y)
plt.show()

# 2. 折线图：plt.plot()

x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x) + np.random.random(len(x))
plt.scatter(x, y)
plt.plot(x, y, 'r')
plt.plot(x, np.sin(x)+0.5, 'g')
plt.show()

# 折线图
plt.plot([1, 2, 3, 4])
plt.ylabel('some numbers')
plt.show()

如果 plot() 命令提供单个列表或数组，matplotlib 界定它是一系列 y 值，并自动为您生成 x 值，由于pyton范围以 0 开头，因此默认的 x 向量和 y 的长度相同，但是以 0 开头，因此 x 数据为 [0, 1, 2, 3].

# 3. 柱状图：plt.bar()

n = 12
x = np.arange(n)
y1 = np.random.random(n)
y2 = np.random.random(n)

plt.bar(x, y1, color='y')
plt.bar(x, -y2, color='b')
for i, j in zip(x, y1):
    plt.text(i, j+0.1, '%.2f'%j, ha='center', va='bottom')
for i, j in zip(x, y2):
    plt.text(i, -j-0.1, '%.2f'%j, ha='center', va='bottom')

plt.ylim(-1.2, 1.2)
plt.show()

注释

1. text() 上面基本命令的使用将文本放在 Axes 上的任意位置。文本的常见用途是注释绘图的某些功能，并且该 annotate() 方法提供帮主公呢以使注释变得更加容易。在注释中，有两点需要考虑：注释的位置由参数 xy 和文本的位置表示 xytext。这两个参数都是（x, y） 元组。

2. xy （箭头提示）和 xytext 位置（文本位置） 都在数据坐标中。

3. matplotlib 在任何文本表达式中接受 TeX 方程表达式。编写一个由美元符号包围的TeX表达式。

4. 例如：plt.title(r’${\sigma }_i=15$’)

# 4. 饼图：Plt.pie()

n = 20
z = np.ones(n)
plt.figure(figsize=(5, 5))
plt.pie(z, explode=[0.1]*(n-1)+[.3], colors=['%f'%(i/n) for i in range(n)])
plt.show()

2.4 Matplotlib 可视化例子

1. 销售额随时间的变化情况
   查看核心指标近期情况可以使用折线图反映数据走势，散点图反映数据分布
   
2. 销售额与星期的关系
   从上面的折线图可以看出明显的周期性，所以对星期的营业额情况做分析。
   
3. 时间，订单量，销售额之间的关系分析
   

三. Pyecharts 可视化

3.1 介绍

1. Echarts 是一个由百度开元的书库可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的任课。而Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇到数据可视化时，pyecharts诞生了。

2. pyecharts 分为v0.5.X 和 v1 两个大版本，v0.5.X 和 V1 不兼容，v1 是一个全新的版本。（这里使用的版本是 v1）

3. 官网案例：http://echarts.apache.org/examples/zh/index.html

4. Pyecharts 官网：https://pyecharts.org/#/zh-cn/intro

5. 安装：pip install pyecharts

3.2 绘图逻辑

1. 选择图标类型
2. 添加数据
3. 设置全局变量
4. 显示及保存图表

1. 图表类型：from pyecharts.charts import *

2. 添加数据

1. 散点图，折线图等二维数据图形课通过 ‘.add_xaxis(xaxis_data=x)’ 和 ‘.add_yaxis(series_name='', y_axis=y)’ 方法设置

2. 饼图等一维图形可以通过'.add(series_name='', data_pair=[(i,j) for i ,j in zip(lab, num)])' 方法设置参数。

3. pyecharts 所有方法均支持链式调用。
   from pyecharts.charts import Bar

bar = (
    Bar()
    .add_xaxis(["衬衫", "羊毛衫", "雪纺衫", "裤子", "高跟鞋", "袜子"])
    .add_yaxis("商家A", [5, 20, 36, 10, 75, 90])
)
bar.render()

4. 显示，保存图表

1. '.get_opeions()' # 该行只为了查看配置项，方便调试时使用
2. '.render()' :默认将会在当前目录下生成一个 render.html 的文件，支持 path 参数，设置文件保存位置，如 render(r"D:/my_first_chart.html"),文件用浏览器打开。
3. Jupyter Notebook() 直接调用 render_notebook() 随时随地渲染图表。

3.3 全局配置组件：定制图表

1. 使用 options 配置项，在 pyecharts 中，一切皆 Options。
2. 全局配置项可以通过 set_global_opetions 方法设置。

# 散点图

from pyecharts.charts import Bar, Line, Scatter, Pie, Grid
from pyecharts import options as opts

x = np.linspace(0, 10, 51)
y = np.sin(x)
point = (Scatter(init_opts=opts.InitOpts(width="720px",height="320px"))
        .add_xaxis(xaxis_data=x)
        .add_yaxis(series_name="",y_axis=y)
        )
point.render_notebook()

# 折线图

line = (Line(init_opts=opts.InitOpts(width="720px",height="320px"))
        .add_xaxis(xaxis_data=x)
        .add_yaxis(series_name="",y_axis=y, 
                  # 是否显示散点对应的数据（默认显示）
        label_opts = opts.LabelOpts(is_show=False))
       )
line.render_notebook()

# 饼图

num = [110, 136, 108, 48, 111, 112, 103]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
pie = (Pie(init_opts=opts.InitOpts(width='720px', height='320px'))
       .add(series_name='', data_pair=[(i,j) for i,j in zip(lab, num)]))

pie.render_notebook()

# 柱状图

num1 = [110, 136, 108, 48, 111, 112, 103]
num2 = [90, 110, 101, 70, 90, 120, 99]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
bar = (Bar(init_opts=opts.InitOpts(width='720px', height='320px'))
      .add_xaxis(xaxis_data=lab)
      .add_yaxis(series_name='商家A', y_axis=num1)
      .add_yaxis(series_name='商家B', y_axis=num2))

bar.render_notebook()

全局配置组件：定制图表

1. 使用 options 配置项，在 pyecharts 中，一切皆 Options。
2. 比如，添加标题：’.set_global_options(title_opts=opts.TitleOpts(title=‘主标题’, subtitle=‘副标题’))’

3.4 Gird: 并行多图

1. 上下布局：
   grid = (Grid() .add(bar, grid_opts=opts.GridOpts(pos_bottom=‘60%’)) .add(line, grid_opts=opts.GridOpts(pos_top=‘60%’)) )

2. 左右布局：

   grid = (Grid() .add(scatter, grid_opts.GridOpts(pos_left=‘55%’)) .add(line, grid_opts=opts.GridOpts(pos_right=‘55%’)) )

   

   bar.overlap(line)
   bar.render_notebook()

四. Pyecharts 地理图标

1. 有时我们会很希望把数据展示在地图上，来做数据可视化，是数据更加清晰明了。
2. 比如：微信好友全国分布，显示票房省份数据，全国评分显示。
   

例子：百度迁徙

1. 百度地图春节人口迁徙大数据（简称百度迁徙），是百度在2014年春运期间推出的一项技术项目。百度迁徙利用大数据，对其拥有的LBS（基于地理位置的服务）大数据进行计算分析，采用的可视化呈现方式，动态，及时，直观地展现中国春节前后人口大迁徙的轨迹与特征。

2. http://qianxi.baidu.com/ 。
   

from pyecharts.charts import Geo

# Pyecharts地理图表绘制
Geo().add_schema(  # 地图模式设置
maptype="china"  # 地图类型
)
.add()  # 添加数据
.set_global_opts()  # 设置全局配置项

中国地图

特效散点图

特效散点图：添加箭头

热力图

热力图：广东地图的热力图

广东地图的区域图

例子：分析微信好友性别，地图分布。

详细代码，后面整理好了在放出来。

---

总结

今天主要是学习了两个Python数据可视化库的简单操作以及常用图形，还是需要多熟练，加油。

溜了溜了，脑壳疼。Loading （43/100）。。。

转载：https://blog.csdn.net/Tomandjava/article/details/115748886