《利用Python进行数据分析·第2版》第9章（下） 绘图和可视化

作者：SeanCheney   Python爱好者社区专栏作者

简书专栏：https://www.jianshu.com/u/130f76596b02

前文传送门：

对于DataFrame，柱状图会将每一行的值分为一组，并排显示，如图9-16所示：

In [69]: df = pd.DataFrame(np.random.rand(6, 4),   ....:                   index=['one', 'two', 'three', 'four', 'five', 'six'],   ....:                   columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus')) In [70]: df Out[70]: Genus         A         B         C         D one    0.370670  0.602792  0.229159  0.486744 two    0.420082  0.571653  0.049024  0.880592 three  0.814568  0.277160  0.880316  0.431326 four   0.374020  0.899420  0.460304  0.100843 five   0.433270  0.125107  0.494675  0.961825 six    0.601648  0.478576  0.205690  0.560547 In [71]: df.plot.bar()

图9-16 DataFrame的柱状图

注意，DataFrame各列的名称"Genus"被用作了图例的标题。

设置stacked=True即可为DataFrame生成堆积柱状图，这样每行的值就会被堆积在一起（如图9-17所示）：

In [73]: df.plot.barh(stacked=True, alpha=0.5)

图9-17 DataFrame的堆积柱状图

笔记：柱状图有一个非常不错的用法：利用value_counts图形化显示Series中各值的出现频率，比如s.value_counts().plot.bar()。

再以本书前面用过的那个有关小费的数据集为例，假设我们想要做一张堆积柱状图以展示每天各种聚会规模的数据点的百分比。我用read_csv将数据加载进来，然后根据日期和聚会规模创建一张交叉表：

In [75]: tips = pd.read_csv('examples/tips.csv') In [76]: party_counts = pd.crosstab(tips['day'], tips['size']) In [77]: party_counts Out[77]: size  1   2   3   4  5  6 day                       Fri   1  16   1   1  0  0 Sat   2  53  18  13  1  0 Sun   0  39  15  18  3  1 Thur  1  48   4   5  1  3 # Not many 1- and 6-person parties In [78]: party_counts = party_counts.loc[:, 2:5]

然后进行规格化，使得各行的和为1，并生成图表（如图9-18所示）：

# Normalize to sum to 1 In [79]: party_pcts = party_counts.div(party_counts.sum(1), axis=0) In [80]: party_pcts Out[80]: size         2         3         4         5 day                                         Fri   0.888889  0.055556  0.055556  0.000000 Sat   0.623529  0.211765  0.152941  0.011765 Sun   0.520000  0.200000  0.240000  0.040000 Thur  0.827586  0.068966  0.086207  0.017241 In [81]: party_pcts.plot.bar()

图9-18 每天各种聚会规模的比例

于是，通过该数据集就可以看出，聚会规模在周末会变大。

对于在绘制一个图形之前，需要进行合计的数据，使用seaborn可以减少工作量。用seaborn来看每天的小费比例（图9-19是结果）：

In [83]: import seaborn as sns In [84]: tips['tip_pct'] = tips['tip'] / (tips['total_bill'] - tips['tip']) In [85]: tips.head() Out[85]:   total_bill   tip smoker  day    time  size   tip_pct 0       16.99  1.01     No  Sun  Dinner     2  0.063204 1       10.34  1.66     No  Sun  Dinner     3  0.191244 2       21.01  3.50     No  Sun  Dinner     3  0.199886 3       23.68  3.31     No  Sun  Dinner     2  0.162494 4       24.59  3.61     No  Sun  Dinner     4  0.172069 In [86]: sns.barplot(x='tip_pct', y='day', data=tips, orient='h')

图9-19 小费的每日比例，带有误差条

seaborn的绘制函数使用data参数，它可能是pandas的DataFrame。其它的参数是关于列的名字。因为一天的每个值有多次观察，柱状图的值是tip_pct的平均值。绘制在柱状图上的黑线代表95%置信区间（可以通过可选参数配置）。

seaborn.barplot有颜色选项，使我们能够通过一个额外的值设置（见图9-20）：

In [88]: sns.barplot(x='tip_pct', y='day', hue='time', data=tips, orient='h')

图9-20 根据天和时间的小费比例

注意，seaborn已经自动修改了图形的美观度：默认调色板，图形背景和网格线的颜色。你可以用seaborn.set在不同的图形外观之间切换：

In [90]: sns.set(style="whitegrid")

直方图和密度图

直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。再以前面那个小费数据为例，通过在Series使用plot.hist方法，我们可以生成一张“小费占消费总额百分比”的直方图（如图9-21所示）：

In [92]: tips['tip_pct'].plot.hist(bins=50)

图9-21 小费百分比的直方图

与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核（即诸如正态分布之类的较为简单的分布）。因此，密度图也被称作KDE（Kernel Density Estimate，核密度估计）图。使用plot.kde和标准混合正态分布估计即可生成一张密度图（见图9-22）：

In [94]: tips['tip_pct'].plot.density()

图9-22  小费百分比的密度图

seaborn的distplot方法绘制直方图和密度图更加简单，还可以同时画出直方图和连续密度估计图。作为例子，考虑一个双峰分布，由两个不同的标准正态分布组成（见图9-23）：

In [96]: comp1 = np.random.normal(0, 1, size=200) In [97]: comp2 = np.random.normal(10, 2, size=200) In [98]: values = pd.Series(np.concatenate([comp1, comp2])) In [99]: sns.distplot(values, bins=100, color='k')

图9-23 标准混合密度估计的标准直方图

散布图或点图

点图或散布图是观察两个一维数据序列之间的关系的有效手段。在下面这个例子中，我加载了来自statsmodels项目的macrodata数据集，选择了几个变量，然后计算对数差：

In [100]: macro = pd.read_csv('examples/macrodata.csv') In [101]: data = macro[['cpi', 'm1', 'tbilrate', 'unemp']] In [102]: trans_data = np.log(data).diff().dropna() In [103]: trans_data[-5:] Out[103]:          cpi        m1  tbilrate     unemp 198 -0.007904  0.045361 -0.396881  0.105361 199 -0.021979  0.066753 -2.277267  0.139762 200  0.002340  0.010286  0.606136  0.160343 201  0.008419  0.037461 -0.200671  0.127339 202  0.008894  0.012202 -0.405465  0.042560

然后可以使用seaborn的regplot方法，它可以做一个散布图，并加上一条线性回归的线（见图9-24）：

In [105]: sns.regplot('m1', 'unemp', data=trans_data) Out[105]: <matplotlib.axes._subplots.AxesSubplot at 0x7fb613720be0> In [106]: plt.title('Changes in log %s versus log %s' % ('m1', 'unemp'))

图9-24 seaborn的回归/散布图

在探索式数据分析工作中，同时观察一组变量的散布图是很有意义的，这也被称为散布图矩阵（scatter plot matrix）。纯手工创建这样的图表很费工夫，所以seaborn提供了一个便捷的pairplot函数，它支持在对角线上放置每个变量的直方图或密度估计（见图9-25）：

In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})

图9-25 statsmodels macro data的散布图矩阵

你可能注意到了plot_kws参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项，可以查阅seaborn.pairplot文档字符串。

分面网格（facet grid）和类型数据

要是数据集有额外的分组维度呢？有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn有一个有用的内置函数factorplot，可以简化制作多种分面图（见图9-26）：

In [108]: sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker',       .....:                kind='bar', data=tips[tips.tip_pct < 1])

图9-26 按照天/时间/吸烟者的小费百分比

除了在分面中用不同的颜色按时间分组，我们还可以通过给每个时间值添加一行来扩展分面网格：

In [109]: sns.factorplot(x='day', y='tip_pct', row='time',   .....:                col='smoker',   .....:                kind='bar', data=tips[tips.tip_pct < 1])

图9-27 按天的tip_pct，通过time/smoker分面

factorplot支持其它的绘图类型，你可能会用到。例如，盒图（它可以显示中位数，四分位数，和异常值）就是一个有用的可视化类型（见图9-28）：

In [110]: sns.factorplot(x='tip_pct', y='day', kind='box',   .....:                data=tips[tips.tip_pct < 0.5])

图9-28 按天的tip_pct的盒图

使用更通用的seaborn.FacetGrid类，你可以创建自己的分面网格。请查阅seaborn的文档（https://seaborn.pydata.org/）。

9.3 其它的Python可视化工具

与其它开源库类似，Python创建图形的方式非常多（根本罗列不完）。自从2010年，许多开发工作都集中在创建交互式图形以便在Web上发布。利用工具如Boken（https://bokeh.pydata.org/en/latest/）和Plotly（https://github.com/plotly/plotly.py），现在可以创建动态交互图形，用于网页浏览器。

对于创建用于打印或网页的静态图形，我建议默认使用matplotlib和附加的库，比如pandas和seaborn。对于其它数据可视化要求，学习其它的可用工具可能是有用的。我鼓励你探索绘图的生态系统，因为它将持续发展。

9.4 总结

本章的目的是熟悉一些基本的数据可视化操作，使用pandas，matplotlib，和seaborn。如果视觉显示数据分析的结果对你的工作很重要，我鼓励你寻求更多的资源来了解更高效的数据可视化。这是一个活跃的研究领域，你可以通过在线和纸质的形式学习许多优秀的资源。

下一章，我们将重点放在pandas的数据聚合和分组操作上。

赞赏作者

Python爱好者社区历史文章大合集：

福利：文末扫码立刻关注公众号，“Python爱好者社区”，开始学习Python课程：

关注后在公众号内回复“课程”即可获取：

小编的Python入门视频课程！！！

崔老师爬虫实战案例免费学习视频。

丘老师数据科学入门指导免费学习视频。

陈老师数据分析报告制作免费学习视频。

玩转大数据分析！Spark2.X+Python 精华实战课程免费学习视频。

丘老师Python网络爬虫实战免费学习视频。