|
數(shù)據(jù)可視化是數(shù)據(jù)分析的一個重要方面，它提供了一種理解數(shù)據(jù)并從中得出有意義見解的方法。Pandas 是最常見的于數(shù)據(jù)分析的 Python 庫，它基于Matplotlib擴展了一些常用的可視化圖表，可以方便的調(diào)用，本篇文章就讓我們看看有哪些圖表可以直接使用。
在本文中，我們介紹使用 Pandas 進行數(shù)據(jù)可視化的基礎(chǔ)知識，包括創(chuàng)建簡單圖、自定義圖以及使用多個DF進行繪圖。 我們將導入必要的庫并加載示例數(shù)據(jù)集。 import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('https://raw./mwaskom/seaborn-data/master/titanic.csv') 我們使用泰坦尼克的示例數(shù)據(jù)集，包含有乘客的信息，包括他們的船艙等、年齡、票價和生存狀態(tài)等信息。 創(chuàng)建簡單的圖Pandas的 plot 方法提供了創(chuàng)建基本圖（例如線圖、條形圖和散點圖）的簡單方法。讓我們看幾個例子。 線圖 線圖用于表示連續(xù)間隔或時間段內(nèi)的數(shù)據(jù)趨勢。要創(chuàng)建線圖，調(diào)用plot 方法時需要將 kind 參數(shù)指定為 line。 df.plot(kind='line', x='age', y='fare')
看著很亂對吧，這是因為我們展示的數(shù)據(jù)無法用線圖進行表示，下面我們用更好的圖表表示年齡這個字段 直方圖 我們可以在字段后直接使用hist方法來生成數(shù)據(jù)的直方圖 df.age.hist(figsize=(7.3,4), grid=False)
這樣是不是就一目了然了，能夠清楚地看到年齡的分布情況 條形圖 條形圖用于表示分類數(shù)據(jù)，其中每個條代表一個特定類別。要創(chuàng)建條形圖，可以 pandas DataFrame 上使用 plot 方法并將 kind 參數(shù)指定為 bar。 df['class'].value_counts().plot(kind='bar')
餅圖 餅圖與條形圖類似，但是它主要來查看數(shù)據(jù)的占比 df['embark_town'].value_counts().plot(kind='pie', rot=0)
散點圖 散點圖用于表示兩個連續(xù)變量之間的關(guān)系。要創(chuàng)建散點圖使用 plot 方法將 kind 參數(shù)指定為 scatter。 df.plot(kind='scatter', x='age', y='fare')
Plot方法Pandas的可視化主要使用.plot()方法，它有幾個可選參數(shù)。其中最重要的是kind 參數(shù)，它可以接受 11 個不同的字符串值，并根據(jù)這些值創(chuàng)建不同的圖表：
如果你不指定kind 參數(shù)，它的默認值為“l(fā)ine”。也就是折線圖。如果不向 .plot() 提供任何參數(shù)，那么它會創(chuàng)建一個線圖，其中索引位于 x 軸上，所有數(shù)字列位于 y 軸上。雖然這對于只有幾列的數(shù)據(jù)集來說是一個有用的默認值，但對于大型數(shù)據(jù)集及其多個數(shù)字列來說，它看起就不好了。 還有就是：作為將字符串傳遞給 .plot() 的 kind 參數(shù)的替代方法，DataFrame 對象有幾種方法可用于創(chuàng)建上述各種類型的圖： .area() .bar() .barh() .box() .hexbin() .hist() .kde() .density() .line() .pie() .scatter() 還記得我們第一個直方圖的.hist方法嗎，他就是kind='hist’的一個替代。 定制圖表樣式顏色我們還可以通過使用不同的參數(shù)來自定義圖表的外觀，例如標記的顏色、大小和形狀、標簽和標題。 df.plot(kind='scatter', x='age', y='fare', color='red', alpha=0.5)
就像我們最初介紹的那樣，pandas繪圖的底層是使用Matplotlib，所以這些參數(shù)都是與Matplotlib一致的，我們可以隨意進行調(diào)整。 多個DataFrame繪圖Pandas還沒有提供多個DataFrame的方法，所以我們只能使用Matplotlib，就像下面這樣： df_survived = df[df['survived'] == 1] df_not_survived = df[df['survived'] == 0] plt.scatter(df_survived['age'], df_survived['fare'], color='green', label='Survived') plt.scatter(df_not_survived['age'], df_not_survived['fare'], color='red', label='Not Survived') plt.xlabel('Age') plt.ylabel('Fare') plt.title('Relationship between Age and Fare') plt.legend() plt.show()
總結(jié)作為最常用的數(shù)據(jù)分析庫 Pandas 提供了一種創(chuàng)建圖表的簡單方法，這種方法可以幫我們快速對數(shù)據(jù)集進行簡單的分析，快速的了解數(shù)據(jù)集的情況。如果需要對數(shù)據(jù)進行更高級的可視化，可以使用Seaborn、Plotly等更高級的庫。 Panda的可視化文檔在這里，有興趣的可以詳細查看： https://pandas./docs/user_guide/visualization.html 希望本文對你有所幫助。
|
|
|
