数据分析入门系列教程-常用图表

点击上方“菜鸟学Python”，选择“星标”公众号

重磅干货，第一时间送达

今天我们来学习下数据可视化，其实在前面的章节中，我们也接触到了一些数据可视化的知识，在分析数据集的时候，有效的可视化图表，可以帮助我们更好的了解数据。

常用的可视化图表

我们常用的图表其实也有很多，比如说文本表格，条形图，饼图等等。下面我就来简单介绍10种常见的图表

散点图

散点图一般是两个变量的二维图表，很适合展示两个变量之间的关系。当然也有三维散点图，不过使用的并不是很多

折线图

折线图可以很好的呈现数据随着时间迁移的变化趋势

直方图

直方图把横坐标等分成一定数量的区间，然后再每个区间内用矩形条展示该区间内的数值，可以很好的查看数据的分布情况

条形图

条形图可以查看数据中不同类别之间的分布请求

盒式图

是由五个数值组成：最大值（max）、最小值（min）、中位数（median）和上下四分位数（Q3，Q1），可以帮助我们分析数据的差异性、离散程度和异常值等信息

饼图

饼图可以很好的呈现每类数据所占总数据的比例情况

热力图

热力图是把数据用矩阵表示的形式，不同数据颜色不同，可以通过颜色直观的判断某个位置上的数值情况

雷达图

可以很好的显示一对多的关系，比如王者荣耀中的对局信息，就是雷达图

地理图表

对于按照不同地理位置区分的数据，使用地理图表可以很直观的呈现数据信息

词云图

词云图是非常好的可视化图表，在分析评论等场景非常常见

视化图表分类

其实，我们也可以根据数据之间的关系，把可视化图表分成如下几类

联系

查看多个变量之间的关系，例如：散点图，雷达图

比较

比较数据间各类别的关系，例如：条形图

趋势

展示数据随时间的变化趋势，例如：折线图

构成

各部分占总体的百分比，例如：饼图

分布

关注变量的分布情况，例如：直方图

下面有两张图片，很好的概括了不同情况下，该如何选择合适的图表

图片

在以后的工作中，如果遇到可视化工作，又不太确定如何更好的呈现数据，可以来看看上面的图片，也许能找到灵感。

十大图表实例

下面我们就来逐一完成上面的十个图表，看看 Python 带给你的视觉体验。

我们会分别使用 Matplotlib、Seaborn 和 Pyecharts 来完成作图，需要提前下载好对应的库

pip install matplotlib pip install seaborn pip install pyecharts

我们会使用 seaborn 自带的数据集为例子，所以需要导入数据集

import matplotlib.pyplot as plt import seaborn as sns tips = sns.load_dataset("tips") print(tips.head()) >>>    total_bill   tip     sex smoker  day    time  size 0       16.99  1.01  Female     No  Sun  Dinner     2 1       10.34  1.66    Male     No  Sun  Dinner     3 2       21.01  3.50    Male     No  Sun  Dinner     3 3       23.68  3.31    Male     No  Sun  Dinner     2 4       24.59  3.61  Female     No  Sun  Dinner     4

散点图

matplotlib 实现散点图

matplotlib.pyplot.scatter(x, y, c=None, marker=None)

几个重要的参数x，y：数值坐标

c：点的颜色

marker：标记的符号，可以选择“x”，“>” 或 “o”

seaborn 实现散点图

sns.scatterplot(x=None, y=None, hue=None, style=None, size=None, data=None)

x，y：传入的数据间 data 的列的名字hue：按照列名分组，不同组展示不同颜色

style：按照列名分组，不同分组使用不同的 marker

size：按照列名分组，不同分组符号大小不同

data：传入的数据集

plt.scatter(tips['total_bill'], tips['tip'], c='#bcbd22', marker='x') plt.show() sns.scatterplot(x='total_bill', y='tip', hue='time', style='time', size='time', data=tips) plt.show()

Matplotlib 绘制：

Seaborn 绘制：

两种作图整体分布式类似的，不过 Seaborn 作为 Matplotlib 的更高级 API 实现，可以更加方便的处理数据的分组展示等功能。

pycharts 实现散点图

pyecharts 是基于 echarts 的 Python 实现，同样拥有强大的功能，而且拥有完善的中文文档，这里就不再过多讲解 pyecharts 的用法了。

scatter = Scatter() scatter.add_xaxis(tips['total_bill']) scatter.add_yaxis("小费金额", tips['tip']) scatter.set_global_opts(xaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),                        yaxis_opts=opts.AxisOpts(splitline_opts=opts.SplitLineOpts(is_show=True)),                         toolbox_opts=opts.ToolboxOpts(is_show=True)                        ) scatter.render_notebook()  # 在 jupyter notebook 中展示 # scatter.render('scatter.html')  # 生成 HTML 文件，可以在浏览器中打开查看

折线图

matplotlib 实现折线图

matplotlib.pyplot.plot(x, y)

x，y：分别是横纵坐标，x 需要是按照大小排序的数组seaborn 实现折线图

seaborn.lineplot(x=None, y=None, data=None)

关键的参数与散点图十分类似，这里不再赘述

tips_copy = tips.copy() tips_copy.sort_values(by='total_bill', inplace=True) plt.plot(tips_copy['total_bill'], tips_copy['tip']) plt.show() sns.lineplot(x="total_bill", y="tip", data=tips, ) plt.show()

Matplotlib 绘制：

Seaborn 绘制：

可以看到，使用 seaborn 库，x 轴上的元素会自动被排序

pyecharts 实现折线图

from pyecharts.charts import Line line = Line() line.add_xaxis(tips_copy['total_bill']) line.add_yaxis("", tips_copy['tip']) line.render_notebook()

直方图

matplotlib 实现直方图

matplotlib.pyplot.hist(x, bins=None)

x：要输入的一维数组bins：是直方图中区域的数量

seaborn 实现直方图

seaborn.distplot(a, kde=True)

a：观测数据kde：是否画估计曲线

import numpy as np x = np.random.randn(100) plt.hist(x, 10) plt.show() sns.distplot(x, 10) plt.show()

Matplotlib 绘制：

Seaborn 绘制：

Pyecharts（echarts） 并没有专门的直方图方法。

条形图

matplotlib 实现条形图

matplotlib.pyplot.bar(x, height, width=0.8)

x：x 轴的坐标值height：y 轴的坐标值

width：条形的宽度

seaborn 实现条形图

seaborn.barplot(x=None, y=None, hue=None, data=None)

x，y，hue：分别是两个坐标轴的名称和图例名称data：传入的数据

new_tips = tips.groupby('day').mean() plt.bar(new_tips.index.values.tolist(), new_tips['total_bill'].values.tolist(), width=0.5) plt.show() sns.barplot(x="day", y="total_bill", hue='sex', data=tips) plt.show()

Matplotlib 绘制：

Seaborn 绘制：

可以看到，Seaborn 可以进行方便的分组绘制。

pyecharts 实现条形图

from pyecharts.charts import Barbar = Bar() bar.add_xaxis(new_tips.index.values.tolist()) bar.add_yaxis("", new_tips['total_bill'].values.tolist()) bar.render_notebook()

盒式图

matplotlib 实现盒式图（箱形图）

matplotlib.pyplot.boxplot(x, notch=None, label=None)

x：需要传入的数据notch：为是否展示带有缺口的箱形

label：可以设置标签

seaborn 实现盒式图

seaborn.boxplot(x=None, y=None, hue=None, data=None) plt.boxplot(tips['total_bill'], notch=True) plt.show() sns.boxplot(x=tips['day'], y='total_bill', data=tips) plt.show()

Matplotlib 绘制：

Seaborn 绘制：

Pyecharts 对于盒式图支持的并不友好，不推荐使用，这里只给出官网例子

from pyecharts.charts import Boxplot v1 = [         [850, 740, 900, 1070, 930, 850, 950, 980, 980, 880]         + [1000, 980, 930, 650, 760, 810, 1000, 1000, 960, 960],         [960, 940, 960, 940, 880, 800, 850, 880, 900]         + [840, 830, 790, 810, 880, 880, 830, 800, 790, 760, 800],     ] box = Boxplot() box.add_xaxis(['expr1']) box.add_yaxis("", box.prepare_data(v1)) box.render_notebook()

饼图

matplotlib 实现饼图

matplotlib.pyplot.pie(x, explode=None, labels=None)

x：需要用到的数据explode：扇形偏移量

labels：扇形的标签

seaborn 并未提供饼图的高级 API

sizes = [17, 32, 44, 10] labels = ['cat', 'dog', 'fox', 'tiger'] explode = (0, 0.1, 0, 0) plt.pie(sizes, labels=labels, explode=explode) plt.show()

pyecharts 实现饼图

from pyecharts.charts import Pie mylist = [list(z) for z in zip(labels, sizes)] pie = Pie() pie.add("", mylist) pie.render_notebook()

热力图

对于热力图，一般使用 Seaborn 提供的更加高级的 API 来实现

seaborn.heatmap(data)

data：DataFrame 类型数据即可

flights = sns.load_dataset("flights") flights_new = flights.pivot(index="month", columns="year", values="passengers") sns.heatmap(flights_new) plt.show()

pyecharts 实现热力图

x = flights_new.columns.values.tolist() y = flights_new.index.values.tolist() value = flights_new.values.tolist()L = [] i = j = 0 for inner_list in value:     for v in inner_list:         L.append([i, j, v])         j += 1     i += 1     j = 0 from pyecharts.charts import HeatMap from pyecharts import options as opts heatmap = HeatMap() heatmap.add_xaxis(x) heatmap.add_yaxis("", y, L) heatmap.set_global_opts(     visualmap_opts=opts.VisualMapOpts(max_=650, min_=90) ) heatmap.render_notebook()

雷达图

Matplotlib 和 Seaborn 都没有直接提供雷达图的 API，我们需要手动实现一个

import numpy as np import matplotlib.pyplot as plt from matplotlib.font_manager import FontProperties   # 数据准备 labels=np.array([u" 推进 ","KDA",u" 生存 ",u" 团战 ",u" 发育 ",u" 输出 "]) stats=[83, 61, 95, 67, 76, 88] # 画图数据准备，角度、状态值 angles=np.linspace(0, 2*np.pi, len(labels), endpoint=False) stats=np.concatenate((stats,[stats[0]])) angles=np.concatenate((angles,[angles[0]])) # 用 Matplotlib 画蜘蛛图 fig = plt.figure() ax = fig.add_subplot(111, polar=True)    ax.plot(angles, stats, 'o-', linewidth=2) ax.fill(angles, stats, alpha=0.25) # 设置中文字体 font = FontProperties(fname=r"C:\Windows\Fonts\simhei.ttf", size=14)   ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font) plt.show()

plt.figure 相当于是创建一个画板，add_subplot 就是将画板划分，然后再通过 plot 和 fill 作画

pyecharts 实现雷达图

from pyecharts.charts import Radar ability = [[83, 61, 95, 67, 76, 88]] radar = Radar() radar.add_schema( schema=[ opts.RadarIndicatorItem(name="推进", max_=100), opts.RadarIndicatorItem(name="KDA", max_=100), opts.RadarIndicatorItem(name="生存", max_=100), opts.RadarIndicatorItem(name="团战", max_=100), opts.RadarIndicatorItem(name="发育", max_=100), opts.RadarIndicatorItem(name="输出", max_=100), ] ) radar.add("", ability) radar.render_notebook()

地理图表

对于需要展示地理分布的数据，使用地图分布图表是非常方便的，echarts 提供了好好的支持，因此我们也可以使用 pyecharts 的高级 API 来制作地理图表

from pyecharts.charts import Geo provinces = ['广东', '北京', '上海', '江西', '湖南', '浙江', '江苏'] values = [120, 96, 72, 97, 54, 138, 97] geo = Geo() geo.add_schema(maptype="china") geo.add("", [list(z) for z in zip(provinces, values)]) geo.render_notebook()

只需要传入一个列表，列表里包含省份名称和对应省份的数值。这个数值就是具体的业务数据，比如可以是该省份的产值，高校数量，人口总数等等。

词云图

from pyecharts.charts import WordCloud words = [     ("开心", 1000),     ("伤心", 4002),     ("吃饭", 5008),     ("上课", 3000),     ("工作", 5980),     ("学习", 2357),     ("算法", 5300),     ("Python", 3478),     ("入门", 2300),     ("同学", 4000),     ("出发", 5378),     ("java", 6700),     ("Linux", 1000),     ("教学", 2198),     ("公司", 4570),     ("政府", 1000),     ("同事", 4350),     ("朋友", 3444),     ("家人", 1000),     ("亲人", 4300),     ("城市", 2000), ] wordcloud = WordCloud() wordcloud.add("", words) wordcloud.render_notebook()

同样是传入列表，包含需要展示的词语和该词语对应的频度，该频度也会决定词语的大小。

相信大家通过上面10个图表的学习，已经能够基本掌握 Python 可视化的知识了。你也应该发现，在数据分析的过程中，大多数情况下使用 Seaborn 是比较方便的，它可以很好的结合 DataFrame 数据类型，而在最后的数据展示时，使用 Pyecharts（echarts）则是很好的选择，它涵盖了非常强大的 API，可以对生成的图表再做后续的操作，当然 Matplotlib 是最为基础，也是最为强大的工具，在实际的工作中，需要好好衡量，选择最适合的工具来做可视化的工作。

总结

今天我们一起学习了常用的可视化图表以及如何制作相关图表。对于 Matplotlib、Seaborn 和 Pyecharts 工具包的使用一定要熟练的掌握，在数据分析的过程中会经常使用。同时还要知道，Seaborn 是基于 Matplotlib 的更加高级的可视化库，类似于 NumPy 和 Pandas 的关系。

同时我们还按照数据之间的关系，划分了不同类型的图表，希望能够在未来帮助你更好的选择图表。当然对于单分类和多分类数据，也可以使用组合图表来进行可视化处理。这三个工具包的官方文档都是非常好的学习工具，希望大家能够在后面的学习中好好利用，多加探索。

练习题

其实 Seaborn 自带了很多好玩的数据集，比如我们用到的 tips 和 flights 数据集，还有 car_crashes 数据集，是一个关于车祸的数据集，那么你能够使用该数据集，做一些探索吗，看看可以制作出哪些好玩的可视化图表？

end 近期八大热门： 发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片！ 盗墓热再起！我爬取了6万条《重启之极海听雷》的评论，发现了这些秘密 用Python一键生成炫酷九宫格图片，火了朋友圈 菜鸟也疯狂！8分钟用Python做一个酷炫的家庭随手记 Github获8300星！用Python开发的一个命令行的网易云音乐 一道Python面试题，硬是没憋出来，最后憋出一身汗！卧槽！Pdf转Word用Python轻松搞定！教你6招，不错的Python代码技巧！ 由菜鸟学Python原班人马打造的公众号：菜鸟编程大本营，现已正式上线！每个程序员都是从菜鸟开始成长起来的，没有人一开始就是程序员高手。菜鸟爱编程，专注于分享趣味的编程技巧，不限于Java, Python ,Go, Javascript等语言，让菜鸟爱上编程，进阶成为高手。 点这里，领取一大波福利！