一、Matplotlib
1.用于创建出版质量图表的绘图工具库
2.目的的为Python构建一个Matlab式的绘图接口
3.import matplotlib.pyplot as plt:pyplot模块包含了常用的matplotlib API函数
4.figure
(1)Matplotlib的图像均位于figure对象中，创建figure:plt.figure()
#引入 matplotlib包 import matplotlib.pyplot as plt %matplotlib inline
#创建figure
fig = plt.figure()
5.Subplot
(1)fig.add_subplot(a,b,c)
a,b表示将fig分割成axb的区域，c表示当前选中要操作的区域，注意编号从1号开始
返回的是AxesSubplot对象
plot绘图的区域是最后一次指定的subplot的位置
在指定的sublot里结合scipy绘制统计图
#在一张图上做子图 ax1 = fig.add_subplot(2,2,1) ax2= fig.add_subplot(2,2,2) ax3=fig.add_subplot(2,2,4) ax4 = fig.add_subplot(2,2,4)
#在subplot上来作图
import numpy as np
random_arr = np.random.randn(100) #生成100个随机数随机分布
#print random_arr
#默认是在最后一次使用subplot的位置上作图，但是在jupyter里是无效的
plt.plot(random_arr) #这里默认作的是线图
plt.show()
(2)直方图 hist；s散点图scatter；柱状图 bar；矩阵绘图plt.imshow()
#在指定的subplot上来绘图 import scipy as sp from scipy import stats x = np.linspace(-5,15,50) #这里表示生成一组数，数据的范围是从-5到15，将数据平均分成50份 print(x.shape) #打印出数据的分布以及数据的大小 print(x) #绘制高斯分布，下面的这个x是x轴，sp.stats.norm.pdf是y轴 plt.plot(x,sp.stats.norm.pdf(x=x,loc = 5,scale=2)) #绘制叠加直方图 sp.stats.norm.rvs是生成一个正太分布的直方图，将数据分为50个小组，指定颜色，指定透明度 plt.hist(sp.stats.norm.rvs(loc=5,scale=2,size=200),bins=50,normed=True,color='red',alpha=0.5) plt.show()
#绘制直方图 plt.hist(np.random.randn(100),bins=10,color='b',alpha=0.3) plt.show()
(3)散点图scatter
#绘制散点图,x是一个向量，y也是一个向量 x = np.arange(50) y = x + 5*np.random.rand(50) plt.scatter(x,y)
(4)柱状图bar
#柱状图，这个图包括了常规作图的基本的元素 x= np.arange(5) #要生成5个柱子，就需要生成5个坐标 #下面需要绘制两个柱状图，np.random.randint(1,25,size=(2,5))表示生成从1到25的随机整数 #最后生成的形状是2行5列的形状 y1,y2=np.random.randint(1,25,size=(2,5)) print(x) print('y1',y1) #生成的是1到25之间的随机整数，生成的大小是5列的数据 print(type(y1)) #<class 'numpy.ndarray'> print('y2',y2) width=0.25 #指定柱子的宽度为0.25 ax = plt.subplot(1,1,1) #生成1x1的图，现在在1的位置上 ax.bar(x,y1,width,color='r') #这个地方先画第一组 ax.bar(x+width,y2,width,color='g') #因为现在0,1,2,3,4位置被占据了，现在再在原来的位置上作图会有叠加，挪动的位置就是前面柱子的宽度 ax.set_xticks(x+width) # 将x轴的标记挪动width宽度 ax.set_xticklabels(['a','b','c','d','e']) #这列设置xlabel的标签 plt.show() #xticks,yticks #xlable,ylable #x_lim,y_lim #title
(5)矩阵绘图 plt.imshow():混淆矩阵，三个维度的关系，通过颜色来进行分析
import numpy as np #矩阵绘图 m = np.random.rand(10,10) print(m) #interpolation='nearest'输出的时候默认的差值的方法，cmap=plt.cm.ocean设置蓝色的主题 #在机器学习中主要用于绘制混淆矩阵，三分类问题，识别猫狗猪。当类比较多的时候，混淆矩阵就会很有用 plt.imshow(m,interpolation='nearest',cmap=plt.cm.ocean) plt.colorbar() plt.show()
(6)绘制子图
#subplots(2,2s)是指定数据是几行几列，这里绘图是两行两列的子图 fig,subplot_arr = plt.subplots(2,2) #这里是指定在0行0列的位置上绘制直方图，这是一个正常的情况 subplot_arr[0][0].hist(np.random.randn(100),color='b',alpha=0.3) plt.show()
(7)颜色、标记、线型
ax.plot(x,y,'r--'):等价于ax.plot(x,y,linestyle='--',color='r')
颜色：b blue
g:green
r:red
c:cyan
m:magenta
y:yello
k:black
w:white
(8)刻度、标签和图例
设置刻度范围
plt.xlim()，plt.ylim()
ax.set_xlim(),ax.set_ylim()
设置显示的刻度
plt.xticks(),plt.yticks()
设置刻度标签
ax.set_xticklabels()，ax.set_yticklabels()
设置坐标轴标签
ax.set_xlabel()，ax.set_ylabel()
设置标题：ax.set_title()
图例
ax.plot(label='legend')
ax.legend()、plt.legent()
loc='best' 自动选择放置图例的最佳位置
fig,ax = plt.subplots(1) ax.plot(np.random.randn(1000).cumsum(),label='line0') #设置刻度 ax.set_xlim([0,800]) #设置显示的刻度 ax.set_xticks(range(0,500,100)) #设置刻度标签 ax.set_yticklabels(['Jan','Feb','Mar']) #设置坐标轴的标签 ax.set_xlabel('Number') ax.set_ylabel('Month') #设置标题 ax.set_title('Example') #图例 ax.plot(np.random.randn(1000).cumsum(),label='学校') ax.plot(np.random.randn(1000).cumsum(),label='line2') ax.legend() ax.legend(loc='best') plt.legend()
(9)matplotlib设置
plt.rc()
二、Seaborn
1.什么是Seaborn
(1)Python找那个的一个制图工具库，可以制作出吸引人的、信息量大的统计图
(2)在Matplotlib上构建，支持numpy和pandas数据结构的可视化，甚至是scipy和statsmodels的统计模型的可视化
2.特点：
(1)多个内置主题以及颜色主题
(2)可视化单一变量、二维变量用于比较数据中各变量的分布情况
(3)可视化线性回归模型中的独立变量以及不独立的变量
(4)可视化矩阵数据，通过聚类算法探究矩阵间的结构
(5)可视化书剑序列的数据以及不确定性的展示
(6)可在分割区域制图，用于复杂的可视化
3.安装
conda install seaborn
pip install seaborn
4.数据集分布可视化
(1)单变量分布 sns.distplot()
(2)直方图：sns.distplot(kde=False)
(3)核密度估计:sns.distplot(hist=False)或者sns.kdeplot()
(4)拟合参数分布:sns.distplot(kds=False,fit=)
(5)双变量分布
(6)散布图：sns.jointplot()
(7)二维直方图 Hexbin sns.jointplot(kind = 'hex')
(8)核密度估计sns.jointplot(kind='kde')
(9)数据集中变量之间的可视化 sns.pairplot()
三、Bokeh
1.什么是Bokeh?
(1)专门针对Web浏览器的交互式、可视化Python会图库
(2)可以做出像D3.js简洁漂亮的交互可视化效果
2.特点：
(1)独立的HTML文档或者服务端程序
(2)可以处理大量、动态或者数据流
(3)支持Python(或者Scala,R,Julia......)
3.安装
(1)conda install bokeh
(2)pip install bokeh
4.bokeh接口
(1)Charts：高层接口，以简单的方式绘制复杂的统计图
(2)Plotting:中层接口，用于组装图形元素
(3)Models:底层接口，为开发者提供了最大的灵活性
5.包引用
(1)from bokeh.io import outpu_file生成html文档
(2)from bokeh.io import output_notebook在jupyter中使用
6.bokeh.charts
(1)散点图 Scatter
(2)柱状图 Bar
(3)盒子图 BoxPlot
(4)...............