python根據數據畫圖

『壹』 python 數據可視化：分類特徵統計圖

上一課已經體驗到了 Seaborn 相對 Matplotlib 的優勢，本課將要介紹的是 Seaborn 對分類數據的統計，也是它的長項。

針對分類數據的統計圖，可以使用 sns.catplot 繪制，其完整參數如下：

本課使用演繹的方式來學習，首先理解這個函數的基本使用方法，重點是常用參數的含義。

其他的參數，根據名稱也能基本理解。

下面就依據 kind 參數的不同取值，分門別類地介紹各種不同類型的分類統計圖。

讀入數據集：

然後用這個數據集制圖，看看效果：

輸出結果：

毫無疑問，這里繪制的是散點圖。但是，該散點圖的橫坐標是分類特徵 time 中的三個值，並且用 hue='kind' 又將分類特徵插入到圖像中，即用不同顏色的的點代表又一個分類特徵 kind 的值，最終得到這些類別組合下每個記錄中的 pulse 特徵值，並以上述圖示表示出來。也可以理解為，x='time', hue='kind' 引入了圖中的兩個特徵維度。

語句 ① 中，就沒有特別聲明參數 kind 的值，此時是使用默認值 'strip'。

與 ① 等效的還有另外一個對應函數 sns.stripplot。

輸出結果：

② 與 ① 的效果一樣。

不過，在 sns.catplot 中的兩個參數 row、col，在類似 sns.stripplot 這樣的專有函數中是沒有的。因此，下面的圖，只有用 sns.catplot 才能簡潔直觀。

輸出結果：

不過，如果換一個叫角度來說，類似 sns.stripplot 這樣的專有函數，表達簡單，參數與 sns.catplot 相比，有所精簡，使用起來更方便。

仔細比較，sns.catplot 和 sns.stripplot 兩者還是稍有區別的，雖然在一般情況下兩者是通用的。

因此，不要追求某一個是萬能的，各有各的用途，存在即合理。

不過，下面的聲明請注意： 如果沒有非常的必要，比如繪制分區圖，在本課中後續都演示如何使用專有名稱的函數。

前面已經初步解釋了這個函數，為了格式完整，這里再重復一下，即 sns.catplot 中參數 kind='strip'。

如果非要將此函數翻譯為漢語，可以稱之為「條狀散點圖」。以分類特徵為一坐標軸，在另外一個坐標軸上，根據分類特徵，將該分類特徵數據所在記錄中的連續值沿坐標軸描點。

從語句 ② 的結果圖中可以看到，這些點雖然縱軸的數值有相同的，但是沒有將它們重疊。因此，我們看到的好像是「一束」散點，實際上，所有點的橫坐標都應該是相應特徵分類數據，也不要把分類特徵的值理解為一個范圍，分散開僅僅是為了圖示的視覺需要。

輸出結果：

④ 相對 ② 的圖示，在於此時同一縱軸值的都重合了——本來它們的橫軸值都是一樣的。實現此效果的參數是 jitter=0，它可以表示點的「振動」，如果默認或者 jitter=True，意味著允許描點在某個范圍振動——語句 ② 的效果；還可設置為某個 0 到 1 的浮點，表示許可振動的幅度。請對比下面的操作。

輸出結果：

語句 ② 中使用 hue='kind' 參數向圖中提供了另外一個分類特徵，但是，如果感覺圖有點亂，還可以這樣做：

輸出結果：

dodge=True 的作用就在於將 hue='kind' 所引入的特徵數據分開，相對 ② 的效果有很大差異。

並且，在 ⑤ 中還使用了 paletter='Set2' 設置了色彩方案。

sns.stripplot 函數中的其他有關參數，請讀者使用幫助文檔了解。

此函數即 sns.catplot 的參數 kind='swarm'。

輸出結果：

再繪制一張簡單的圖，一遍研究這種圖示的本質。

輸出結果：

此圖只使用了一個特徵的數據，簡化表象，才能探究 sns.swarmplot 的本質。它同樣是將該特徵中的數據，依據其他特徵的連續值在圖中描點，並且所有點在默認情況下不彼此重疊——這方面與 sns.stripplot 一樣。但是，與之不同的是，這些點不是隨機分布的，它們經過調整之後，均勻對稱分布在分類特徵數值所在直線的兩側，這樣能很好地表示數據的分布特點。但是，這種方式不適合「大數據」。

sns.swarmplot 的參數似乎也沒有什麼太特殊的。下面使用幾個，熟悉一番基本操作。

在分類維度上還可以再引入一個維度，用不同顏色的點表示另外一種類別，即使用 hue 參數來實現。

輸出結果：

這里用 hue = 'smoker' 參數又引入了一個分類特徵，在圖中用不同顏色來區分。

如果覺得會 smoker 特徵的值都混在一起有點亂，還可以使用下面方式把他們分開——老調重彈。

輸出結果：

生成此效果的參數就是 dodge=True，它的作用就是當 hue 參數設置了特徵之後，將 hue 的特徵數據進行分類。

sns.catplot 函數的參數 kind 可以有三個值，都是用於繪制分類的分布圖：

下面依次對這三個專有函數進行闡述。

『貳』 python數據畫圖

可以用seaborn庫畫這種帶注釋的熱圖，就幾行代碼，看官方的示例文檔就能上手。

『叄』 python怎麼根據數據生成圖像

網上有很多的字元畫，看起來很炫酷，下面就告訴你如何用Python做這么炫酷的事，

說下思路吧：

原圖->灰度->根據像素亮度-映射到指定的字元序列中->輸出。
字元越多，字元變化稠密。效果會更好。
如果根據灰度圖的像素亮度范圍製作字元畫，效果會更好。
如果再使用調色板，對字元進行改色，就更像原圖了。

這是原圖：

這是生成的字元畫：

廢話不多說，直接上代碼：

復制代碼 代碼如下:

import Image
chars =" ...',;:clodxkLO0DGEKNWMM"
fn=r'c:\users\liabc\desktop\jianbing.png'
f1=lambda
F:''.join([(k%100!=0) and m or m+'\n' for k,m in enumerate(apply(lambda
x:[chars[x[j,i]%len(chars)] for i in xrange(70) for j in
xrange(100)],(Image.open(F).resize((100,70)).convert("L").load(),)),1)])
f=open(r"c:\users\liabc\desktop\aface.txt","w")
f.write(f1(fn))
f.close()

『肆』 Python實操：手把手教你用Matplotlib把數據畫出來

作者：邁克爾·貝耶勒（Michael Beyeler）

如需轉載請聯系華章 科技

如果已安裝Anaconda Python版本，就已經安裝好了可以使用的 Matplotlib。否則，可能要訪問官網並從中獲取安裝說明：

http://matplotlib.org

正如使用np作為 NumPy 的縮寫，我們將使用一些標準的縮寫來表示 Matplotlib 的引入：

在本書中，plt介面會被頻繁使用。

讓我們創建第一個繪圖。

假設想要畫出正弦函數sin(x)的線性圖。得到函數在x坐標軸上0≤x＜10內所有點的值。我們將使用 NumPy 中的 linspace 函數來在x坐標軸上創建一個從0到10的線性空間，以及100個采樣點：

可以使用 NumPy 中的sin函數得到所有x點的值，並通過調用plt中的plot函數把結果畫出來：

你親自嘗試了嗎？發生了什麼嗎？有沒有什麼東西出現？

實際情況是，取決於你在哪裡運行腳本，可能無法看到任何東西。有下面幾種可能性：

1. 從.py腳本中繪圖

如果從一個腳本中運行 Matplotlib，需要加上下面的這行調用：

在腳本末尾調用這個函數，你的繪圖就會出現！

2. 從 IPython shell 中繪圖

這實際上是互動式地執行Matplotlib最方便的方式。為了讓繪圖出現，需要在啟動 IPython 後使用所謂的%matplotlib魔法命令。

接下來，無須每次調用plt.show()函數，所有的繪圖將會自動出現。

3. 從 Jupyter Notebook 中繪圖

如果你是從基於瀏覽器的 Jupyter Notebook 中看這段代碼，需要使用同樣的%matplotlib魔法命令。然而，也可以直接在notebook中嵌入圖形，這會有兩種輸出選項：

在本書中，將會使用inline選項：

現在再次嘗試一下：

上面的命令會得到下面的繪圖輸出結果：

如果想要把繪圖保存下來留作以後使用，可以直接在 IPython 或者 Jupyter Notebook 使用下面的命令保存：

僅需要確保你使用了支持的文件後綴，比如.jpg、.png、.tif、.svg、.eps或者.pdf。

作為本章最後一個測試，讓我們對外部數據集進行可視化，比如scikit-learn中的數字數據集。

為此，需要三個可視化工具：

那麼開始引入這些包吧：

第一步是載入實際數據：

如果沒記錯的話，digits應該有兩個不同的數據域：data域包含了真正的圖像數據，target域包含了圖像的標簽。相對於相信我們的記憶，我們還是應該對digits稍加 探索 。輸入它的名字，添加一個點號，然後按Tab鍵：digits.<TAB>，這個操作將向我們展示digits也包含了一些其他的域，比如一個名為images的域。images和data這兩個域，似乎簡單從形狀上就可以區分。

兩種情況中，第一維對應的都是數據集中的圖像數量。然而，data中所有像素都在一個大的向量中排列，而images保留了各個圖像8×8的空間排列。

因此，如果想要繪制出一副單獨的圖像，使用images將更加合適。首先，使用NumPy的數組切片從數據集中獲取一幅圖像：

這里是從1797個元素的數組中獲取了它的第一行數據，這行數據對應的是8×8=64個像素。下面就可以使用plt中的imshow函數來繪制這幅圖像：

上面的命令得到下面的輸出：

此外，這里也使用cmap參數指定了一個顏色映射。默認情況下，Matplotlib 使用MATLAB默認的顏色映射jet。然而，在灰度圖像的情況下，gray顏色映射更有效。

最後，可以使用plt的subplot函數繪制全部數字的樣例。subplot函數與MATLAB中的函數一樣，需要指定行數、列數以及當前的子繪圖索引（從1開始計算）。我們將使用for 循環在數據集中迭代出前十張圖像，每張圖像都分配到一個單獨的子繪圖中。

這會得到下面的輸出結果：

關於作者：Michael Beyeler，華盛頓大學神經工程和數據科學專業的博士後，主攻仿生視覺計算模型，用以為盲人植入人工視網膜（仿生眼睛），改善盲人的視覺體驗。 他的工作屬於神經科學、計算機工程、計算機視覺和機器學習的交叉領域。同時他也是多個開源項目的積極貢獻者。

本文摘編自《機器學習：使用OpenCV和Python進行智能圖像處理》，經出版方授權發布。

『伍』 python怎麼用列表中的數據畫圖

可以在matplotlib的文檔中找到各種圖表類型，由於根據特定布局創建Figure和subplot是一件常見的任務，於是便出現一個更為方便的方法：
plt.subplots,它可以創建一個新的Figure，且返回一個含有已創建的subplot對象的numpy數組。

『陸』 如何用python繪制簡單條形圖

如何用python繪制簡單條形圖呢？這里離不開matplotlib的使用。
條形圖是數據可視化圖形中很基礎也很常用的一種圖，簡單解釋下：條形圖也叫長條圖（英語：bar chart），亦稱條圖（英語：bar graph）、條狀圖、棒形圖、柱狀圖、條形圖表，是一種以長方形的長度為變數的統計圖表。長條圖用來比較兩個或以上的價值（不同時間或者不同條件），只有一個變數，通常利用於較小的數據集分析。長條圖亦可橫向排列，或用多維方式表達。
那麼一個普通的條形圖是長什麼樣子的呢？
當！當！當！就是下圖的這個樣子：
圖先亮出來啦，接下來研究這個圖是怎麼畫的吧，先看一下原數據長什麼樣子：
實際畫圖的流程和畫折線圖很相近，只是用到的畫圖函數不一樣，繪制條形圖的函數plt.bar（）：
由於這只是最簡單的一個條形圖，實際上條形圖的函數plt.bar（）還有不少可以探索的參數設置，和對折線圖函數plt.plot()的探索差不多，有興趣的孩子可以自己去進行探索哦。
按照條形長短進行排序展示的條形圖
當然也可以有其他的設置，比如說上圖中的線條高低參差不齊，這是因為x軸的數據是按照學校名稱進行排序的，那麼可不可以按照分數的高低進行排序呢？也就是讓所有的長方形按照從高到矮或者從矮到高的順序進行排列？
當然可以啦！這里需要強調的是，條的高低排列等信息都是來源於原數據的，要想讓條形的順序發生改變，需要對畫圖的來源數據進行更改呢！
把原數據逆序排序後截取前十名數據賦值給data_yuwen，作為新的數據源傳入畫圖函數plt.bar()，畫出來的圖自然就不一樣了。
先看一眼數據長什麼樣子：
根據這個數據源繪制出的圖形如下，由於用來畫圖的數據進行了降序排序操作，所以生成條形圖的條也會進行降序排序展示：
很多時候，我們常見的條形圖還有另一種展現形式，那就是橫向的條形圖，比較火的那種動態條形圖絕大多數也都是橫向的條形圖，那麼橫向的條形圖如何繪制呢？
理解plt.bar()主要參數
其實也不難，只要清楚plt.bar()函數中主要參數的作用就可以了！條形圖函數中有五個主要參數，分別是x，height，width，bottom，orientation。其中x控制的是每個條在x軸上位置，height控制的是每個條的長度，width控制的是每個條的寬度，bottom控制的是每個條在y軸方向的起始位置，orientation控制的是條形的方向，是縱向還是橫向，默認是縱向的。
通過一個小例子理解下這幾個參數的作用：
上邊的幾行代碼輸出的圖形如下：
對比著代碼和實際輸出的條形圖，各個主要參數的作用是不是一目瞭然啦？
橫向條形圖
理解了這幾個參數作用後，縱向的條形圖轉換成橫向的條形圖就沒什麼難度了！
需要設置所有條形在x軸的位置都為0，也就全部從最左側開始畫條形;由於是橫向條形圖，所以實際上條的寬度顯示的是數據大小，將width參數設置成原數據中的語文成績；bottom控制每個條在y軸方向的起始位置，設置bottom=range（10）設置每個條形在y軸的起始位置各不相同避免有條形重疊；height控制的是每個條在y軸方向上的長度，條形圖橫向設置後，在y軸上的長度失去了衡量數據的意義，所以直接設置一個常數即可；最後設置條形的方向為橫向，即orientation=「horizontal」。
溫馨提示：數據和標簽一定要匹配，即plt.bar()重點的數據要和plt.yticks()中提取出來的標簽一一對應，一旦不匹配，整個圖展現的結果就是一個錯誤的結果！
上述代碼生成的條形圖如下：
感覺上邊這種生成橫向條形圖的方式有點點繞，和人們的習慣認知有點不大一樣，難道畫一個橫向條形圖就非得轉變自己的習慣認知這么反人類嗎？
當然不是的，實際上有更簡單的方法繪制一個橫向條形圖，之所以沒有一開始就直接用這種簡單的方法，也是為了讓大家體會下條形圖參數的靈活設置而已，而且如果比較繞的方法都能理解了，簡單的方法理解和運用起來就更沒有難度了啊！
不賣關子了，我們來認識下和plt.bar()函數類似的plt.barh()函數。
plt.barh()函數是專門繪制水平條形圖的函數，主要的參數有：
y 控制y軸顯示的標簽來源width 控制橫向條形的長度，即用來進行對比的數據源height 條形的寬度需要設置的參數主要就是這三個，比用plt.bar()函數繪制水平條形圖簡單了很多，具體代碼如下：
效果圖：
和用plt.bar()函數繪制的橫向條形圖一毛一樣對不對？以後有需求繪制橫向條形圖，盡量用plt.barh()函數吧，畢竟它是專門繪制這種類型圖的，簡單好用。
然而實際工作中對於條形圖的需求不只是這些，比如例子中只是對各個學校語文成績的展示，有時候需要各個學科的成績同時展現在一幅條形圖中，有時候也需要繪制堆積條形圖對各學科的成績以及總成績進行展示，這些圖又該如何繪制呢？其實只要理解了各個參數的含義，繪制這些圖也不在話下，至於具體怎麼畫，且看下回分解啊！

『柒』 python matplotlib數據作圖

1、使用numpy生成一個長度為100的等差數列作為自變數，命名為x，分別使用三角函數sinx和cosx**2生成2個因變數，命名為y和z。

『捌』 python 繪制三維圖形、三維數據散點圖

1. 繪制3D曲面圖

from matplotlib import pyplot as plt

import numpy as np

from mpl_toolkits.mplot3d import Axes3D

fig=plt.figure()

ax=Axes3D(fig)

x=np.arange(-4,4,0.25)

y=np.arange(-4,4,0.25)

x,y=np.meshgrid(x,y)

r=np.sqrt(x**2, y**2)

z=np.sin（r）

//繪面函數

ax.plot_surface（x,y,z,rstride=1,cstride=1,cmap=「rainbow」

plt.show（）

2.繪制三維的散點圖（表述一些數據點分布）

4a.mat數據地址：http blog.csdn.net/eddy_zhang/article/details/50496164

from matplotlib import pyplot as plt

import scipy.io as sio

from mpl_toolkits.mplot3d import Axes3D

matl=『4a.mat』

data=sio.loadmat（matl）

m=data[『data』]

x,y,z=m[0],m[1],m[2]

//創建一個繪圖工程

ax=plt.subplot（111,project=『3D』）

//將數據點分成三部分畫，在顏色上有區分度

ax.scatter（x[：1000], y[：1000], z[：1000],c=『y』 ）//繪制數據點

ax.scatter（x[1000：4000], y[1000：4000], z[1000：4000],c=『r』 ）//繪制數據點

ax.scatter（x[4000：], y[4000：], z[4000：],c=『g』 ）//繪制數據點

ax.set_zlable（『z』）//坐標軸

ax.set_ylable（『y』）//坐標軸

ax.set_xlable（『x』）

plt.show（）

『玖』 用python對txt數據進行繪圖

• ## 繪制該文件中的數據

• ## 需要引入pylab庫，裡面用到的函數和MATLAB里的非常類似

• def plotData(X, y):

• length = len(y)

• pylab.figure(1)

• pylab.plot(X, y, 'rx')

• pylab.xlabel('Population of City in 10,000s')

• pylab.ylabel('Profit in $10,000s')

• pylab.show()#讓繪制的圖像在屏幕上顯示出來

『拾』 如何利用python對大量數據作圖

可以在matplotlib的文檔中找到各種圖表類型，由於根據特定布局創建Figure和subplot是一件常見的任務，於是便出現一個更為方便的方法： plt.subplots,它可以創建一個新的Figure，且返回一個含有已創建的subplot對象的numpy數組。