python餅形圖編程

❶ 如何用python繪制各種圖形

1.環境

系統：windows10

python版本：python3.6.1

使用的庫：matplotlib，numpy

2.numpy庫產生隨機數幾種方法

import numpy as np
numpy.random

rand(d0,d1,...,dn)

In [2]: x=np.random.rand(2,5)

In [3]: x
Out[3]:
array([[ 0.84286554, 0.50007593, 0.66500549, 0.97387807, 0.03993009],
[ 0.46391661, 0.50717355, 0.21527461, 0.92692517, 0.2567891 ]])

randn(d0,d1,...,dn)查詢結果為標准正態分布

In [4]: x=np.random.randn(2,5)

In [5]: x
Out[5]:
array([[-0.77195196, 0.26651203, -0.35045793, -0.0210377 , 0.89749635],
[-0.20229338, 1.44852833, -0.10858996, -1.65034606, -0.39793635]])

randint(low,high,size)

生成low到high之間（半開區間 [low, high)），size個數據

In [6]: x=np.random.randint(1,8,4)

In [7]: x
Out[7]: array([4, 4, 2, 7])

random_integers(low,high,size)

生成low到high之間（閉區間 [low, high)），size個數據

In [10]: x=np.random.random_integers(2,10,5)

In [11]: x
Out[11]: array([7, 4, 5, 4, 2])

3.散點圖

x x軸
y y軸
s 圓點面積
c 顏色
marker 圓點形狀
alpha 圓點透明度#其他圖也類似這種配置
N=50# height=np.random.randint(150,180,20)# weight=np.random.randint(80,150,20)
x=np.random.randn(N)
y=np.random.randn(N)
plt.scatter(x,y,s=50,c='r',marker='o',alpha=0.5)
plt.show()

8.箱型圖

import matplotlib.pyplot as pltimport numpy as npdata=np.random.normal(loc=0,scale=1,size=1000)#sym 點的形狀，whis虛線的長度plt.boxplot(data,sym="o",whis=1.5)plt.show()
#sym 點的形狀，whis虛線的長度

❷ python怎麼畫餅形圖

matplotlib包的pie函數可以繪制餅形圖

importmatplotlib.pyplotasplt

x=[0.2,0.3,0.5]
labels=['China','Japan','America']
plt.pie(x,labels=labels,labeldistance=0.5)

❸ Python的matplotlib怎麼在一張畫布上，畫兩個餅狀圖啊

%matplotlibinline
importmatplotlib.pyplotasplt

#121>1行2列第1個
fig1=plt.subplot(121)
plt.pie([1,2,3])
#122>1行2列第2個
fig2=plt.subplot(122)
plt.pie([10,5,5])

#亦可以plt.subplot(221)2行2列第1個

❹ Python 數據可視化：繪制箱線圖、餅圖和直方圖

上一課介紹了柱形圖和條形圖，本課將介紹另外幾種統計圖表。

Box Plot 有多種翻譯，盒須圖、盒式圖、盒狀圖或箱線圖、箱形圖等，不管什麼名稱，它的基本結構是這樣的：

這種圖是由美國著名統計學家約翰·圖基（John Tukey）於 1977 年發明的，它能顯示出一組數據的上限、下限、中位數及上下四分位數。

為了更深入理解箱線圖的含義，假設有這樣一組數據：[1, 3, 5, 8, 10,11, 16, 98 ]，共有 8 個數字。

首先要計算箱線圖中的「四分位數」，注意不是 4 個數：

對於已經排序的數據 [1, 3, 5, 8, 10,11, 16, 98 ]，下四分位數（Q1）的位置是數列中從小到大第 2.25 個數，當然是不存在這個數字的——如果是第 2 個或者第 3 個，則存在。但是，可以用下面的原則，計算出此位置的數值。

四分位數等於與該位置兩側的兩個整數的加權平均數，此權重取決於相對兩側整數的距離遠近，距離越近，權重越大，距離越遠，權重越小，權數之和等於 1。

根據這個原則，可以分別計算本例中數列的 3 個四分位數。

在此計算基礎上，還可以進一步計算四分位間距和上限、下限的數值。

先看一個簡單示例，了解基本的流程。

輸出結果：

這里繪制了兩張箱線圖，一張沒有顯示平均值，另外一張顯示了平均值，所使用的方法就是 boxplot，其完整參數列表為：

參數很多，不要擔心記憶問題，更別擔心理解問題。首先很多參數都是可以「望文生義」的，再有，與以前所使用的其他方法（函數）的參數含義也大同小異。

輸出結果：

所謂的「凹槽」，不是簡單形狀的改變，左右折線的上限區間表示了數據分布的置信區間，橫線依然是上限和下限。

❺ 數據蛙-Python進階

這是漫長的一周，本周完成了Python的進階模塊，主要是pandas、numpy、matplotlib、seaborn、pyecharts這些模塊的學習以及一個實際的案例：商品銷售情況分析，之前一直覺得課程難度不夠，但到這一周難度就大大提高了。尤其是案例練習中的RFM模型和用戶生命周期建立，看懂不難但是自差首己寫一直出錯，在不斷出錯不斷嘗試中知識得到了積累，另外可視化部分沒有什麼練習題，希望後面可以加上一些這方面的練習，接下來分模塊來總結一下學習的內容。

重新設置索引：df.set_index()

Series格式轉換為DataFrame：df.to_frame()

文件讀取：pd.read_csv(filepath, header = 0,skiprows=[1,2]) 

使用位禪慶源置做索引：df.loc[0]        使用列表做索引：df.loc[[0,1,2]]

使用切片做索引：df.loc[0:4]        使用bool類型索引：df[df['年齡']>30]

loc 是基於索引值的，切片是左閉右閉的

iloc 是基於位置的，切片是左閉右開的

修改列索引：df.rename(columns={'姓名':'name', '年齡':'age'},inplace=True)

替換一個值：df.replace({'name':{'小明':'xiaoming'}},inplace=True)

對數據進行排序：df.sort_values('age')

累加求和：df.cumsum(0)

刪除列：del df['player']         刪除行：df.drop(labels=0) labels 是行列的名字

數據拼接：pd.concat([left,right],axis=1)

# 指定列進行關聯，默認是 inner join     result = pd.merge(left,right,on='key')

#多個關聯條件：result = pd.merge(left, right, on=['key1', 'key2'])

#左連接：result = pd.merge(left, right, how='left', on=['key1', 'key2'])

# 列名不一樣的關聯：pd.merge(left,right,left_on = ['key1','key2'],right_on = ['key3','key4'])

#單個分組：groups = df.groupby('district')

# 作用多個聚合函數：groups.agg([np.mean,np.sum,np.std])

# 針對具體列聚合 groups.age.agg([np.mean,np.sum,np.std])

# 不同列不同聚合函數 groups.agg({"age":np.mean,"novip_buy_times":np.sum})

分組後該列值求和顯示：groups['vip_buy_times'].transform('sum')

通常用於求佔比：transform(lambda x: x /sum(x))

# 填充指定值：np.full([3,4],1)

# 起始為10，5為步長，30為結賀態尾取不到：np.arange(10, 30, 5)

#隨機矩陣：np.random.random((2,3))

# 平均劃分：np.linspace( 0, 2*pi, 100 )

# 類型及轉換：vector.astype('float')

# 多維變一維：matrix.ravel()

# 矩陣的擴展：a = np.arange(0, 40, 10)    b = np.tile(a, (3, 5))    # 行變成3倍，列變成5倍

# 水平拼接：np.hstack((a,b))  豎直拼接：np.vstack((a,b))

# 豎直分割：np.hsplit(a,3)    #水平分割：np.vsplit(a,3)

8. Select the data in rows [3, 4, 8] and in columns ['animal', 'age'].

A：df.loc[df.index[[3,4,8]],['animal','age']]

行採用位置，列採用普通索引，這里利用index函數將位置變化為具體的普通索引，再利用loc函數

19. The 'priority' column contains the values 'yes' and 'no'. Replace this column with a column of boolean values: 'yes' should be True and 'no' should be False

A1：df['priority'].replace(['yes','no'],[True,False],inplace=True) 用replace函數替換

A2：df['priority'] = df['priority'].map({'yes': True, 'no': False}) 用map函數替換

最大最小值的索引：df.idxmax、df.idxmin

找出最大最小的前N個數：nlargest()和nsmallest() 

將原表分組 並設置分段區間 pd.cut(df['A'], np.arange(0, 101, 10))

resample函數 日期重采樣：s.resample('M').mean()

TimeGrouper 重組：s.groupby(pd.TimeGrouper('4M')).idxmax()

split 分割函數：temp = df['From_To'].str.split('_', expand=True) True為DataFrame

兩個DataFrame拼接用join：df = df.join(temp)

import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei'] #用來正常顯示中文標簽

plt.rcParams['axes.unicode_minus']=False #用來正常顯示負號

%matplotlib inline 直接顯示

折線圖：plt.plot(x,y,color = 'r')

柱狀圖：plt.bar(x,y)  plt.barh(x,y) 多個bar x設置不同 堆積圖 bottom設置不同

散點圖：plt.scatter(x, y, c=colors, alpha=0.5, s = area)

直方圖：plt.hist(a,bins= 20) bin代表分隔的最小單位

plt.legend() 顯示圖例

for a,b in zip(X+W[i],data[i]):

    plt.text(a,b,"%.0f"% b,ha="center",va= "bottom") 添加數據標簽

plt.annotate('注釋文本',xy=(1, np.sin(1)),xytext=(2, 0.5), fontsize=16,arrowprops=dict(arrowstyle="->")) 添加註釋文本

plt.xlabel("Group") x軸標題

plt.ylabel("Num") y軸標題

fig, axes = plt.subplots(nrows=2, ncols=2,facecolor='darkslategray')  繪制多個圖形

axes[0,0] axes[0,1] axes[1,0] axes[1,1]

pylab.rcParams['figure.figsize'] = (10, 6) # 調整圖片大小

動態展示圖表

from pyecharts.charts import Bar

from pyecharts import options as opts

** pyecharts 繪圖的五個步驟：**

創建圖形對象：bar = Bar()

添加繪圖數據：bar.add_xaxis(["襯衫", "毛衣", "領帶", "褲子", "風衣", "高跟鞋", "襪子"])

                         bar.add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

                         bar.add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

配置系列參數：對標簽、線型等的一些設置

配置全局參數：bar.set_global_opts(title_opts=opts.TitleOpts(title="銷售情況"))

渲染圖片：生成本地 HTML 文件 bar.render("mycharts.html")  bar.render()

notebook 渲染：bar.render_notebook()

bar = (Bar()

    .add_xaxis(["襯衫", "毛衣", "領帶", "褲子", "風衣", "高跟鞋", "襪子"])

    .add_yaxis("商家A", [114, 55, 27, 101, 125, 27, 105])

    .add_yaxis("商家B", [57, 134, 137, 129, 145, 60, 49])

    .set_global_opts(title_opts=opts.TitleOpts(title="某商場銷售情況"))

)

bar.render_notebook()

柱狀圖：Bar()

條形圖：bar.reversal_axis() #翻轉XY軸，將柱狀圖轉換為條形圖

折線圖：from pyecharts.charts import Line  line=Line()

餅圖：from pyecharts.charts import Page, Pie    Pie() 

轉換日期類型：df['order_dt']=pd. to_datetime (df.order_dt,format="%Y%m%d")

將日期轉換為月為單位：df['month']=df.order_dt.values. astype('datetime64[M]') 所有日期顯示為當月第一天

去除日期單元值：order_diff/ np.timedelta64(1,'D')

過濾部分極值：grouped_user.sum() .query('order_procts<100') .order_amount

數據透視表：rfm=df.pivot_table( index ='user_id', values =['order_procts','order_amount'], aggfunc ={'order_amount':'sum','order_procts':'sum'})

map() 方法是pandas.series.map()方法, 對DF中的元素級別的操作, 可以對df的某列或某多列

applymap(func) 也是DF的屬性, 對整個DF所有元素應用func操作

purchase_r=pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)

apply(func) 是DF的屬性, 對DF中的行數據或列數據應用func操作,也可用於Series

apply(lambda x:x.cumsum()/x.sum())    累計佔比

apply(lambda x:x/x.sum(),axis=0)     每一列中每行數據佔比

下周開始進入數據分析思維的課程，很期待後面的課程以及項目，加油！