python热图以及效果图

㈠ python--seaborn热力图

热力图的一个常见应用场景是绘制相关系数热力图，数据准备一个相关系数矩阵。

调用 heatmap 方法绘制热力图。

设置 vmin 和 vmax 参数可以调整调色板的下限值和上限值。

设置 cmap 参数，可以修改调色板样式。

设置参数 cbar=False 可以隐藏图例。

设置参数 annot=True 可以显示热力图上的具体数值，设置 fmt 参数，可以修改数值显示的样式。

㈡ 如何用python绘制简单条形图

如何用python绘制简单条形图呢？这里离不开matplotlib的使用。
条形图是数据可视化图形中很基础也很常用的一种图，简单解释下：条形图也叫长条图（英语：bar chart），亦称条图（英语：bar graph）、条状图、棒形图、柱状图、条形图表，是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析。长条图亦可横向排列，或用多维方式表达。
那么一个普通的条形图是长什么样子的呢？
当！当！当！就是下图的这个样子：
图先亮出来啦，接下来研究这个图是怎么画的吧，先看一下原数据长什么样子：
实际画图的流程和画折线图很相近，只是用到的画图函数不一样，绘制条形图的函数plt.bar（）：
由于这只是最简单的一个条形图，实际上条形图的函数plt.bar（）还有不少可以探索的参数设置，和对折线图函数plt.plot()的探索差不多，有兴趣的孩子可以自己去进行探索哦。
按照条形长短进行排序展示的条形图
当然也可以有其他的设置，比如说上图中的线条高低参差不齐，这是因为x轴的数据是按照学校名称进行排序的，那么可不可以按照分数的高低进行排序呢？也就是让所有的长方形按照从高到矮或者从矮到高的顺序进行排列？
当然可以啦！这里需要强调的是，条的高低排列等信息都是来源于原数据的，要想让条形的顺序发生改变，需要对画图的来源数据进行更改呢！
把原数据逆序排序后截取前十名数据赋值给data_yuwen，作为新的数据源传入画图函数plt.bar()，画出来的图自然就不一样了。
先看一眼数据长什么样子：
根据这个数据源绘制出的图形如下，由于用来画图的数据进行了降序排序操作，所以生成条形图的条也会进行降序排序展示：
很多时候，我们常见的条形图还有另一种展现形式，那就是横向的条形图，比较火的那种动态条形图绝大多数也都是横向的条形图，那么横向的条形图如何绘制呢？
理解plt.bar()主要参数
其实也不难，只要清楚plt.bar()函数中主要参数的作用就可以了！条形图函数中有五个主要参数，分别是x，height，width，bottom，orientation。其中x控制的是每个条在x轴上位置，height控制的是每个条的长度，width控制的是每个条的宽度，bottom控制的是每个条在y轴方向的起始位置，orientation控制的是条形的方向，是纵向还是横向，默认是纵向的。
通过一个小例子理解下这几个参数的作用：
上边的几行代码输出的图形如下：
对比着代码和实际输出的条形图，各个主要参数的作用是不是一目了然啦？
横向条形图
理解了这几个参数作用后，纵向的条形图转换成横向的条形图就没什么难度了！
需要设置所有条形在x轴的位置都为0，也就全部从最左侧开始画条形;由于是横向条形图，所以实际上条的宽度显示的是数据大小，将width参数设置成原数据中的语文成绩；bottom控制每个条在y轴方向的起始位置，设置bottom=range（10）设置每个条形在y轴的起始位置各不相同避免有条形重叠；height控制的是每个条在y轴方向上的长度，条形图横向设置后，在y轴上的长度失去了衡量数据的意义，所以直接设置一个常数即可；最后设置条形的方向为横向，即orientation=“horizontal”。
温馨提示：数据和标签一定要匹配，即plt.bar()重点的数据要和plt.yticks()中提取出来的标签一一对应，一旦不匹配，整个图展现的结果就是一个错误的结果！
上述代码生成的条形图如下：
感觉上边这种生成横向条形图的方式有点点绕，和人们的习惯认知有点不大一样，难道画一个横向条形图就非得转变自己的习惯认知这么反人类吗？
当然不是的，实际上有更简单的方法绘制一个横向条形图，之所以没有一开始就直接用这种简单的方法，也是为了让大家体会下条形图参数的灵活设置而已，而且如果比较绕的方法都能理解了，简单的方法理解和运用起来就更没有难度了啊！
不卖关子了，我们来认识下和plt.bar()函数类似的plt.barh()函数。
plt.barh()函数是专门绘制水平条形图的函数，主要的参数有：
y 控制y轴显示的标签来源width 控制横向条形的长度，即用来进行对比的数据源height 条形的宽度需要设置的参数主要就是这三个，比用plt.bar()函数绘制水平条形图简单了很多，具体代码如下：
效果图：
和用plt.bar()函数绘制的横向条形图一毛一样对不对？以后有需求绘制横向条形图，尽量用plt.barh()函数吧，毕竟它是专门绘制这种类型图的，简单好用。
然而实际工作中对于条形图的需求不只是这些，比如例子中只是对各个学校语文成绩的展示，有时候需要各个学科的成绩同时展现在一幅条形图中，有时候也需要绘制堆积条形图对各学科的成绩以及总成绩进行展示，这些图又该如何绘制呢？其实只要理解了各个参数的含义，绘制这些图也不在话下，至于具体怎么画，且看下回分解啊！

㈢ 如何用stata或者python实现区域热图数据可视化

Python 的描述符是对“属性”的抽象，一个描述符定义成类属性以后，能够控制这个类的实例上同名实例属性的 get、set、delete 行为，比 __getattr__ 这样的实例级 magic method 有更细的粒度，并且更容易复用。

㈣ python语言，利用递归绘制彩色四阶五边形科赫雪花,并上传代码和科赫雪花效果图

import random

import turtle

def random_color():

rgbl=[255,0,0]

random.shuffle(rgbl)

return tuple(rgbl)

def koch(size,n):

if n==0:

turtle.fd(size)

else:

for angle in [0,60,-120,60]:

cc = random_color()

turtle.pencolor(cc[0], cc[1], cc[2])

turtle.left(angle)

koch(size/3,n-1)

def main():

turtle.colormode(255)

turtle.setup(600,600)

turtle.penup()

turtle.goto(-200,100)

turtle.pendown()

turtle.pensize(2)

level=4 #4阶科赫雪花，阶数

koch(400,level)

turtle.right(120)

koch(400,level)

turtle.right(120)

koch(400,level)

turtle.hideturtle()

turtle.done()

main()

效果如图：

㈤ Python之神奇的绘图库matplotlib

matplotlib是Python最着名的绘图库，它提供了一整套和matlab相似的命令API，十分适合交互式地进行制图。本文将以例子的形式分析matplot中支持的，分析中常用的几种图。其中包括填充图、散点图(scatter plots)、. 条形图(bar plots)、等高线图(contour plots)、 点阵图和3D图，下面来一起看看详细的介绍：

一、填充图

参考代码

简要分析

这里主要是用到了fill_between函数。这个函数很好理解，就是传入x轴的数组和需要填充的两个y轴数组；然后传入填充的范围，用where=来确定填充的区域；最后可以加上填充颜色啦，透明度之类修饰的参数。

相关推荐：《Python教程》

效果图

二、散点图(scatter plots)

参考代码

简要分析

1.首先介绍一下numpy 的normal函数，很明显，这是生成正态分布的函数。这个函数接受三个参数，分别表示正态分布的平均值，标准差，还有就是生成数组的长度。很好记。

2.然后是arctan2函数，这个函数接受两个参数，分别表示y数组和x数组，然后返回对应的arctan(y/x)的值，结果是弧度制。

3.接下来用到了绘制散点图的scatter方法，首先当然是传入x和y数组，接着s参数表示scale，即散点的大小；c参数表示color，我给他传的是根据角度划分的一个数组，对应的就是每一个点的颜色（虽然不知道是怎么对应的，不过好像是一个根据数组内其他元素进行的相对的转换，这里不重要了，反正相同的颜色赋一样的值就好了）；最后是alpha参数，表示点的透明度。scatter函数的高级用法可以参见官方文档scatter函数或者help文档，最后设置下坐标范围就好了。

效果图

三、等高线图(contour plots)

参考代码

简要分析

1.首先要明确等高线图是一个三维立体图，所以我们要建立一个二元函数f，值由两个参数控制，(注意，这两个参数都应该是矩阵)。

2.然后我们需要用numpy的meshgrid函数生成一个三维网格，即，x轴由第一个参数指定，y轴由第二个参数指定。并返回两个增维后的矩阵，今后就用这两个矩阵来生成图像。

3.接着就用到coutourf函数了，所谓contourf，大概就是contour fill的意思吧，只填充，不描边；这个函数主要是接受三个参数，分别是之前生成的x、y矩阵和函数值；接着是一个整数，大概就是表示等高线的密度了，有默认值；然后就是透明度和配色问题了，cmap的配色方案这里不多研究。

4.随后就是contour函数了，很明显，这个函数是用来描线的。用法可以类似的推出来，不解释了，需要注意的是他返回一个对象，这个对象一般要保留下来个供后续的加工细化。

5.最后就是用clabel函数来在等高线图上表示高度了，传入之前的那个contour对象；然后是inline属性，这个表示是否清除数字下面的那条线，为了美观当然是清除了，而且默认的也是1；再就是指定线的宽度了。

效果图

㈥ Python 数据可视化：数据分布统计图和热图

本课将继续介绍 Seaborn 中的统计图。一定要牢记，Seaborn 是对 Matplotlib 的高级封装，它优化了很多古老的做图过程，因此才会看到一个函数解决问题的局面。

在统计学中，研究数据的分布情况，也是一个重要的工作，比如某些数据是否为正态分布——某些机器学习模型很在意数据的分布情况。

在 Matplotlib 中，可以通过绘制直方图将数据的分布情况可视化。在 Seaborn 中，也提供了绘制直方图的函数。

输出结果：

sns.distplot 函数即实现了直方图，还顺带把曲线画出来了——曲线其实代表了 KDE。

除了 sns.distplot 之外，在 Seaborn 中还有另外一个常用的绘制数据分布的函数 sns.kdeplot，它们的使用方法类似。

首先看这样一个示例。

输出结果：

① 的作用是设置所得图示的背景颜色，这样做的目的是让下面的 ② 绘制的图像显示更清晰，如果不设置 ①，在显示的图示中看到的就是白底图像，有的部分看不出来。

② 最终得到的是坐标网格，而且在图中分为三部分，如下图所示。

相对于以往的坐标网格，多出了 B 和 C 两个部分。也就是说，不仅可以在 A 部分绘制某种统计图，在 B 和 C 部分也可以绘制。

继续操作：

输出结果：

语句 ③ 实现了在坐标网格中绘制统计图的效果，jp.plot 方法以两个绘图函数为参数，分别在 A 部分绘制了回归统计图，在 B 和 C 部分绘制了直方图，而且直方图分别表示了对应坐标轴数据的分布，即：

我们把有语句 ② 和 ③ 共同实现的统计图，称为联合统计图。除了用 ② ③ 两句可以绘制这种图之外，还有一个函数也能够“两步并作一步”，具体如下：

输出结果：