十八、Matplotlib绘图（下）
编辑日期: 2024-11-28 文章阅读: 次
十八、Matplotlib绘图（下）
我们拿到一堆数据，首先面临的问题是该选用哪类图，去可视化它们，然后才是如何绘制它们。今天这篇文章，解决该选用哪类图去可视化的问题。 根据使用场景不同，参考前人总结，一般划分为6类图。
1 关联关系
用于可视化两个或多个变量之间的相互关系，当一个变量发生变化时，另一个变量与之如何变化。
例如，边缘直方图：
2 排序
有序图有效地传达了条目的排名顺序。在图表上方添加度量标准的值，用户可以从图表本身获取精确信息。
例如，有序条形图：
3 分布
分布图反映数据分布情况，最常用的频率直方图，柱子高度表示出现的次数。
例如，下图是类型变量的直方图，每种类型可能有几类取值，通过不同颜色可以看出来：
4 组成
饼图是最常用的表达组成整体的每个部分占有率的图
如下所示，饼图表示整体是由4个国家组成，每个国家的COVID-19的死亡人数：
5 变化
变化类相关的图用于显示给定度量随时间变化的方式。
例如，如下带波峰波谷的时序图：
6 偏差
根据指标查看条目的变化情况，并可视化差异的顺序和数量等。
例如，发散型条形图：
7 小demo：带stacked的柱状图
matplotlib 具有很强的图形表达能力，呈现出stacked的特点，matplotlib中只需要设置一个bottom属性。如下例子，设置为men的数据，图表类型依然是bar图。
import matplotlib.pyplot as plt
labels = ['1', '2', '3', '4', '5']
men = [20, 35, 30, 35, 27]
women = [25, 32, 34, 20, 25]
width = 0.35
fig, ax = plt.subplots()
ax.bar(labels, men, width, label='Men')
ax.bar(labels, women, width, bottom=men, label='Women')
ax.legend()
在后面专题绘制更多图形时，我们会更加深入到matplotlib绘图的重要细节中，到那时，我们会有更多的机会了解matplotlib的绘图API，各种属性。
8 seaborn
接下来，我们从以上6类图中，选取几种典型性的图，使用matplotlib绘制出来，基于前人已经绘制的图形基础上，我们再做润色，争取消化它们的同时做出更加美观的可视化图。
提到matplotlib，我们就不得不提seaborn，因为我们知道matplotlib本身已经足够强大，而seaborn又是基于它，开发了一些更加高层的API，让我们绘图更加如虎添翼，没有必要再去重复造轮子，所以能用seaborn的地方，尽量使用它，更少的代码，实现更加强大的可视化图。
Python 20个专题完整目录：
