Python数据分析，办公自动化，数据可视化

数据可视化是为了使得数据更高效的反应数据情况，便于让读者更高效阅读，而不单是自己使用，通过数据可视化突出数据背后的规律，以此突出数据中的重要因素，并且，数据可视化可以将数据变得更加直观。

精美的图表可以方便用户解读数字之间的关系，相比起枯燥的表格来讲，有助于发现容易被忽视的趋势和规律。通过对趋势和规律的分析，可以帮助用户做出正确的判断。

本文使用工具：Python 3.7.0

本文使用的函数：pandas、matplotlib

适用范围：pandas普通作图，matplotlib高级作图

Pandas‍‍

首先介绍pandas作图，日常使用pandas库做一些数据清洗的工作，原来pandas还可以作图，并且做图时，使用一行代码就可以轻松作图，详细的作图方法可以看代码中的注释。

#导入pandas库
import pandas as pd 
#生成一个Series
s=pd.Series([1,3,3,4], index=list('ABCD')) 
#括号内不指定图表类型，则默认生成直线图
s.plot()

​​#条形图 ​​​​s.plot(kind='bar')​​

​​#水平条形图 ​​​​s.plot.barh()​​

​​#饼图 ​​​​s.plot.pie()​​

​​#直方图 ​​​​s.plot.hist()​​

#密度图 
import numpy as np
#生成一列随机数
s=pd.Series(np.random.randn(1000)) 
s.plot.kde() 
s.plot.density()

#散点图 
import numpy as np
#生成一个DataFrame
df=pd.DataFrame(np.random.randn(1000,2),columns=['X1','Y']) 
df.plot.scatter(x='X1',y='Y')

​​#六角箱图 ​​​​df.plot.hexbin(x='X1',y='Y',gridsize=8)​​

​​#箱型图 ​​​​df=pd.DataFrame(np.random.rand(10,2),columns=['A','B']) ​​​​df.plot.box()​​

​​#面积图 ​​​​df=pd.DataFrame(np.random.randint(10,size=(4,4)), ​​​​list('ABCD'), ​​​​list('WXYZ')) ​​​​df.plot.area()​​

Matplotlib

下面介绍matplotlib的用法，使用matplotlib除了可以作图外，还可以对于图表的参数做一些调整，使得图表更加美观，关于使用matplotlib的建议，可以做一些常用的图表模板，更换代码的数据源就可以生成图表，而不用一点一点的去调整参数。

#导入模块 
import matplotlib.pyplot as plt 
#设置风格 
plt.style.use('seaborn-white')


#中文显示问题，如果没有这段代码，图表不显示中文汉字  
plt.rcParams['font.sans-serif'] =['SimHei'] #win

这里首先导入matplotlib库，并使用了seaborn-white的图表风格，可以使用plt.style.available 查看图表的风格，选择一个自己喜欢的图表风格，在图表中不能显示汉字，使用一段代码就可以显示了。

#构建一个DataFrame
import pandas as pd 
import matplotlib.pyplot as plt 
df=pd.DataFrame({'X':[1,3,5,7]}) 
df['Y']=df['X']**3 
df

#设置图像的大小
plt.figure(facecolor='white',figsize=(9,6),dpi=100) 
plt.plot(df['X'],df['Y']) 


#设置图像的标题
plt.title('折线图',fontsize=15,color='b')


#设置图像的X、Y轴标题大小，颜色，与坐标轴的距离 
plt.xlabel('X轴',fontsize=10,color='r',labelpad=15) 
plt.ylabel('Y轴',fontsize=10,color='g',rotation=0,labelpad=15) 


#设置起始坐标点
plt.xlim([1,8]) 
plt.ylim([1,350])
#plt.xticks([1,2,3,4])只显示1,2,3,4 
#plt.yticks([50,150,250,300])只显示50,150,250,300 


#图像的网格线进行设置
plt.grid(color='r', linestyle='-.')

这里首先设置图像的大小，跟我们画画一样，选择多大的纸张去作图，一样的道理，然后设置坐标轴，起始坐标，网格线等。

有时候，要在一张图表上绘制多条线。

​​#多个图的绘图方法 ​​​​import numpy as​​​​import matplotlib.pyplot as​​​​x=np.array([1,3,5]) ​​​​y1=x ​​​​y2=x * 10​​​​y3=x * 20​​​​y4=x * 30​​

可以在一个plt.plot命令后继续加另一个plt.plot命令，可以在一张图上做另一条线。

plt.figure(facecolor='white') 
plt.plot(x,y1,label='A') 
plt.plot(x,y2,label='B') 
plt.plot(x,y3,label='C') 
plt.plot(x,y4,label='D') 


plt.legend()#显示图例

使用plt.subplots命令也可以作出同样的图。

#使用面向对象绘图 
fig,ax=plt.subplots(facecolor='white') 
plt.plot(x,y1,label='A') 
plt.plot(x,y2,label='B') 
plt.plot(x,y3,label='C') 
plt.plot(x,y4,label='D') 


plt.legend()#显示图例

多表绘制

下面介绍在一张图表的不同位置绘制不同的线型，使用plt.subplot命令首先确定绘图的位置，比如plt.subplot(223)表示在2*2分布的图表中第三个位置，其余的绘图命令相似。

plt.figure(facecolor='white',figsize=(9,6)) 


plt.subplot(221) 
plt.plot(x,y1,label='A',color='r') 
plt.xticks(fontsize=15) 
plt.legend()#显示图例 


plt.subplot(222) 
plt.plot(x,y2,label='B',color='y') 
plt.xticks(fontsize=15) 
plt.legend()#显示图例 


plt.subplot(223) 
plt.plot(x,y3,label='C',color='b') 
plt.xticks(fontsize=15) 
plt.legend()#显示图例 


plt.subplot(224) 
plt.plot(x,y4,label='D',color='g') 
plt.xticks(fontsize=15) 
plt.legend()#显示图例 


plt.tight_layout()#密集显示

除了使用plt.subplot命令确定绘图区域外，还可以用axs[ ]命令绘图，这种绘图方式是面向对象的绘图方式。

#面向对象绘制多图 
fig,axs=plt.subplots(2,2,facecolor='white',figsize=(9,6))


axs[0,0].plot(x,y1,label='A',color='r') 
axs[0,1].plot(x,y2,label='B',color='y') 
axs[1,0].plot(x,y3,label='C',color='b') 
axs[1,1].plot(x,y4,label='D',color='g')

有时候绘制多张表时需共享一个坐标轴，可以使用sharex='all'命令。

#sharex='all'共享X轴 
fig,axs=plt.subplots(4,1,facecolor='white', figsize=(9,6), sharex='all') 


axs[0].plot(x,y1,label='A',color='r') 
axs[1].plot(x,y2,label='B',color='y') 
axs[2].plot(x,y3,label='C',color='b') 
axs[3].plot(x,y4,label='D',color='g')

设置全局变量

使用plt.rcParams命令对全局变量设置，包括字符显示、中文显示、背景颜色、标题大小、坐标轴字体大小，线型等。

#导入模块 
import matplotlib.pyplot as plt 
#设置风格 
plt.style.use('seaborn-white')


#设置全局变量 
plt.rcParams['axes.unicode_minus'] = False #字符显示
plt.rcParams['font.sans-serif'] =['SimHei'] #中文显示 
plt.rcParams['figure.facecolor'] = 'b' #设置图表背景颜色
plt.rcParams['axes.facecolor'] = (0.8,0.9,0.8) #设置RGB颜色 
plt.rcParams['axes.titlesize'] = 20 #设置标题大小 
plt.rcParams['axes.labelsize'] = 20 #设置轴大小 
plt.rcParams['xtick.labelsize'] = 20 #设置X坐标大小 
plt.rcParams['ytick.labelsize'] = 20 #设置Y坐标大小 
plt.rcParams['lines.linestyle'] = '-.' #设置线型

​​plt.plot(x,y1,label='A') ​​​​plt.plot(x,y2,label='B') ​​​​plt.plot(x,y3,label='C') ​​​​plt.plot(x,y4,label='D') ​​​
​​​plt.title('折线图') ​​​​plt.xlabel('X轴') ​​​​plt.ylabel('Y轴') ​​​​plt.legend()#显示图例​​

下图就是通过设置全局变量做的图，个人觉得并不美观，对于其他图表全局变量的设置，大家可以探索，做出更好看的图表。

​​