首页 > 编程语言 >从静态到动态化，Python数据可视化中的Matplotlib和Seaborn

从静态到动态化，Python数据可视化中的Matplotlib和Seaborn

时间：2024-03-25 10:23:26浏览次数：33  
标签：plt Seaborn Matplotlib 可视化 动态化 import 交互性

本文分享自华为云社区《Python数据可视化大揭秘：Matplotlib和Seaborn高效应用指南》，作者： 柠檬味拥抱。

安装Matplotlib和Seaborn

首先，确保你已经安装了Matplotlib和Seaborn库。如果没有安装，可以使用以下命令进行安装：

pip install matplotlib seaborn

Matplotlib基础

Matplotlib是一个灵活的绘图库，支持多种图表类型。以下是一个简单的折线图的代码示例：

import matplotlib.pyplot as plt

# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制折线图
plt.plot(x, y, label='Line Chart')

# 添加标题和标签
plt.title('Simple Line Chart')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 显示图例
plt.legend()

# 显示图表
plt.show()

上述代码首先导入Matplotlib库，然后创建了一组简单的数据并使用plt.plot绘制了折线图。接着，添加了标题和坐标轴标签，并通过plt.legend显示图例。最后，通过plt.show显示图表。

Seaborn的美化

Seaborn是基于Matplotlib的统计数据可视化库，它提供了更简单的接口和更美观的默认样式。以下是一个使用Seaborn创建直方图的代码示例：

import seaborn as sns
import matplotlib.pyplot as plt

# 创建数据
data = [1, 2, 2, 3, 3, 3, 4, 4, 5]

# 使用Seaborn创建直方图
sns.histplot(data, bins=5, kde=True, color='skyblue')

# 添加标题和标签
plt.title('Histogram with Seaborn')
plt.xlabel('Values')
plt.ylabel('Frequency')

# 显示图表
plt.show()

在这个例子中，使用seaborn.histplot创建了直方图，并通过参数设置调整了一些样式，如bins指定柱子的数量，kde添加核密度估计。此外，Matplotlib的基础功能仍然可以与Seaborn一起使用。

定制化和进阶功能

Matplotlib的子图和定制化

Matplotlib允许你在同一图表上绘制多个子图，通过plt.subplot实现。以下是一个使用子图的例子：

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建子图
plt.subplot(2, 1, 1)  # 两行一列，当前选中第一个子图
plt.plot(x, y1, label='Sin')
plt.title('Sin Function')
plt.legend()

plt.subplot(2, 1, 2)  # 两行一列，当前选中第二个子图
plt.plot(x, y2, label='Cos')
plt.title('Cos Function')
plt.legend()

plt.tight_layout()  # 调整子图布局，防止重叠
plt.show()

在这个例子中，使用plt.subplot创建了两个子图，分别绘制了正弦和余弦函数。

Matplotlib还提供了大量的定制化选项，包括颜色、线型、标记等。例如：

plt.plot(x, y, color='red', linestyle='--', marker='o', label='Data Points')

这将绘制一条红色虚线，带有圆形标记的线条。

Seaborn的高级绘图功能

Seaborn提供了一些高级绘图功能，如Pair Plots、Heatmaps等，可以更全面地了解数据之间的关系。

import seaborn as sns
import matplotlib.pyplot as plt

# 使用Seaborn创建Pair Plot
iris = sns.load_dataset('iris')
sns.pairplot(iris, hue='species', markers=['o', 's', 'D'])

plt.show()

这个例子中，使用Seaborn的pairplot创建了一个Pair Plot，展示了Iris数据集中不同物种之间的关系。

保存图表

无论是Matplotlib还是Seaborn，都支持将图表保存为图像文件。例如，使用plt.savefig保存Matplotlib图表：

plt.savefig('my_plot.png')

性能优化

对于大型数据集，性能可能成为一个问题。Matplotlib和Seaborn都提供了一些优化选项，如使用plt.plot的marker参数控制标记的显示，以提高渲染性能。

plt.plot(x, y, marker='.', markersize=1)

数据可视化的交互性

在实际应用中，交互性是数据可视化中的重要部分，能够增强用户体验并提供更深层次的数据探索。使用Matplotlib和Seaborn，你可以通过其他库或工具来实现交互性，如Plotly、Bokeh等。

使用Plotly创建交互性图表

Plotly是一个强大的交互性绘图库，可以与Matplotlib和Seaborn无缝集成。以下是一个简单的例子：

import plotly.express as px

# 创建数据
df = px.data.iris()

# 使用Plotly创建交互性散点图
fig = px.scatter(df, x='sepal_width', y='sepal_length', color='species', size='petal_length', hover_data=['petal_width'])

# 显示图表
fig.show()

这个例子中，使用Plotly的scatter函数创建了一个交互性的散点图，通过hover_data参数添加了悬停信息。

Bokeh的交互性绘图

Bokeh是另一个强大的交互性绘图库，支持大规模数据集的交互式可视化。以下是一个简单的Bokeh例子：

from bokeh.plotting import figure, show
from bokeh.models import ColumnDataSource

# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 创建Bokeh图表
source = ColumnDataSource(data=dict(x=x, y=y))
p = figure(title='Interactive Line Chart', x_axis_label='X-axis', y_axis_label='Y-axis')

# 添加线条
p.line('x', 'y', source=source, line_width=2)

# 显示图表
show(p)

这个例子中，使用Bokeh的figure和line函数创建了一个交互性的折线图。

结合使用Matplotlib/Seaborn和交互性库

你还可以结合使用Matplotlib或Seaborn与交互性库，以在静态图表中添加交互性元素，提供更丰富的用户体验。

import matplotlib.pyplot as plt
from mplcursors import cursor

# 创建数据
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

# 绘制散点图
plt.scatter(x, y, label='Data Points')

# 添加标题和标签
plt.title('Interactive Scatter Plot')
plt.xlabel('X-axis')
plt.ylabel('Y-axis')

# 使用mplcursors添加悬停信息
cursor(hover=True)

# 显示图例
plt.legend()

# 显示图表
plt.show()

在这个例子中，使用了mplcursors库来添加悬停信息，通过悬停鼠标可以查看数据点的具体数值。

高级主题：时间序列可视化和面向对象的绘图

时间序列可视化

在许多数据分析任务中，我们需要处理时间序列数据。Matplotlib和Seaborn提供了强大的工具来可视化时间序列。

import pandas as pd
import matplotlib.pyplot as plt

# 创建时间序列数据
date_rng = pd.date_range(start='2024-01-01', end='2024-01-10', freq='D')
data = {'value': [1, 3, 7, 2, 5, 8, 4, 6, 9, 10]}
df = pd.DataFrame(data, index=date_rng)

# 绘制时间序列折线图
plt.plot(df.index, df['value'], marker='o', linestyle='-', color='b')

# 添加标题和标签
plt.title('Time Series Plot')
plt.xlabel('Date')
plt.ylabel('Value')

# 日期标签自动格式化
plt.gcf().autofmt_xdate()

# 显示图表
plt.show()

在这个例子中，我们使用了Pandas创建了一个简单的时间序列数据，并使用Matplotlib绘制了折线图。通过autofmt_xdate可以自动调整日期标签的格式，确保它们在图上显示得更加美观。

面向对象的绘图

Matplotlib支持两种不同的绘图接口：MATLAB风格的plt接口和面向对象的接口。面向对象的接口更为灵活，能够实现更高级的定制化。

import numpy as np
import matplotlib.pyplot as plt

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建Figure和Axes对象
fig, ax = plt.subplots()

# 在Axes对象上绘制折线图
line1, = ax.plot(x, y1, label='Sin')
line2, = ax.plot(x, y2, label='Cos')

# 添加标题和标签
ax.set_title('Sine and Cosine Functions')
ax.set_xlabel('X-axis')
ax.set_ylabel('Y-axis')

# 显示图例
ax.legend()

# 显示图表
plt.show()

在这个例子中，我们使用了面向对象的绘图方式，通过subplots创建了Figure和Axes对象，然后在Axes对象上绘制了两条折线。这种方式可以更灵活地控制图表的各个元素。

性能和效率优化

对于大规模的数据集或复杂的图表，性能和效率成为关键问题。以下是一些优化技巧：

  • 使用NumPy和Pandas优化数据处理： 尽可能使用向量化操作，以提高数据处理效率。

  • 使用plt.tight_layout()： 该函数能够自动调整子图的布局，避免重叠。

  • 避免绘制过多数据点： 对于大型数据集，可以通过降采样等方法减少数据点的数量。

  • 异步渲染： 在一些情况下，使用异步渲染可以提高交互性图表的响应速度。

交互性和动态可视化

在一些场景中，静态图表无法完全满足需求，需要使用交互性和动态可视化来更好地与数据进行互动。

使用Bokeh创建动态可视化

Bokeh是一个强大的交互式可视化库，支持创建动态可视化。以下是一个简单的Bokeh动态图表的例子：

from bokeh.plotting import figure, curdoc
from bokeh.models import ColumnDataSource
from bokeh.driving import count

# 创建数据源
source = ColumnDataSource(data={'x': [], 'y': []})

# 创建Bokeh图表
p = figure(title='Dynamic Plot', width=800, height=400)
p.circle(x='x', y='y', size=10, color='navy', alpha=0.5, source=source)

# 定义动态更新函数
@count()
def update(i):
    new_data = {'x': [i], 'y': [i % 10]}  # 更新数据
    source.stream(new_data, rollover=20)  # 更新数据源

# 添加定时器，每100毫秒触发一次更新
curdoc().add_periodic_callback(update, 100)

# 显示图表
curdoc().title = 'Dynamic Plot'
curdoc().add_root(p)

在这个例子中，使用Bokeh创建了一个动态散点图，通过ColumnDataSource更新数据。使用add_periodic_callback函数定时触发数据更新，实现了动态可视化。

使用Plotly创建交互性动画

Plotly也提供了创建交互性动画的功能，以下是一个简单的例子：

import plotly.express as px
import pandas as pd

# 创建数据
df = pd.DataFrame({'x': range(10), 'y': [i % 10 for i in range(10)]})

# 创建动画散点图
fig = px.scatter(df, x='x', y='y', animation_frame=df.index, size_max=50, range_x=[0, 10], range_y=[0, 10])

# 显示图表
fig.show()

在这个例子中，使用Plotly的scatter函数创建了一个动画散点图，通过animation_frame参数指定了动画的帧。

输出和分享可视化

一旦创建了令人满意的可视化，你可能希望将其分享给他人。Matplotlib、Seaborn、Bokeh和Plotly都提供了保存图表的功能，可以将图表保存为图片或HTML文件。

# 保存Matplotlib图表
plt.savefig('my_plot.png')

# 保存Bokeh图表
from bokeh.io import output_file, save
output_file('my_bokeh_plot.html')
save(p)

# 保存Plotly图表
fig.write_html('my_plotly_plot.html')

这些方法使得你可以方便地将可视化结果分享给他人，或者嵌入到网页中。

实际应用示例：舆情分析的交互性可视化

让我们通过一个实际的应用场景，结合Matplotlib、Seaborn、Bokeh和Plotly，来展示如何创建一个交互性的舆情分析可视化。

假设我们有一份包含日期、情感分数和新闻数量的数据集，我们希望通过可视化展示每天的舆情走势，并提供交互性操作。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from bokeh.plotting import figure, show
import plotly.express as px

# 创建示例数据集
data = {'Date': pd.date_range(start='2024-01-01', end='2024-01-10'),
        'Sentiment': [0.2, -0.1, 0.5, -0.3, 0.6, -0.2, 0.1, 0.4, -0.5, 0.3],
        'News_Count': [10, 8, 12, 6, 15, 9, 11, 14, 7, 13]}

df = pd.DataFrame(data)

# Matplotlib折线图
plt.figure(figsize=(10, 5))
plt.plot(df['Date'], df['Sentiment'], label='Sentiment Score', marker='o')
plt.plot(df['Date'], df['News_Count'], label='News Count', marker='o')
plt.title('Sentiment Analysis Over Time')
plt.xlabel('Date')
plt.ylabel('Score/Count')
plt.legend()
plt.show()

# Seaborn折线图
plt.figure(figsize=(10, 5))
sns.lineplot(x='Date', y='Sentiment', data=df, label='Sentiment Score', marker='o')
sns.lineplot(x='Date', y='News_Count', data=df, label='News Count', marker='o')
plt.title('Sentiment Analysis Over Time (Seaborn)')
plt.xlabel('Date')
plt.ylabel('Score/Count')
plt.legend()
plt.show()

# Bokeh交互性折线图
p = figure(title='Sentiment Analysis Over Time', x_axis_label='Date', y_axis_label='Score/Count', width=800, height=400)
p.line(df['Date'], df['Sentiment'], legend_label='Sentiment Score', line_width=2, line_color='blue')
p.circle(df['Date'], df['Sentiment'], size=8, color='blue')
p.line(df['Date'], df['News_Count'], legend_label='News Count', line_width=2, line_color='green')
p.square(df['Date'], df['News_Count'], size=8, color='green')
p.legend.location = 'top_left'
show(p)

# Plotly交互性折线图
fig = px.line(df, x='Date', y=['Sentiment', 'News_Count'], labels={'value': 'Score/Count'},
              title='Sentiment Analysis Over Time (Plotly)', markers=True)
fig.show()

在这个示例中，我们使用了Matplotlib、Seaborn、Bokeh和Plotly创建了相同的舆情分析可视化，其中Bokeh和Plotly提供了交互性操作，可以缩放、平移、悬停查看数值等。

这种综合运用不同库的方式，可以根据具体需求选择最适合的工具，为数据科学和分析提供更全面、多样化的可视化支持。

总结

本文详细介绍了如何使用Python中的Matplotlib、Seaborn、Bokeh和Plotly等库进行数据可视化，并深入探讨了一系列主题，涵盖了从基础的静态图表到高级的交互性和动态可视化的方方面面。以下是本文的主要总结：

  1. Matplotlib和Seaborn基础： 学习了使用Matplotlib和Seaborn创建各种静态图表的基本方法，包括折线图、直方图和散点图。

  2. 高级主题： 涵盖了时间序列可视化、面向对象的绘图和性能优化等高级主题，使读者能够更好地应对不同场景下的数据可视化任务。

  3. 交互性和动态可视化： 介绍了Bokeh和Plotly这两个强大的交互性可视化库，展示了如何创建动态可视化和交互性图表，以更灵活地与数据进行互动。

  4. 实际应用示例： 通过一个舆情分析的实际应用场景，演示了如何结合多个库创建一个综合、交互性的可视化，为读者提供了在实际工作中应用所学知识的示范。

  5. 输出和分享可视化： 介绍了如何保存可视化结果为图片或HTML文件，以便分享或嵌入到网页中，帮助读者将成果展示给他人。

通过这篇综合性的指南，读者可以全面了解数据可视化的基础知识，并学会如何应用不同的库和技术，使得数据科学和分析工作更具深度和广度。希望本文能够激发读者对数据可视化的兴趣，并为他们在实际项目中提供有力的工具和方法。

点击关注，第一时间了解华为云新鲜技术~

 

标签：plt,Seaborn,Matplotlib,可视化,动态化,import,交互性
From： https://www.cnblogs.com/huaweiyun/p/18093822

相关文章

  • ModuleNotFoundError: No module named ‘matplotlib‘ 一系列解决办法
    编译器：pycharm，在导入matplotlib包时出现ModuleNotFoundError:Nomodulenamed‘matplotlib‘的报错问题一：如何下载matplotlib包打开PyCharm，点击File->Settings，点击弹出界面的“+”号：输入：matplotlib ，点下面的安装，等待一段时间，安装失败，并提示在终端进行操作 进入终......
  • 080_Matplotlib-Python的2D绘图库
    目录什么是Matplotlib为什么要学习Matplotlib实现一个简单的Matplotlib画图创建画布-》绘制图像-》显示图像Matplotlib三层结构容器层辅助显示层图像层折线图与基础绘图功能折线图的应用场景常见图形绘制常见图形种类及意义折线图-变化散点图-分布规律柱状图-统计/对比直方图-统计......
  • Python实践：基于Matplotlib实现某产品全年销量数据可视化
    本文分享自华为云社区《画图实战-Python实现某产品全年销量数据多种样式可视化》，作者：虫无涯。学习心得有时候我们需要对某些数据进行分析，得到一些可视化效果图，而这些效果图可以直观展示给我们数据的变化趋势；比如某产品的月销量数据、销售额的地区分布、销售增长和季节的变......
  • 爬取汽车之家：基于selenium和request自动获取汽车信息并保存到CSV文件matplotlib和seab
    在网络时代，信息获取变得越来越重要，而Python作为一门强大的编程语言，其爬虫技术可以帮助我们自动获取互联网上的各种信息。今天，我们将学习如何使用Python编写爬虫程序，自动获取汽车信息，并将这些信息保存到CSV文件中。1.引入必要的库首先，我们需要引入一些必要的库，包括csv用于......
  • Python Seaborn库中的figure与grid
    在使用Seaborn（通常与Matplotlib库一起使用）进行绘图时，plt.figure()和plt.grid()的先后顺序确实会影响最终的出图效果。这里的plt通常是指Matplotlib的pyplot模块，它是Matplotlib的绘图框架，而Seaborn是建立在Matplotlib之上的高级绘图库，用于更复杂的数据可视化。plt......
  • Matplotlib中的子图：规划绘图的指南和工具
    导读我最近从事一个项目，需要在matplotlib中进行一些微调的子图和叠加。虽然我对制作基本的可视化感到很舒服，但我很快发现我对子图系统的理解没有达到标准。于是回到基础知识，并花了一些时间阅读文档并在StackOverflow上搜索相关示例和解释。当我开始了解mateplotlib的......
  • pycharm中使用pyplot时报错MatplotlibDeprecationWarning
    在pycharm中使用Matplotlib中的pyplot时，运行代码报错：MatplotlibDeprecationWarning:SupportforFigureCanvaseswithoutarequired_interactive_frameworkattributewasdeprecatedinMatplotlib3.6andwillberemovedtwominorreleaseslater.第一步，点击pycharm菜单......
  • matplotlib直方图
    matplotlib直方图假设你获取了250部电影的时长(列表a中),希望统计出这些电影时长的分布状态(比如时长为100分钟到120分钟电影的数量,出现的频率)等信息,你应该如何呈现这些数据?frommatplotlibimportpyplotasplta=[131,98,125,131,124,139,131,117,128,108,......
  • matplotlib条形图
    matplotlib条形图假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?frommatplotlibimportpyplotasplta=["WolfWarrior2","FastandFurious8","KungFuYoga","JourneytotheWest","Transformers5......
  • matplotlib散点图
    matplotlib散点图假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律?frommatplotlibimportpyplotaspltx_3=range(1,32)x_10=range(51,82)y_3=[11,17,16,11,12,11,12,6,6,7,......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99