Py学习  »  Python

这 40 个 Python 可视化图表案例,强烈建议收藏!

数据分析与开发 • 2 年前 • 238 次点击  

数据可视化是数据科学中关键的一步。


在以图形方式表现某些数据时,Python能够提供很大的帮助。


不过有些小伙伴也会遇到不少问题,比如选择何种图表,以及如何制作,代码如何编写,这些都是问题!


今天给大家介绍一个Python图表大全,40个种类,总计约400个示例图表。


分为7个大系列,分布、关系、排行、局部整体、时间序列、地理空间、流程。



文档地址

https://www.python-graph-gallery.com


GitHub地址

https://github.com/holtzy/The-Python-Graph-Gallery


给大家提供了示例及代码,几分钟内就能构建一个你所需要的图表。


下面就给大家介绍一下~



01. 小提琴图


小提琴图可以将一组或多组数据的数值变量分布可视化。


相比有时会隐藏数据特征的箱形图相比,小提琴图值得更多关注。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.violinplot(x=df["species" ], y=df["sepal_length"])
plt.show()


使用Seaborn的violinplot()进行绘制,结果如下。




02. 核密度估计图


核密度估计图其实是对直方图的一个自然拓展。


可以可视化一个或多个组的数值变量的分布,非常适合大型数据集。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.kdeplot(df['sepal_width'])
plt.show()


使用Seaborn的kdeplot()进行绘制,结果如下。




03. 直方图


直方图,可视化一组或多组数据的分布情况。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.distplot(a=df["sepal_length" ], hist=True, kde=False, rug=False)
plt.show()


使用Seaborn的distplot()进行绘制,结果如下。




04. 箱形图


箱形图,可视化一组或多组数据的分布情况。


可以快速获得中位数、四分位数和异常值,但也隐藏数据集的各个数据点。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.boxplot(x=df["species"], y=df["sepal_length"])
plt.show()


使用Seaborn的boxplot()进行绘制,结果如下。




05. 山脊线图


山脊线图,总结几组数据的分布情况。


每个组都表示为一个密度图,每个密度图相互重叠以更有效地利用空间。


import plotly.graph_objects as go
import numpy as np
import pandas as pd

# 读取数据
temp = pd.read_csv('2016-weather-data-seattle.csv')
# 数据处理, 时间格式转换
temp['year'] = pd.to_datetime(temp['Date']).dt.year

# 选择几年的数据展示即可
year_list = [1950196019701980199020002010]
temp = temp[temp['year'].isin(year_list)]

# 绘制每年的直方图,以年和平均温度分组,并使用'count'函数进行汇总
temp = temp.groupby(['year''Mean_TemperatureC']).agg({'Mean_TemperatureC''count'}).rename(columns={'Mean_TemperatureC''count'}).reset_index()

# 使用Plotly绘制脊线图,每个轨迹对应于特定年份的温度分布
# 将每年的数据(温度和它们各自的计数)存储在单独的数组,并将其存储在字典中以方便检索
array_dict = {}
for year in year_list:
    # 每年平均温度
    array_dict[f'x_{year}'] = temp[temp['year'] == year]['Mean_TemperatureC']
    # 每年温度计数
    array_dict[f'y_{year}'] = temp[temp['year'] == year]['count']
    array_dict[f'y_{year}'] = (array_dict[f'y_{year}'] - array_dict[f'y_{year}'].min()) \
                              / (array_dict[f'y_{year}'].max() - array_dict[f'y_{year}'].min())

# 创建一个图像对象
fig = go.Figure()
for index, year in enumerate(year_list):
    # 使用add_trace()绘制轨迹
    fig.add_trace(go.Scatter(
        x=[-2040], y=np.full(2, len(year_list) - index),
        mode='lines',
        line_color='white'))

    fig.add_trace(go.Scatter(
        x=array_dict[f'x_{year}'],
        y=array_dict[f'y_{year}' ] + (len(year_list) - index) + 0.4,
        fill='tonexty',
        name=f'{year}'))

    # 添加文本
    fig.add_annotation(
        x=-20,
        y=len(year_list) - index,
        text=f'{year}',
        showarrow=False,
        yshift=10)

# 添加标题、图例、xy轴参数
fig.update_layout(
    title='1950年~2010年西雅图平均温度',
    showlegend=False,
    xaxis=dict(title='单位: 摄氏度'),
    yaxis=dict(showticklabels=False)
)

# 跳转网页显示
fig.show()


Seaborn没有专门的函数来绘制山脊线图,可以多次调用kdeplot()来制作。


结果如下。




06. 散点图


散点图,显示2个数值变量之间的关系。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.regplot(x=df["sepal_length"], y=df["sepal_width"])
plt.show()


使用Seaborn的regplot()进行绘制,结果如下。




07. 矩形热力图


矩形热力图,矩阵中的每个值都被表示为一个颜色数据。


import seaborn as sns
import pandas as pd
import numpy as np

# Create a dataset
df = pd.DataFrame(np.random.random((5,5)), columns=["a","b","c","d","e"])

# Default heatmap
p1 = sns.heatmap(df)


使用Seaborn的heatmap()进行绘制,结果如下。




08. 相关性图


相关性图或相关矩阵图,分析每对数据变量之间的关系。


相关性可视化为散点图,对角线用直方图或密度图表示每个变量的分布。


import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.pairplot(df)
plt.show()


使用Seaborn的pairplot()进行绘制,结果如下。




09. 气泡图


气泡图其实就是一个散点图,其中圆圈大小被映射到第三数值变量的值。


import matplotlib.pyplot as plt
import seaborn as sns
from gapminder import gapminder

# 导入数据
data = gapminder.loc[gapminder.year == 2007]

# 使用scatterplot创建气泡图
sns.scatterplot(data=data, x="gdpPercap", y="lifeExp", size="pop", legend=False, sizes=(202000))

# 显示
plt.show()


使用Seaborn的scatterplot()进行绘制,结果如下。




10. 连接散点图


连接散点图就是一个线图,其中每个数据点由圆形或任何类型的标记展示。


import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 创建数据
df = pd.DataFrame({'x_axis': range(110), 'y_axis': np.random.randn(9) * 80 + range(110)})

# 绘制显示
plt.plot('x_axis''y_axis', data=df, linestyle='-', marker='o')
plt.show()


使用Matplotlib的plot()进行绘制,结果如下。




11. 二维密度图


二维密度图或二维直方图,可视化两个定量变量的组合分布。


它们总是在X轴上表示一个变量,另一个在Y轴上,就像散点图。


然后计算二维空间特定区域内的次数,并用颜色渐变表示。


形状变化:六边形a hexbin chart,正方形a 2d histogram,核密度2d density plots或contour plots。


import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde

# 创建数据, 200个点
data = np.random.multivariate_normal([00], [[10.5], [0.5 3]], 200)
x, y = data.T

# 创建画布, 6个子图
fig, axes = plt.subplots(ncols=6, nrows=1, figsize=(215))

# 第一个子图, 散点图
axes[0].set_title('Scatterplot')
axes[0].plot(x, y, 'ko')

# 第二个子图, 六边形
nbins = 20
axes[1].set_title('Hexbin')
axes[1].hexbin(x, y, gridsize=nbins, cmap=plt.cm.BuGn_r)

# 2D 直方图
axes[2].set_title('2D Histogram')
axes[2].hist2d(x, y, bins=nbins, cmap=plt.cm.BuGn_r)

# 高斯kde
k = kde.gaussian_kde(data.T)
xi, yi = np.mgrid[x.min():x.max():nbins * 1j, y.min():y.max():nbins * 1j]
zi = k(np.vstack([xi.flatten(), yi.flatten()]))

# 密度图
axes[3].set_title('Calculate Gaussian KDE')
axes[3].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap=plt.cm.BuGn_r)

# 添加阴影
axes[4].set_title('2D Density with shading')
axes[4].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)

# 添加轮廓
axes[5].set_title('Contour')
axes[5].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)
axes[5].contour(xi, yi, zi.reshape(xi.shape))

plt.show()


使用Matplotlib和scipy进行绘制,结果如下。




12. 条形图


条形图表示多个明确的变量的数值关系。每个变量都为一个条形。条形的大小代表其数值。





    

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
height = [31251845]
bars = ('A''B''C''D''E')
y_pos = np.arange(len(bars))

# 创建条形图
plt.bar(y_pos, height)

# x轴标签
plt.xticks(y_pos, bars)

# 显示
plt.show()


使用Matplotlib的bar()进行绘制,结果如下。




13. 雷达图


雷达图,可以可视化多个定量变量的一个或多个系列的值。


每个变量都有自己的轴,所有轴都连接在图形的中心。


import matplotlib.pyplot as plt
import pandas as pd
from math import pi

# 设置数据
df = pd.DataFrame({
    'group': ['A''B''C''D'],
    'var1': [381.5304],
    'var2': [29109 34],
    'var3': [8392324],
    'var4': [7313314],
    'var5': [28153214]
})

# 目标数量
categories = list(df)[1:]
N = len(categories)

# 角度
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]

# 初始化
ax = plt.subplot(111, polar=True)

# 设置第一处
ax.set_theta_offset(pi / 2)
ax.set_theta_direction(-1)

# 添加背景信息
plt.xticks(angles[:-1], categories)
ax.set_rlabel_position(0)
plt.yticks([102030], ["10""20""30"], color="grey", size=7)
plt.ylim(040)

# 添加数据图

# 第一个
values = df.loc[0].drop('group').values.flatten().tolist()
values += values[:1]
ax.plot(angles, values, linewidth=1, linestyle='solid', label="group A")
ax.fill(angles, values, 'b', alpha=0.1)

# 第二个
values = df.loc[1].drop('group').values.flatten().tolist()
values += values[:1]
ax.plot(angles, values, linewidth=1, linestyle='solid', label="group B")
ax.fill(angles, values, 'r', alpha=0.1)

# 添加图例
plt.legend(loc='upper right', bbox_to_anchor=(0.10.1))

# 显示
plt.show()


使用Matplotlib进行绘制,结果如下。




14. 词云图


词云图是文本数据的视觉表示。


单词通常是单个的,每个单词的重要性以字体大小或颜色表示。


from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 添加词语
text=("Python Python Python Matplotlib Chart Wordcloud Boxplot")

# 创建词云对象
wordcloud = WordCloud(width=480, height=480, margin=0).generate(text)

# 显示词云图
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.margins(x=0, y=0)
plt.show()


使用wordcloud进行绘制,结果如下。




15. 平行座标图


一个平行座标图,能够比较不同系列相同属性的数值情况。


Pandas可能是绘制平行坐标图的最佳方式。


import seaborn as sns
import matplotlib.pyplot as plt
from pandas.plotting import parallel_coordinates

# 读取数据
data = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 创建图表
parallel_coordinates(data, 'species', colormap=plt.get_cmap("Set2"))

# 显示
plt.show()


使用Pandas的parallel_coordinates()进行绘制,结果如下。




16. 棒棒糖图


棒棒糖图其实就是柱状图的变形,显示一个线段和一个圆。


import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 创建数据
df = pd.DataFrame({'group': list(map(chr, range(6585))), 'values': np.random.uniform(size=20) })

# 排序取值
ordered_df = df.sort_values(by='values')
my_range = range(1, len(df.index)+1)

# 创建图表
plt.stem(ordered_df['values'])
plt.xticks(my_range, ordered_df['group'])

# 显示
plt.show()


使用Matplotlib的stem()进行绘制,结果如下。




17. 径向柱图


径向柱图同样也是条形图的变形,但是使用极坐标而不是直角坐标系。


绘制起来有点麻烦,而且比柱状图准确度低,但更引人注目。


import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
df = pd.DataFrame(
        {
            'Name': ['item ' + str(i) for i in list(range(151)) ],
            'Value': np.random.randint(low=10, high=100, size=50)
        })

# 排序
df = df.sort_values(by=['Value'])

# 初始化画布
plt.figure(figsize=(2010))
ax = plt.subplot(111, polar=True)
plt.axis('off')

# 设置图表参数
upperLimit = 100
lowerLimit = 30
labelPadding = 4

# 计算最大值
max = df['Value'].max()

# 数据下限10, 上限100
slope = (max - lowerLimit) / max
heights = slope * df.Value + lowerLimit

# 计算条形图的宽度
width = 2*np.pi / len(df.index)

# 计算角度
indexes = list(range(1 , len(df.index)+1))
angles = [element * width for element in indexes]

# 绘制条形图
bars = ax.bar(
    x=angles,
    height=heights,
    width=width,
    bottom=lowerLimit,
    linewidth=2,
    edgecolor="white",
    color="#61a4b2",
)

# 添加标签
for bar, angle, height, label in zip(bars,angles, heights, df["Name"]):

    # 旋转
    rotation = np.rad2deg(angle)

    # 翻转
    alignment = ""
    if angle >= np.pi/2 and angle 3*np.pi/2:
        alignment = "right"
        rotation = rotation + 180
    else:
        alignment = "left"

    # 最后添加标签
    ax.text(
        x=angle,
        y=lowerLimit + bar.get_height() + labelPadding,
        s=label,
        ha=alignment,
        va='center',
        rotation=rotation,
        rotation_mode="anchor")

plt.show()


使用Matplotlib进行绘制,结果如下。




18. 矩形树图


矩形树图是一种常见的表达『层级数据』『树状数据』的可视化形式。


它主要用面积的方式,便于突出展现出『树』的各层级中重要的节点。


import matplotlib.pyplot as plt
import squarify
import pandas as pd

# 创建数据
df = pd.DataFrame({'nb_people': [8342], 'group' : ["group A""group B""group C""group D"]})

# 绘图显示
squarify.plot(sizes=df['nb_people'], label=df['group'], alpha=.8 )
plt.axis('off')
plt.show()


使用squarify库进行绘制,结果如下。




19. 维恩图


维恩图,显示不同组之间所有可能的关系。


import matplotlib.pyplot as plt
from matplotlib_venn import venn2

# 创建图表
venn2(subsets=(1052), set_labels=('Group A''Group B'))

# 显示
plt.show()


使用matplotlib_venn库进行绘制,结果如下。




20. 圆环图


圆环图,本质上就是一个饼图,中间切掉了一个区域。


import matplotlib.pyplot as plt

# 创建数据
size_of_groups = [1211 330]

# 生成饼图
plt.pie(size_of_groups)

# 在中心添加一个圆, 生成环形图
my_circle = plt.Circle((00), 0.7, color='white')
p = plt.gcf()
p.gca().add_artist(my_circle)

plt.show()


使用Matplotlib进行绘制,结果如下。




21. 饼图


饼图,最常见的可视化图表之一。


将圆划分成一个个扇形区域,每个区域代表在整体中所占的比例。


import matplotlib.pyplot as plt

# 创建数据
size_of_groups = [1211330]

# 生成饼图
plt.pie(size_of_groups)
plt.show()


使用Matplotlib进行绘制,结果如下。




22. 树图


树图主要用来可视化树形数据结构,是一种特殊的层次类型,具有唯一的根节点,左子树,和右子树。


import  pandas as pd
from matplotlib import pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage

# 读取数据
df = pd.read_csv('mtcars.csv')
df = df.set_index('model')

# 计算每个样本之间的距离
Z = linkage(df, 'ward')

# 绘图
dendrogram(Z, leaf_rotation=90, leaf_font_size=8, labels=df.index)

# 显示
plt.show()


使用Scipy进行绘制,结果如下。




23. 气泡图


气泡图,表示层次结构及数值大小。


import circlify
import matplotlib.pyplot as plt

# 创建画布, 包含一个子图
fig, ax = plt.subplots(figsize=(1414))

# 标题
ax.set_title('Repartition of the world population')

# 移除坐标轴
ax.axis('off')

# 人口数据
data = [{'id''World''datum'6964195249'children': [
              {'id'"North America"'datum'450448697,
                  'children': [
                     {'id'"United States"'datum' 308865000},
                     {'id'"Mexico"'datum'107550697},
                     {'id'"Canada"'datum'34033000}
                   ]},
              {'id'"South America"'datum'278095425,
                  'children': [
                     {'id'"Brazil"'datum'192612000},
                     {'id'"Colombia"'datum'45349000},
                     {'id'"Argentina"'datum'40134425}
                   ]},
              {'id'"Europe"'datum'209246682,
                  'children': [
                     {'id'"Germany"'datum'81757600},
                     {'id'"France"'datum'65447374},
                     {'id'"United Kingdom"'datum'62041708}
                   ]},
              {'id'"Africa"'datum'311929000,
                  'children': [
                     {'id'"Nigeria"'datum'154729000},
                     {'id'"Ethiopia"'datum'79221000},
                     {'id'"Egypt"'datum' 77979000}
                   ]},
              {'id'"Asia"'datum'2745929500,
                  'children': [
                     {'id'"China"'datum'1336335000},
                     {'id'"India"'datum'1178225000},
                     {'id'"Indonesia"'datum'231369500}
                   ]}
    ]}]

# 使用circlify()计算, 获取圆的大小, 位置
circles = circlify.circlify(
    data,
    show_enclosure=False,
    target_enclosure=circlify.Circle(x=0, y=0, r=1)
)


lim = max(
    max(
        abs(circle.x) + circle.r,
        abs(circle.y) + circle.r,
    )
    for circle in circles
)
plt.xlim(-lim, lim)
plt.ylim(-lim, lim)

for circle in circles:
    if circle.level != 2:
        continue
    x, y, r = circle
    ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="lightblue"))

for circle in circles:
    if circle.level != 3:
        continue
    x, y, r = circle
    label = circle.ex["id"]
    ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="#69b3a2"))
    plt.annotate(label, (x, y), ha='center', color="white")

for circle in circles:
    if circle.level != 2:
        continue
    x, y, r = circle
    label = circle.ex["id"]
    plt.annotate(label, (x, y), va='center', ha='center', bbox=dict(facecolor='white', edgecolor='black', boxstyle='round', pad=.5))

plt.show()


使用Circlify进行绘制,结果如下。




24. 折线图


折线图是最常见的图表类型之一。


将各个数据点标志连接起来的图表,用于展现数据的变化趋势。


import matplotlib.pyplot as plt
import numpy as np

# 创建数据
values = np.cumsum(np.random.randn(10001))

# 绘制图表
plt.plot(values)
plt.show()


使用Matplotlib进行绘制,结果如下。




25. 面积图


面积图和折线图非常相似,区别在于和x坐标轴间是否被颜色填充。


import matplotlib.pyplot as plt

# 创建数据
x = range(16)
y = [14 684]

# 生成图表
plt.fill_between(x, y)
plt.show()


使用Matplotlib的fill_between()进行绘制,结果如下。




26. 堆叠面积图


堆叠面积图表示若干个数值变量的数值演变。


每个显示在彼此的顶部,易于读取总数,但较难准确读取每个的值。


import matplotlib.pyplot as plt

# 创建数据
x = range(16)
y1 = [14689]
y2 = [2271012]
y3 = [285106]

# 生成图表
plt.stackplot(x, y1, y2, y3, labels=['A''B''C'])
plt.legend(loc='upper left')
plt.show()


使用Matplotlib的stackplot()进行绘制,结果如下。




27. 河流图


河流图是一种特殊的流图, 它主要用来表示事件或主题等在一段时间内的变化。


围绕着中心轴显示,且边缘是圆形的,从而形成流动的形状。


import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# 添加数据
x = np.arange(19902020)
y = [np.random.randint(05, size=30for _ in range(5)]


def gaussian_smooth(x, y, grid, sd):
    """平滑曲线"""
    weights = np.transpose([stats.norm.pdf(grid, m, sd) for m in x])
    weights = weights / weights.sum(0)
    return (weights * y).sum(1)


# 自定义颜色
COLORS = ["#D0D1E6""#A6BDDB""#74A9CF""#2B8CBE""#045A8D"]

# 创建画布
fig, ax = plt.subplots(figsize=(107))

# 生成图表
grid = np.linspace(19852025, num=500)
y_smoothed = [gaussian_smooth(x, y_, grid, 1for y_ in y]
ax.stackplot(grid, y_smoothed, colors=COLORS, baseline="sym")

# 显示
plt.show()


先使用Matplotlib绘制堆积图,设置stackplot()的baseline参数,可将数据围绕x轴展示。


再通过scipy.interpolate平滑曲线,最终结果如下。




28. 时间序列图


时间序列图是指能够展示数值演变的所有图表。


比如折线图、柱状图、面积图等等。


import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 创建数据
my_count = ["France""Australia""Japan""USA""Germany""Congo""China""England""Spain""Greece""Marocco",
            "South Africa""Indonesia""Peru""Chili""Brazil"]
df = pd.DataFrame({
    "country": np.repeat(my_count, 10),
    "years": list(range(20002010)) * 16,
    "value": np.random.rand(160)
})

# 创建网格
g = sns.FacetGrid(df, col='country', hue='country', col_wrap=4, )

# 添加曲线图
g = g.map(plt.plot, 'years''value')

# 面积图
g = g.map(plt.fill_between, 'years''value' , alpha=0.2).set_titles("{col_name} country")

# 标题
g = g.set_titles("{col_name}")

# 总标题
plt.subplots_adjust(top=0.92)
g = g.fig.suptitle('Evolution of the value of stuff in 16 countries')

# 显示
plt.show()


下面以一个时间序列面积图为例,显示多组数据,结果如下。




29. 地图


所有的地理空间数据分析应该都离不开地图吧!


import pandas as pd
import folium

# 创建地图对象
m = folium.Map(location=[200], tiles="OpenStreetMap", zoom_start=2)

# 创建图标数据
data = pd.DataFrame({
   'lon': [-58214530.32-4.03-73.5736.82-38.5],
   'lat': [-3449-3859.935.3345.52-1.29-12.97],
   'name': ['Buenos Aires''Paris''melbourne''St Petersbourg''Abidjan''Montreal' 'Nairobi''Salvador'],
   'value': [10124070234310043]
}, dtype=str)

# 添加信息
for i in range(0,len(data)):
    folium.Marker(
      location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
      popup=data.iloc[i]['name'],
    ).add_to(m)

# 保存
m.save('map.html')


使用Folium绘制谷歌地图风格的地图,结果如下。




30. 等值域地图


等值域地图,相同数值范围,着色相同。


import pandas as pd
import folium

# 创建地图对象
m = folium.Map(location=[40-95], zoom_start=4)

# 读取数据
state_geo = f"us-states.json"
state_unemployment = f"US_Unemployment_Oct2012.csv"
state_data = pd.read_csv(state_unemployment)

folium.Choropleth(
    geo_data=state_geo,
    name="choropleth",
    data=state_data,
    columns=["State""Unemployment"],
    key_on="feature.id",
    fill_color="YlGn",
    fill_opacity=0.7,
    line_opacity=.1,
    legend_name="Unemployment Rate (%)",
).add_to(m)

folium.LayerControl().add_to(m)
# 保存
m.save('choropleth-map.html')


使用Folium的choropleth()进行绘制,结果如下。




31. 网格地图


Hexbin地图,美国大选投票经常看见。


import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt

# 读取数据
file = "us_states_hexgrid.geojson.json"
geoData = gpd.read_file(file)
geoData['centroid'] = geoData['geometry'].apply(lambda x: x.centroid)

mariageData = pd.read_csv("State_mariage_rate.csv")
geoData['state'] = geoData['google_name'].str.replace(' \(United States\)','')

geoData = geoData.set_index('state').join(mariageData.set_index('state'))


# 初始化
fig, ax = plt.subplots(1, figsize=(64))

# 绘图
geoData.plot(
    ax=ax,
    column="y_2015",
    cmap="BuPu",
    norm=plt.Normalize(vmin=2, vmax=13),
    edgecolor='black',
    linewidth=.5
);

# 不显示坐标轴
ax.axis('off')

# 标题, 副标题,作者
ax.annotate('Mariage rate in the US', xy=(10340),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=14, color='black')
ax.annotate('Yes, people love to get married in Vegas' , xy=(10320),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=11, color='#808080')
ax.annotate('xiao F', xy=(4000),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=8, color='#808080')

# 每个网格
for idx, row in geoData.iterrows():
    ax.annotate(
        s=row['iso3166_2'],
        xy=row['centroid'].coords[0],
        horizontalalignment='center',
        va='center',
        color="white"
    )

# 添加颜色
sm = plt.cm.ScalarMappable(cmap='BuPu', norm=plt.Normalize(vmin=2, vmax=13))
fig.colorbar(sm, orientation="horizontal", aspect=50, fraction=0.005, pad=0 );

# 显示
plt.show()


使用geopandas和matplotlib进行绘制,结果如下。




32. 变形地图


故名思义,就是形状发生改变的地图。


其中每个区域的形状,会根据数值发生扭曲变化。


这里没有相关的代码示例,直接上个图好了。




33. 连接映射地图


连接地图可以显示地图上几个位置之间的连接关系。


航空上经常用到的飞线图,应该是这个的升级版。


from mpl_toolkits.basemap import Basemap
import matplotlib.pyplot as plt
import pandas as pd

# 数据
cities = {
    'city': ["Paris""Melbourne""Saint.Petersburg""Abidjan""Montreal""Nairobi""Salvador"],
    'lon': [214530.32-4.03-73.5736.82-38.5],
    'lat': [49-3859.935.3345.52-1.29-12.97]
}
df = pd.DataFrame(cities, columns=['city''lon''lat'])

# 创建地图
m = Basemap(llcrnrlon=-179, llcrnrlat=-60, urcrnrlon=179, urcrnrlat=70, projection='merc')
m.drawmapboundary(fill_color='white', linewidth=0)
m.fillcontinents(color= '#f2f2f2', alpha=0.7)
m.drawcoastlines(linewidth=0.1, color="white")

# 循环建立连接
for startIndex, startRow in df.iterrows():
    for endIndex in range(startIndex, len(df.index)):
        endRow = df.iloc[endIndex]
        m.drawgreatcircle(startRow.lon, startRow.lat, endRow.lon, endRow.lat, linewidth=1, color='#69b3a2');

# 添加城市名称
for i, row in df.iterrows():
    plt.annotate(row.city, xy=m(row.lon + 3, row.lat), verticalalignment='center')

plt.show()


使用basemap绘制,结果如下。




34. 气泡地图


气泡地图,使用不同尺寸的圆来表示该地理坐标的数值。


import folium
import pandas as pd

# 创建地图对象
m = folium.Map(location=[20,0], tiles="OpenStreetMap", zoom_start=2)

# 坐标点数据
data = pd.DataFrame({
   'lon': [-58214530.32-4.03-73.5736.82-38.5],
   'lat': [-3449 -3859.935.3345.52-1.29-12.97],
   'name': ['Buenos Aires''Paris''melbourne''St Petersbourg''Abidjan''Montreal''Nairobi''Salvador'],
   'value': [10124070234310043]
}, dtype=str)

# 添加气泡
for i in range(0, len(data)):
    folium.Circle(
      location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
      popup=data.iloc[i]['name'],
      radius=float(data.iloc[i]['value'])*20000,
      color='crimson',
      fill=True,
      fill_color='crimson'
    ).add_to(m)

# 保存
m.save('bubble-map.html')


使用Folium的Circle()进行绘制,结果如下。




35. 和弦图


和弦图表示若干个实体(节点)之间的流或连接。


每个实体(节点)有圆形布局外部的一个片段表示。


然后在每个实体之间绘制弧线,弧线的大小与流的关系成正比。





    

from chord import Chord

matrix = [
    [056474],
    [505465],
    [650455],
    [444055],
    [765504],
    [455540],
]

names = ["Action""Adventure""Comedy""Drama""Fantasy""Thriller"]

# 保存
Chord(matrix, names).to_html("chord-diagram.html")


使用Chord库进行绘制,结果如下。




36. 网状图


网状图显示的是一组实体之间的连接关系。


每个实体由一个节点表示,节点之间通过线段连接。


import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt

# 创建数据
ind1 = [5103481012194]
ind5 = [1113418521138]
df = pd.DataFrame(
    {'A': ind1, 'B': ind1 + np.random.randint(10, size=(10)), 'C': ind1 + np.random.randint(10, size=(10)),
     'D': ind1 + np.random.randint(5, size=(10)), 'E': ind1 + np.random.randint(5, size=(10)), 'F': ind5,
     'G': ind5 + np.random.randint(5, size=(10)), 'H': ind5 + np.random.randint(5, size=(10)),
     'I': ind5 + np.random.randint(5, size=(10)), 'J': ind5 + np.random.randint(5, size=(10))})

# 计算相关性
corr = df.corr()

# 转换
links = corr.stack().reset_index()
links.columns = ['var1''var2''value']

# 保持相关性超过一个阈值, 删除自相关性
links_filtered = links.loc[(links['value'] > 0.8) & (links['var1'] != links['var2'])]

# 生成图
G = nx.from_pandas_edgelist(links_filtered, 'var1''var2')

# 绘制网络
nx.draw(G, with_labels=True, node_color='orange', node_size=400, edge_color='black', linewidths=1, font_size=15)

# 显示
plt.show()


使用NetworkX库进行绘制,结果如下。




37. 桑基图


桑基图是一种特殊的流图。


它主要用来表示原材料、能量等如何从初始形式经过中间过程的加工、转化到达最终形式。


Plotly可能是创建桑基图的最佳工具,通过Sankey()在几行代码中获得一个图表。


import plotly.graph_objects as go
import json

# 读取数据
with open('sankey_energy.json'as f:
    data = json.load(f)

# 透明度
opacity = 0.4
# 颜色
data['data'][0]['node']['color'] = ['rgba(255,0,255, 0.8)'  if color == "magenta" else color for color in data['data'][0]['node']['color']]
data['data'][0]['link']['color'] = [data['data'][0]['node']['color'][src].replace("0.8", str(opacity))
                                    for src in data['data'][0]['link']['source']]

fig = go.Figure(data=[go.Sankey(
    valueformat=".0f",
    valuesuffix="TWh",
    # 点
    node=dict(
      pad=15,
      thickness=15,
      line=dict(color = "black", width = 0.5),
      label=data['data'][0]['node']['label'],
      color=data['data'][0]['node']['color']
    ),
    # 线
    link=dict(
      source=data['data'][0]['link']['source'],
      target=data['data'][0]['link']['target'],
      value=data['data'][0]['link']['value'],
      label=data['data'][0]['link']['label'],
      color=data['data'][0]['link']['color']
))])

fig.update_layout(title_text="Energy forecast for 2050
Source: Department of Energy & Climate Change, Tom Counsell via Mike Bostock"
,
                  font_size=10)

# 保持
fig.write_html("sankey-diagram.html")


使用Plotly库进行绘制,结果如下。




38. 弧线图


弧线图是一种特殊的网络图。


由代表实体的节点和显示实体之间关系的弧线组成的。


在弧线图中,节点沿单个轴显示,节点间通过圆弧线进行连接。


目前还不知道如何通过Python来构建弧线图,不过可以使用R或者D3.js。


下面就来看一个通过js生成的弧线图。




39. 环形布局关系图


可视化目标之间的关系,可以减少复杂网络下观察混乱。


和弧线图一样,也只能通R或者D3.js绘制。


D3.js绘制的示例如下。




40. 动态图表


动态图表本质上就是显示一系列静态图表。


可以描述目标从一种状态到另一种状态的变化。


import imageio
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('gapminderData.csv')
# 更改格式
data['continent'] = pd.Categorical(data['continent'])

# 分辨率
dpi = 96

filenames = []
# 每年的数据
for i in data.year.unique():
    # 关闭交互式绘图
    plt.ioff()

    # 初始化
    fig = plt.figure(figsize=(680 / dpi, 480 / dpi), dpi=dpi)

    # 筛选数据
    subsetData = data[data.year == i]

    # 生成散点气泡图
    plt.scatter(
        x=subsetData['lifeExp'],
        y=subsetData['gdpPercap'],
        s=subsetData['pop'] / 200000,
        c=subsetData['continent'].cat.codes,
        cmap="Accent", alpha=0.6, edgecolors="white", linewidth=2)

    # 添加相关信息
    plt.yscale('log')
    plt.xlabel("Life Expectancy")
    plt.ylabel("GDP per Capita")
    plt.title("Year: " + str(i))
    plt.ylim(0100000)
    plt.xlim(3090)

    # 保存
    filename = './images/' + str(i) + '.png'
    filenames.append(filename)
    plt.savefig(fname=filename, dpi=96)
    plt.gca()
    plt.close(fig)


# 生成GIF动态图表
with imageio.get_writer('result.gif', mode='I', fps=5as writer:
    for filename in filenames:
        image = imageio.imread(filename)
        writer.append_data(image)


以一个动态散点气泡图为例,


先用matplotlib绘制图表图片,再通过imageio生成GIF,结果如下。



好了,本期的分享就到此结束了。


其中使用到的可视化库,大部分通过pip install即可完成安装。

有兴趣的小伙伴,可以自行去实践学习一下!


- EOF -


推荐阅读  点击标题可跳转

1、68 个 Python 内置函数详解,进阶必备

2、8 个最流行的 Python 可视化工具包,你喜欢哪个?

3、Python电商数据分析案例:如何分析竞争对手?



看完本文有收获?请转发分享给更多人

推荐关注「数据分析与开发」,提升数据技能

点赞和在看就是最大的支持❤️

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/122542
 
238 次点击