大家好，我是小F～
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?=?[1950,?1960,?1970,?1980,?1990,?2000,?2010]
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=[-20,?40],?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=(20,?2000))#?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(1,?10),?'y_axis':?np.random.randn(9)?*?80?+?range(1,?10)})#?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([0,?0],?[[1,?0.5],?[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=(21,?5))#?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?=?[3,?12,?5,?18,?45]
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':?[38,?1.5,?30,?4],
????'var2':?[29,?10,?9,?34],
????'var3':?[8,?39,?23,?24],
????'var4':?[7,?31,?33,?14],
????'var5':?[28,?15,?32,?14]
})#?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([10,?20,?30],?["10",?"20",?"30"],?color="grey",?size=7)
plt.ylim(0,?40)#?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=(0.1,?0.1))#?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(65,?85))),?'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(1,?51))?],
????????????'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=(20,?10))
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?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':?[8,?3,?4,?2],?'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=(10,?5,?2),?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?=?[12,?11,?3,?30]#?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((0,?0),?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?=?[12,?11,?3,?30]#?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=(14,?14))#?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(1000,?1))#?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(1,?6)
y?=?[1,?4,?6,?8,?4]#?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(1,?6)
y1?=?[1,?4,?6,?8,?9]
y2?=?[2,?2,?7,?10,?12]
y3?=?[2,?8,?5,?10,?6]#?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(1990,?2020)
y?=?[np.random.randint(0,?5,?size=30)?for?_?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=(10,?7))#?生成图表
grid?=?np.linspace(1985,?2025,?num=500)
y_smoothed?=?[gaussian_smooth(x,?y_,?grid,?1)?for?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(2000,?2010))?*?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=[20,?0],?tiles="OpenStreetMap",?zoom_start=2)#?创建图标数据
data?=?pd.DataFrame({
???'lon':?[-58,?2,?145,?30.32,?-4.03,?-73.57,?36.82,?-38.5],
???'lat':?[-34,?49,?-38,?59.93,?5.33,?45.52,?-1.29,?-12.97],
???'name':?['Buenos?Aires',?'Paris',?'melbourne',?'St?Petersbourg',?'Abidjan',?'Montreal',?'Nairobi',?'Salvador'],
???'value':?[10,?12,?40,?70,?23,?43,?100,?43]
},?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=(6,?4))#?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=(10,?340),??xycoords='axes?pixels',?horizontalalignment='left',?verticalalignment='top',?fontsize=14,?color='black')
ax.annotate('Yes,?people?love?to?get?married?in?Vegas',?xy=(10,?320),??xycoords='axes?pixels',?horizontalalignment='left',?verticalalignment='top',?fontsize=11,?color='#808080')
ax.annotate('xiao?F',?xy=(400,?0),??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':?[2,?145,?30.32,?-4.03,?-73.57,?36.82,?-38.5],
????'lat':?[49,?-38,?59.93,?5.33,?45.52,?-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':?[-58,?2,?145,?30.32,?-4.03,?-73.57,?36.82,?-38.5],
???'lat':?[-34,?49,?-38,?59.93,?5.33,?45.52,?-1.29,?-12.97],
???'name':?['Buenos?Aires',?'Paris',?'melbourne',?'St?Petersbourg',?'Abidjan',?'Montreal',?'Nairobi',?'Salvador'],
???'value':?[10,?12,?40,?70,?23,?43,?100,?43]
},?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?Chordmatrix?=?[
????[0,?5,?6,?4,?7,?4],
????[5,?0,?5,?4,?6,?5],
????[6,?5,?0,?4,?5,?5],
????[4,?4,?4,?0,?5,?5],
????[7,?6,?5,?5,?0,?4],
????[4,?5,?5,?5,?4,?0],
]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?=?[5,?10,?3,?4,?8,?10,?12,?1,?9,?4]
ind5?=?[1,?1,?13,?4,?18,?5,?2,?11,?3,?8]
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?=?96filenames?=?[]
#?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(0,?100000)
????plt.xlim(30,?90)????#?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=5)?as?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。
相关代码及文件已上传，评论区回复「可视化图表」即可获取。
有兴趣的小伙伴，可以自行去实践学习一下！