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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importplotly.graph_objectsasgo
importnumpyasnp
importpandasaspd#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={}
foryearinyear_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()
forindex,yearinenumerate(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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importseabornassns
importpandasaspd
importnumpyasnp#Createadataset
df=pd.DataFrame(np.random.random((5,5)),columns=["a","b","c","d","e"])#Defaultheatmap
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。
importseabornassns
importmatplotlib.pyplotasplt#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。
importmatplotlib.pyplotasplt
importseabornassns
fromgapminderimportgapminder#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。
importmatplotlib.pyplotasplt
importnumpyasnp
importpandasaspd#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。
importnumpyasnp
importmatplotlib.pyplotasplt
fromscipy.statsimportkde#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('2DHistogram')
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('CalculateGaussianKDE')
axes[3].pcolormesh(xi,yi,zi.reshape(xi.shape),shading='auto',cmap=plt.cm.BuGn_r)#添加阴影
axes[4].set_title('2DDensitywithshading')
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。
importnumpyasnp
importmatplotlib.pyplotasplt#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。
importmatplotlib.pyplotasplt
importpandasaspd
frommathimportpi#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*piforninrange(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="groupA")
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="groupB")
ax.fill(angles,values,'r',alpha=0.1)#添加图例
plt.legend(loc='upperright',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。
fromwordcloudimportWordCloud
importmatplotlib.pyplotasplt#添加词语
text=("PythonPythonPythonMatplotlibChartWordcloudBoxplot")#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。
importseabornassns
importmatplotlib.pyplotasplt
frompandas.plottingimportparallel_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。
importmatplotlib.pyplotasplt
importpandasaspd
importnumpyasnp#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。
importpandasaspd
importmatplotlib.pyplotasplt
importnumpyasnp#生成数据
df=pd.DataFrame(
{
'Name':['item'+str(i)foriinlist(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*widthforelementinindexes]#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
forbar,angle,height,labelinzip(bars,angles,heights,df["Name"]):#旋转
rotation=np.rad2deg(angle)#翻转
alignment=""
ifangle>=np.pi/2andangle<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。
importmatplotlib.pyplotasplt
importsquarify
importpandasaspd#创建数据
df=pd.DataFrame({'nb_people':[8,3,4,2],'group':["groupA","groupB","groupC","groupD"]})#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。
importmatplotlib.pyplotasplt
frommatplotlib_vennimportvenn2#创建图表
venn2(subsets=(10,5,2),set_labels=('GroupA','GroupB'))#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。
importmatplotlib.pyplotasplt#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。
importmatplotlib.pyplotasplt#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。
importpandasaspd
frommatplotlibimportpyplotasplt
fromscipy.cluster.hierarchyimportdendrogram,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。
importcirclify
importmatplotlib.pyplotasplt#创建画布,包含一个子图
fig,ax=plt.subplots(figsize=(14,14))#标题
ax.set_title('Repartitionoftheworldpopulation')#移除坐标轴
ax.axis('off')#人口数据
data=[{'id':'World','datum':6964195249,'children':[
{'id':"NorthAmerica",'datum':450448697,
'children':[
{'id':"UnitedStates",'datum':308865000},
{'id':"Mexico",'datum':107550697},
{'id':"Canada",'datum':34033000}
]},
{'id':"SouthAmerica",'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':"UnitedKingdom",'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,
)
forcircleincircles
)
plt.xlim(-lim,lim)
plt.ylim(-lim,lim)forcircleincircles:
ifcircle.level!=2:
continue
x,y,r=circle
ax.add_patch(plt.Circle((x,y),r,alpha=0.5,linewidth=2,color="lightblue"))forcircleincircles:
ifcircle.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")forcircleincircles:
ifcircle.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。
importmatplotlib.pyplotasplt
importnumpyasnp#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。
importmatplotlib.pyplotasplt#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。
importmatplotlib.pyplotasplt#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='upperleft')
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。
importmatplotlib.pyplotasplt
importnumpyasnp
fromscipyimportstats#添加数据
x=np.arange(1990,2020)
y=[np.random.randint(0,5,size=30)for_inrange(5)]defgaussian_smooth(x,y,grid,sd):
"""平滑曲线"""
weights=np.transpose([stats.norm.pdf(grid,m,sd)forminx])
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)fory_iny]
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。
importnumpyasnp
importseabornassns
importpandasaspd
importmatplotlib.pyplotasplt#创建数据
my_count=["France","Australia","Japan","USA","Germany","Congo","China","England","Spain","Greece","Marocco",
"SouthAfrica","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('Evolutionofthevalueofstuffin16countries')#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！
importpandasaspd
importfolium#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':['BuenosAires','Paris','melbourne','StPetersbourg','Abidjan','Montreal','Nairobi','Salvador'],
'value':[10,12,40,70,23,43,100,43]
},dtype=str)#添加信息
foriinrange(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。
importpandasaspd
importfolium#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="UnemploymentRate(%)",
).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。
importpandasaspd
importgeopandasasgpd
importmatplotlib.pyplotasplt#读取数据
file="us_states_hexgrid.geojson.json"
geoData=gpd.read_file(file)
geoData['centroid']=geoData['geometry'].apply(lambdax:x.centroid)mariageData=pd.read_csv("State_mariage_rate.csv")
geoData['state']=geoData['google_name'].str.replace('\(UnitedStates\)','')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('MariagerateintheUS',xy=(10,340),xycoords='axespixels',horizontalalignment='left',verticalalignment='top',fontsize=14,color='black')
ax.annotate('Yes,peoplelovetogetmarriedinVegas',xy=(10,320),xycoords='axespixels',horizontalalignment='left',verticalalignment='top',fontsize=11,color='#808080')
ax.annotate('xiaoF',xy=(400,0),xycoords='axespixels',horizontalalignment='left',verticalalignment='top',fontsize=8,color='#808080')#每个网格
foridx,rowingeoData.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。
frommpl_toolkits.basemapimportBasemap
importmatplotlib.pyplotasplt
importpandasaspd#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
forstartIndex,startRowindf.iterrows():
forendIndexinrange(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
fori,rowindf.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。
importfolium
importpandasaspd#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':['BuenosAires','Paris','melbourne','StPetersbourg','Abidjan','Montreal','Nairobi','Salvador'],
'value':[10,12,40,70,23,43,100,43]
},dtype=str)#添加气泡
foriinrange(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。
fromchordimportChordmatrix=[
[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。
importpandasaspd
importnumpyasnp
importnetworkxasnx
importmatplotlib.pyplotasplt#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。
importplotly.graph_objectsasgo
importjson#读取数据
withopen('sankey_energy.json')asf:
data=json.load(f)#透明度
opacity=0.4
#颜色
data['data'][0]['node']['color']=['rgba(255,0,255,0.8)'ifcolor=="magenta"elsecolorforcolorindata['data'][0]['node']['color']]
data['data'][0]['link']['color']=[data['data'][0]['node']['color'][src].replace("0.8",str(opacity))
forsrcindata['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="Energyforecastfor2050<br>Source:DepartmentofEnergy&ClimateChange,TomCounsellvia<ahref='https://bost.ocks.org/mike/sankey/'>MikeBostock</a>",
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。
importimageio
importpandasaspd
importmatplotlib.pyplotasplt#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
foriindata.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("LifeExpectancy")
plt.ylabel("GDPperCapita")
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
withimageio.get_writer('result.gif',mode='I',fps=5)aswriter:
forfilenameinfilenames:
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！