dreamweaver网站功能新网域名

---

---

前言

以上就是今天要讲的内容，本文仅仅简单介绍了Python中的数据可视化库及其相应的操作，同时详细介绍了DataFrame数据格式。

---

第一部分：Matplotlib

Matplotlib是一个非常流行的Python绘图库，它提供了丰富的绘图功能。
和matlab中绘图功能又异曲同工之妙，感兴趣可以自行学习matlab绘图相关知识。

1. 图形和轴（Figure and Axes）

Figure

Figure: 整个图形（包括所有的轴、图例、标题等）。

Axes

Axes: 图形中的一个单独的绘图区域，包含数据、标签、标题等。
创建图形和轴：

import matplotlib.pyplot as plt

创建一个新的图形

fig = plt.figure()

在图形中添加一个或多个轴

ax1 = fig.add_subplot(1, 1, 1) # 1行1列的第一个子图

2. 绘图命令

绘制折线图

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])

绘制散点图

plt.scatter([1, 2, 3, 4], [1, 4, 9, 16])

绘制条形图

plt.bar([1, 2, 3, 4], [1, 4, 9, 16])

绘制饼图

plt.pie([1, 2, 3, 4], labels=['A', 'B', 'C', 'D'])

绘制直方图

plt.hist([1, 2, 2, 3, 3, 3, 4, 4, 4, 4])

等高线图（Contour plot）

（1）导入库

import numpy as np

（2）创建数据

x = np.linspace(-3, 3, 100)
y = np.linspace(-3, 3, 100)
X, Y = np.meshgrid(x, y)
Z = np.exp(-X**2 - Y**2)

（3）绘制等高线图

plt.contour(X, Y, Z)

3. 设置图表属性

标题和标签

plt.title('Example Plot')
plt.xlabel('X axis label')
plt.ylabel('Y axis label')

图例

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], label='Line 1')
plt.legend()

限制

plt.xlim(0, 5)
plt.ylim(0, 10)

网格

plt.grid(True)

4. 保存图表

plt.savefig('plot.png')

5. 显示图表

plt.show()

6. 子图（Subplots）

创建多个子图

fig, axs = plt.subplots(2, 2)  # 2行2列的子图
axs[0, 0].plot([1, 2, 3, 4], [1, 4, 9, 16])

7. 风格和样式

Matplotlib 允许你自定义图表的风格和样式。
自定义线条的样式、颜色、标记
使用样式表

plt.style.use('ggplot')  # 使用ggplot样式

自定义线条样式

plt.plot([1, 2, 3, 4], [1, 4, 9, 16], 'ro--')  # 红色虚线带圆圈标记

8. 注释和文本

在图表中添加文本和注释。

plt.text(1, 4, 'Text at (1, 4)')
plt.annotate('Annotation', xy=(2, 8), xytext=(3, 10),arrowprops=dict(facecolor='black', shrink=0.05))

Matplotlib 的功能非常丰富，这里仅介绍了最常用的部分。对于更高级的定制，如添加自定义形状、使用不同的坐标系统等，Matplotlib 也提供了相应的接口和方法。Matplotlib 的官方文档非常全面，是学习和参考的好资源。

第二部分：Seaborn

Seaborn是基于Matplotlib的更高级的绘图库，专为统计绘图设计。

1.基本操作：

导入库：

import seaborn as sns

（1）绘制分布图：

sns.distplot([1, 2, 3, 4, 5])
plt.show()

（2）绘制热力图：

data = [[1, 2], [3, 4]]
sns.heatmap(data)
plt.show()

由于并不常用，因此不做详细介绍，感兴趣可以自行查找学习。

第三部分：Pandas Plotting

Pandas库也提供了绘图功能，可以直接在DataFrame上操作。

1.基本操作：

导入库：

import pandas as pd

绘制DataFrame的线图：

df = pd.DataFrame({'x': [1, 2, 3, 4], 'y': [1, 4, 9, 16]})
df.plot(x='x', y='y')
plt.show()

第四部分：Plotly

Plotly是一个交互式图表库，可以创建交互式图表。

1.基本操作：

导入库：

import plotly.express as px

绘制交互式散点图：

fig = px.scatter(df, x='x', y='y')
fig.show()

由于并不常用，因此简单介绍，感兴趣可以自行查询相关知识。

总结
这些库提供了广泛的绘图功能，从简单的折线图和条形图到复杂的热力图和**交互式图表。**每个库都有其特定的用途和优势，你可以根据需要选择合适的库来创建图表。在数据分析和可视化中，绘图是一个非常重要的工具，可以帮助我们更好地理解和解释数据。

第四部分：DataFrame

DataFrame 是 Pandas 库中的一个核心数据结构，用于以表格的形式存储和操作数据。它类似于 Excel 表、SQL 表或 R 的数据框。DataFrame 是一个二维标记数据结构，具有以下特点：

1. DataFrame 的结构

（1）行

行（Rows）：DataFrame 的每一行代表一个记录。

（2）列

列（Columns）：DataFrame 的每一列代表一个字段。

（3）索引

索引（Index）：每行都有一个唯一的索引标签，用于标识和访问数据。

（4）数据类型

数据类型（Data Types）：每列都有一种数据类型，但不同的列可以有不同的数据类型。

2. 创建 DataFrame

可以通过多种方式创建 DataFrame，以下是一些常见的方法：

（1）从列表或数组创建

import pandas as pddata = [['Tom', 10], ['Nick', 15], ['John', 12]]
df = pd.DataFrame(data, columns=['Name', 'Age'])

（2）从字典创建

data = {'Name': ['Tom', 'Nick', 'John'], 'Age': [10, 15, 12]}
df = pd.DataFrame(data)

（3）从电子表格文件（如 Excel）创建

df = pd.read_excel('data.xlsx')

（4）从 CSV 文件创建

df = pd.read_csv('data.csv')

3. DataFrame 的属性

index

df.index：获取 DataFrame 的行索引。

columns

df.columns：获取 DataFrame 的列名。

values

df.values：获取 DataFrame 的值，以二维数组的形式。

shape

df.shape：获取 DataFrame 的形状（行数，列数）。

4. DataFrame 的方法

DataFrame 提供了大量的方法来操作数据：

head

df.head(n)：查看 DataFrame 的前 n 行。

tail

df.tail(n)：查看 DataFrame 的后 n 行。

describe

df.describe()：提供 DataFrame 的统计摘要。

info

df.info()：显示 DataFrame 的基本信息。

sort_values

df.sort_values(by=‘column’)：按指定列排序。

groupby

df.groupby(‘column’)：按指定列进行分组。

merge()、join()

df.merge()、df.join()：合并数据。

append()

df.append()：向 DataFrame 添加行。

drop()

df.drop()：删除指定的行或列

loc[]、iloc[]

df.loc[]、df.iloc[]：基于标签或整数位置选择数据。

at[]、iat[]

df.at[]、df.iat[]：快速访问单个标量。

plot()

df.plot()：绘制图表。

5. DataFrame 的数据访问和操作

DataFrame 允许你通过多种方式访问和操作数据：

通过**列名**访问列：df['column_name']
通过**索引**访问行：df.loc[index_label]
通过**整数位置**访问行和列：df.iloc[row_position, column_position]

6. DataFrame 的数据类型转换

可以使用 astype() 方法转换 DataFrame 的数据类型：

df['column_name'] = df['column_name'].astype('desired_data_type')

7. 示例

以下是一个简单的 DataFrame 示例：

       Name  Age
0      Tom   10
1     Nick   15
2     John   12

在这个示例中，Name 和 Age 是列名，0、1 和 2 是行索引。

DataFrame 是一个非常灵活和强大的工具，适用于各种数据处理和分析任务。它提供了丰富的接口和方法，使得数据处理变得简单高效。

---

总结

以上就是今天要讲的内容，本文仅仅简单介绍了Python中的数据可视化库及其相应的操作，同时详细介绍了DataFrame数据格式。