文章目錄
主要是使用鳶尾花數據，使用python對書中的各種可視化手段進行實現。
3.3.3-1、少量屬性的可視化
1.1 莖葉圖
莖葉圖，在《商務經濟統計》實現過，商務與經濟統計（13版，Python）筆記 01-02章
改動了一下
import numpy as np
import seaborn as sns
iris = sns.load_dataset("iris")
_stem=[]
data=iris['sepal_length']*10
for x in data:
_stem.append(int(x//10))
stem=list(set(_stem))
for m in stem:
print(m,'|',end=' ')
leaf=[]
for n in data:
if n//10==m:
leaf.append(int(n%10))
leaf.sort()
for i in range(1,len(leaf)):
print(leaf[i],end='')
print('\n')
4 | 444566667788888999999
5 | 000000000111111111222234444445555555666666777777778888888999
6 | 00000111111222233333333344444445555566777777778889999
7 | 122234677779
1.2 直方圖（histogram）
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
iris = sns.load_dataset("iris")
cols=['sepal_length','sepal_width','petal_length','petal_width']
bins=10
plt.figure(figsize=(20,4))
for i in range(len(cols)):
plt.subplot(1,4,i+1)
plt.hist(iris[cols[i]],10,histtype='bar',facecolor='yellowgreen',alpha=0.75,rwidth=0.95)
plt.title(cols[i])
1.3 二維直方圖（two-dimensional histogram）
數據還是之前的數據，增加使用工具Axes3D參考官方例子
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
bins=3
hist, xedges, yedges = np.histogram2d(iris['petal_width'],iris['petal_length'] , bins=bins)
#獲取座標點，去掉最後一個
xpos, ypos = np.meshgrid(xedges[:-1], yedges[:-1] )
#由於x軸的方向由左向右，需要倒序
xpos = sorted(xpos.flatten('F'),reverse=True)
ypos = ypos.flatten('F')
zpos = np.zeros_like(xpos)
#每個圖像寬度，使用 最大值/bins
dx =(iris['petal_width'].max()/bins)*np.ones_like(zpos)
dy = iris['petal_length'].max()/bins*np.ones_like(zpos)
dz = hist.flatten()
ax.bar3d(xpos, ypos, zpos, dx, dy, dz, color='yellowgreen', zsort='average')
#因爲前面的倒序，需要人爲調整x軸刻度（不知道有其他方法沒有）
xticks=[2.5,2,1.5,1,0.5,0]
plt.xticks(xticks,('0','0.5','1.0','1.5','2.0','2.5'))
plt.xlabel('花瓣寬度',rotation=-15)
plt.ylabel('花瓣長度',rotation=45)
plt.show()
1.4 盒狀圖（box plot）
盒狀圖較爲簡單，順便弄點顏色
plt.boxplot(iris.iloc[:,0:4].T,vert=True,patch_artist=True)
plt.xticks([1,2,3,4],('sepal_length','sepal_width','petal_length','petal_width'))
for patch, color in zip(ax['boxes'], colors):
patch.set_facecolor(color)
1.5 餅圖（pie plot）
之前已經把好看的餅圖都摘出來了，商務與經濟統計（13版，Python）筆記 01-02章
使用value_count（）函數彙總數據，順便加一個圖例
plt.pie(iris.species.value_counts(),labels=iris.species.value_counts().index)
plt.legend(loc="center left",bbox_to_anchor=(1, 0, 0.5, 1))
1.6 經驗累積分佈函數（ECDF）
需要手動構造數據，循環內使用reduce會增加計算了，但是數據少無所謂，然後用plt.step
from functools import reduce
cols=['sepal_length','sepal_width','petal_length','petal_width']
plt.figure(figsize=(10,6))
for n in range(len(cols)):
# 構造數據
data=iris[cols[n]].value_counts().sort_index()
len_data=len(data)
y_max=reduce(lambda a,b:a+b,data)
y=[data.iloc[0]/y_max]
for i in range(1,len_data):
y.append(reduce(lambda a,b:a+b,data.iloc[:i+1])/y_max)
plt.subplot(2,2,n+1)
plt.step(data.index,y,where='mid', label='mid')
plt.grid(axis='both',linestyle='-')
# plt.plot(data.index,y, 'C1o', alpha=0.5)
plt.title(cols[n])
1.6 百分位數圖（percentile plot）
cols=['sepal_length','sepal_width','petal_length','petal_width']
marker=['o','v','s','D']
x=list(range(0,101,10))
for n in range(len(cols)):
data_per=[]
for i in x:
data_per.append(np.percentile(iris[cols[n]],i))
plt.plot(x,data_per,marker=marker[n])
plt.legend(cols)
1.7 散佈圖矩陣（scatter plot matrix）
seaborn.PairGrid的例子就是鳶尾花數據做的，但是圖例不知道怎麼放好
g = sns.PairGrid(iris, hue="species", palette="Set2",hue_kws={"marker": ["o", "s", "D"]})
g = g.map_offdiag(plt.scatter, linewidths=1, edgecolor="w", s=40)
g.add_legend()
1.8 散佈圖
cols=['sepal_length','sepal_width','petal_length','petal_width']
species=['versicolor', 'virginica', 'setosa']
fig = plt.figure()
for c,m,i in [('r', 'o',0), ('b', '^',1),('y','*',2)]:
iris_1=iris[iris.species==species[i]]
plt.scatter(iris_1[cols[2]],iris_1[cols[3]],c=c,marker=m)
plt.legend(['versicolor', 'virginica', 'setosa'],loc='upper left')
ax.set_xlabel('petal_length')
ax.set_ylabel('petal_width')
1.9 三維散佈圖
感覺做的有點笨，但是米辦法。for循環用列表的方式，只是記憶一下有這種方式。
cols=['sepal_length','sepal_width','petal_length','petal_width']
species=['versicolor', 'virginica', 'setosa']
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
for c,m,i in [('r', 'o',0), ('b', '^',1),('y','*',2)]:
iris_1=iris[iris.species==species[i]]
ax.scatter(iris_1[cols[0]],iris_1[cols[1]],iris_1[cols[2]],c=c,marker=m)
plt.legend(['sepal_length','sepal_width','petal_length'],loc='upper left')
ax.set_xlabel('sepal_length')
ax.set_ylabel('sepal_width')
ax.set_zlabel('petal_length')
2、可視化空間數據
2.1 等高線圖（contour plot）
抄一個例子Contour plot of irregularly spaced data
origin = 'lower'
delta = 0.025
x = y = np.arange(-3.0, 3.01, delta)
X, Y = np.meshgrid(x, y)
Z1 = np.exp(-X**2 - Y**2)
Z2 = np.exp(-(X - 1)**2 - (Y - 1)**2)
Z = (Z1 - Z2) * 2
fig1, ax2 = plt.subplots(constrained_layout=True)
CS = ax2.contourf(X, Y, Z, 10, cmap=plt.cm.bone, origin=origin)
CS2 = ax2.contour(CS, levels=CS.levels[::2], colors='r', origin=origin)
ax2.set_title('Nonsense (3 masked regions)')
ax2.set_xlabel('word length anomaly')
ax2.set_ylabel('sentence length anomaly')
cbar = fig1.colorbar(CS)
cbar.ax.set_ylabel('verbosity coefficient')
cbar.add_lines(CS2)
2.2 曲面圖（surface plot）
第九章再說吧，先放個核密度圖
x=[4,6,1,2,4,6,7,1,2,4,6,7]
y=[1,1,4,4,4,4,4,5,5,5,5,5]
plt.scatter(x,y)
sns.kdeplot(x,y)
2.2 平行座標圖（parallel coordinates）
使用pandas.parallel_coordinates
from pandas.plotting import parallel_coordinates
fig,axes = plt.subplots()
parallel_coordinates(iris,'species',ax=axes)
2.3 星形座標（star coordinates）
沒有找到庫，做chernoff臉，只能自己動手搞一個星形座標圖，沒有隨機抽取樣本，只是每種花選前5朵。
cols=['sepal_length','sepal_width','petal_length','petal_width']
species=['versicolor', 'virginica', 'setosa']
# plt.figure(figsize=(15,15))
for i in range(3):
numbers=list(iris[iris.species==species[i]].index)[:5]
plt.figure(figsize=(10,3))
for n in range(len(numbers)):
ir=iris.iloc[numbers[n]]
#點畫線，12341324
x=[ir[0],0,-ir[2],0,ir[0],-ir[2],0,0]
y=[0,ir[1],0,-ir[3],0,0,ir[1],-ir[3]]
plt.subplot(1,5,n+1)
plt.scatter(x,y)
plt.plot(x,y,c='r')
#統一大小
plt.xlim(-7,8)
plt.ylim(-3,5)
#去掉刻度線
plt.xticks([0],'')
plt.yticks([0],'')
plt.title('%s %i' % (species[i],numbers[n]))