投稿
  1. 首页
  2. python

Python数据可视化 Matplotlib详解（一) —— 折线图与时序数据绘制

code • 2022-5-14 • python • 阅读 21

Python数据可视化 Matplotlib详解（一) —— 折线图与时序数据绘制,第1张

目录
  • 本小节内容
  • 基础代码
  • 实例讲解
  • 如何多图绘制
    • 多行多列的情况
    • 多行单列的情况
  • Matplotlib 绘制时序数据
  • 多时序变量绘图
  • 如何给数据添加注释
  • Reference

本小节内容

今天这一小节主要是学Matplotlib绘制折线图、时序数据，以及如何更改图表的某些参数属性。

基础代码

首先，看看基础的Matplotlib的画图代码。一个是单个数据指标画图，还有一个是多个数据指标画图。

# 单个数据输出
# Import the matplotlib.pyplot submodule and name it plt
import matplotlib.pyplot as plt
# Create a Figure and an Axes with plt.subplots
plt.plots(y = xxx, x = xxx, kind = {'bar', 'scatter', ....})
# Call the show function to show the result
plt.show()

# 多个数据指标画图
# Import the matplotlib.pyplot submodule and name it plt
import matplotlib.pyplot as plt
# Create a Figure and an Axes with plt.subplots
fig, ax = plt.subplots()
ax.plot()
# Call the show function to show the result
plt.show()
实例讲解

在本练习中，我们将使用绘图方法添加两个美国城市的降雨数据：西雅图，华盛顿州和奥斯汀，德克萨斯州。



seattle_weather 存储有关西雅图天气的信息，而 austin_weather 存储有关奥斯汀天气的信息。每个 DataFrame 都有一个“MONTH”列，用于存储月份的三个字母名称。每个还有一个名为“MLY-PRCP-NORMAL”的列，用于存储十年期间每个月的平均降雨量。

关于该数据集的任务如下：

  • 通过调用 plt.subplots 创建一个 Figure 和一个 Axes 对象。
  • 通过调用 Axes plot 方法从 seattle_weather DataFrame 添加数据。
  • 以类似的方式从 austin_weather DataFrame 添加数据并调用 plt.show 以显示结果。
# Import the matplotlib.pyplot submodule and name it plt
import matplotlib.pyplot as plt

# Create a Figure and an Axes with plt.subplots
fig, ax = plt.subplots()
# Plot MLY-PRCP-NORMAL from seattle_weather against the MONTH
ax.plot(seattle_weather["MONTH"], seattle_weather['MLY-PRCP-NORMAL'])
# Plot MLY-PRCP-NORMAL from austin_weather against MONTH
ax.plot(austin_weather['MONTH'], austin_weather['MLY-PRCP-NORMAL'])

# Call the show function
plt.show()

当然，ax不止这一个功能，可以更改标记每个数据点，并更改形状。能改变线条颜色以及线条的风格。代码如下

# Plot Seattle data, setting data appearance
ax.plot(seattle_weather["MONTH"], seattle_weather["MLY-PRCP-NORMAL"], color = 'b', marker = 'o', linestyle = '--')

# Plot Austin data, setting data appearance
ax.plot(austin_weather["MONTH"], austin_weather["MLY-PRCP-NORMAL"], color = 'r', marker = 'v', linestyle = '--')

# Call show to display the resulting plot
plt.show()

如果想自定义x轴、y轴以及标题，可以这么做。

  • x轴：ax.set_xlabel(’xxx’)
  • y轴：ax.set_ylabel(’xxx’)
  • 标题：ax.set_title(’xxx’)
ax.plot(seattle_weather["MONTH"], seattle_weather["MLY-PRCP-NORMAL"])
ax.plot(austin_weather["MONTH"], austin_weather["MLY-PRCP-NORMAL"])

# Customize the x-axis label
ax.set_xlabel('Time (months)')

# Customize the y-axis label
ax.set_ylabel('Precipitation (inches)')

# Add the title
ax.set_title('Weather patterns in Austin and Seattle')

# Display the figure
plt.show()

具体的数据点样例更改及线条形状更改可以参考下官网给出的参数。

如何多图绘制

接上个例子，如果我们要输入2个城市的多个数据在一个图中，会显得非常的乱。因此，我们可以用matplotlib里ax的小图功能。

比如，我们需要去创建一个3行2列的对象，也就是3*2 = 6，有6个axes

fig, ax = plt.subplots(3, 2)

这就意味着，subplots(a1, a2)里的a1, a2 就是整个对象的shape，即3 x 2，3行2列。然后接下来我们就可以针对每个axes去绘图。

多行多列的情况

假如，我们要去绘制上面2个城市的数据。它们每个都有一个“MONTH”列和“MLY-PRCP-NORMAL”（用于平均降水），以及“MLY-TAVG-NORMAL”（用于平均温度）列。在本练习中，您将在单独的子图中绘制每个城市的月平均降水量和平均气温。

# Create a Figure and an array of subplots with 2 rows and 2 columns
fig, ax = plt.subplots(2, 2)

# Addressing the top left Axes as index 0, 0, plot month and Seattle precipitation
ax[0, 0].plot(seattle_weather['MONTH'], seattle_weather['MLY-PRCP-NORMAL'])

# In the top right (index 0,1), plot month and Seattle temperatures
ax[0, 1].plot(seattle_weather['MONTH'], seattle_weather['MLY-TAVG-NORMAL'])

# In the bottom left (1, 0) plot month and Austin precipitations
ax[1, 0].plot(austin_weather['MONTH'], austin_weather['MLY-PRCP-NORMAL'])

# In the bottom right (1, 1) plot month and Austin temperatures
ax[1, 1].plot(austin_weather['MONTH'], austin_weather['MLY-TAVG-NORMAL'])
plt.show()

多行单列的情况

也就是subplots(2, 1) 只有1列的情况下，我们就可以不用ax[0, 0] 之类的。可以直接ax[0]表示第一行的图，ax[1]表示第二行的图

# Create a figure and an array of axes: 2 rows, 1 column with shared y axis
fig, ax = plt.subplots(2, 1, sharey=True)

# Plot Seattle precipitation data in the top axes
ax[0].plot(seattle_weather['MONTH'], seattle_weather['MLY-PRCP-NORMAL'], color = 'b')
ax[0].plot(seattle_weather['MONTH'], seattle_weather['MLY-PRCP-25PCTL'], color = 'b', linestyle = '--')
ax[0].plot(seattle_weather['MONTH'], seattle_weather['MLY-PRCP-75PCTL'], color = 'b', linestyle = '--')

# Plot Austin precipitation data in the bottom axes
ax[1].plot(austin_weather['MONTH'], austin_weather['MLY-PRCP-NORMAL'], color = 'r')
ax[1].plot(austin_weather['MONTH'], austin_weather['MLY-PRCP-25PCTL'], color = 'r', linestyle = '--')
ax[1].plot(austin_weather['MONTH'], austin_weather['MLY-PRCP-75PCTL'], color = 'r', linestyle = '--')

plt.show()

Matplotlib 绘制时序数据

首先，我们需要利用pandas去导入我们的数据。时序数据其实就是以时间那列为索引的数据，在导入之前，我们需要用parse_date去解析我们的时序数据，并将时间数据那一列定义为index列。

# Import pandas as pd
import pandas as pd

# Read the data from file using read_csv
climate_change = pd.read_csv('climate_change.csv', 
															parse_dates = ['date'], 
															index_col = 'date')

处理好时间数据之后呢，就可以开始画图了。因为我们前面这一步已经将时间数据作为了索引，所以在下面的代码中，直接调用index就好

import matplotlib.pyplot as plt
fig, ax = plt.subplots()

# Add the time-series for "relative_temp" to the plot
ax.plot(climate_change.index, climate_change['relative_temp'])

# Set the x-axis label
ax.set_xlabel('Time')

# Set the y-axis label
ax.set_ylabel('Relative temperature (Celsius)')

# Show the figure
plt.show()

上图为1960-2010年 50年的折线图，那如果我们想看某10内的，要怎么看呢？首先，取10年的数据出来，因为我们在一开始就把时间作为了索引，因此，我们只需要去’1970-01-01’:'1979-12-31’即可

import matplotlib.pyplot as plt

# Use plt.subplots to create fig and ax
fig, ax = plt.subplots()

# Create variable seventies with data from "1970-01-01" to "1979-12-31"
seventies = climate_change['1970-01-01':'1979-12-31']
print(seventies.head())
# Add the time-series for "co2" data from seventies to the plot
ax.plot(seventies.index, seventies["co2"])

# Show the figure
plt.show()

多时序变量绘图

前面学习了如何将单变量绘制，以及学习了多个单变量绘制。现在学习的是如何将多变量放在同一个图中并且有多个y轴刻度线。这种情况只适用于，x轴刻度相同，而y不相同的情况下

ax2 = ax.twinx()

这个代码可以让2号曲线的y轴放在右侧。例子如下，

import matplotlib.pyplot as plt

# Initalize a Figure and Axes
fig, ax = plt.subplots()

# Plot the CO2 variable in blue
ax.plot(climate_change.index, climate_change['co2'], color= 'b')

# Create a twin Axes that shares the x-axis
ax2 = ax.twinx()

# Plot the relative temperature in red
ax2.plot(climate_change.index, climate_change['relative_temp'], color= 'r')

plt.show()

为了更好地区分，我们可以对刻度轴的颜色，曲线颜色和y轴标签颜色进行更改。下面是封装好的绘图function，它可以将每个变量以一个颜色进行绘图。面对多个变量的时候

# Define a function called plot_timeseries
def plot_timeseries(axes, x, y, color, xlabel, ylabel):

  # Plot the inputs x,y in the provided color
  axes.plot(x, y, color=color)

  # Set the x-axis label
  axes.set_xlabel(xlabel)

  # Set the y-axis label
  axes.set_ylabel(ylabel, color=color)

  # Set the colors tick params for y-axis
	# tick_params 用于更改刻度颜色
  axes.tick_params('y', colors = color)

接下来我们可以试验一下。先用上面的function绘制第一个图，然后再用ax.twinx()去增加第二个y轴的刻度。然后再用function绘制第二条曲线。最后plt.show()

fig, ax = plt.subplots()

# Plot the CO2 levels time-series in blue
plot_timeseries(ax, climate_change.index, climate_change['co2'], "blue", "Time (years)", "CO2 levels")

# Create a twin Axes object that shares the x-axis
ax2 = ax.twinx()

# Plot the relative temperature data in red
plot_timeseries(ax2, climate_change.index, climate_change['relative_temp'], "red", "Time (years)", "Relative temperature (Celsius)")

plt.show()

如何给数据添加注释

添加注释的最大作用就是，突出某一个数据的重要性。那么就可以在axes中使用如下的代码

ax.annotate('注释内容', xy = (pd.Timestamp('YYYY-MM-DD'), 1))

这里我解释下后面的xy是什么意思，分别对应逗号的前后，x就是pd.Timestamp(’xxxx’)，即该数据所在x轴的位置，y同样对应的就是y轴坐标位置。也就是说假如

ax.annotate('> 1 degree', xy = (pd.Timestamp('2022-04-22'), 1))

那么图中将会显示出点（pd.Timestamp(‘2022-04-22’), 1）的坐标，并将注释 ‘> 1 degree’ 放该坐标的旁边。

此时呢，如果数据太杂乱，我们还可以自定义这个注释的位置并添加箭头，只需要用到如下的代码。

ax.annotate('> 1 degree', xy = (pd.Timestamp('2022-04-22'), 1),
						# 修改注释位置
						xytext = (pd.Timestamp('yyyy-mm-dd', y),
						# 绘制箭头
						arrowprops = {}
						)

然后这个arrowprops里面可以自定义箭头的形状，颜色等。官网给出的有这些样式：

剩下的可以自行官网查看，里面还有其他参数，先暂不研究啦

完整的例子，代码如下

fig, ax = plt.subplots()

# Plot the CO2 levels time-series in blue
plot_timeseries(ax, climate_change.index, climate_change['co2'], 'blue', "Time (years)", "CO2 levels")

# Create an Axes object that shares the x-axis
ax2 = ax.twinx()

# Plot the relative temperature data in red
plot_timeseries(ax2, climate_change.index, climate_change['relative_temp'], 'red', "Time (years)", "Relative temp (Celsius)")

# Annotate point with relative temperature >1 degree
ax2.annotate(">1 degree", xy = (pd.Timestamp('2015-10-06'), 1), 
							xytext = (pd.Timestamp('2008-10-06'), -0.2), 
							arrowprops = {'arrowstyle': '->', 'color':'grey'})

plt.show()

这样就能看到，我们利用xytext将文本替换了位置，同时利用了arrowprops添加了箭头及其颜色。这里要注意的是，arrowprops在官网是一个字典的格式。你可以像我这么写，也可以写为

arrowprops = dict(arrowstyle = '->', color = 'grey')

下一节将记录一下定量数据可视化的内容。

Reference

DataCamp: https://campus.datacamp.com/courses/introduction-to-data-visualization-with-matplotlib/

欢迎分享，转载请注明来源：内存溢出

原文地址: http://outofmemory.cn/langs/883660.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
code code 管理员组
0 0
上一篇 2022-05-14
下一篇 2022-05-14

发表评论

登录后才能评论

评论列表（0条）

保存