超實用！用Python進行數據可視化的9種常見方法！

來自專欄 景略集智

如同藝術家們用繪畫讓人們更貼切的感知世界，數據可視化也能讓人們更直觀的傳遞數據所要表達的信息。

我們今天就分享一下如何用 Python 簡單便捷的完成數據可視化。

其實利用 Python 可視化數據並不是很麻煩，因為 Python 中有兩個專用於可視化的庫 matplotlib 和 seaborn 能讓我們很容易的完成任務。

• Matplotlib：基於Python的繪圖庫，提供完全的 2D 支持和部分 3D 圖像支持。在跨平台和互動式環境中生成高質量數據時，matplotlib 會很有幫助。也可以用作製作動畫。
• Seaborn：該 Python 庫能夠創建富含信息量和美觀的統計圖形。Seaborn 基於 matplotlib，具有多種特性，比如內置主題、調色板、可以可視化單變數數據、雙變數數據，線性回歸數據和數據矩陣以及統計型時序數據等，能讓我們創建複雜的可視化圖形。

我們用 Python 可以做出哪些可視化圖形？

那麼這裡可能有人就要問了，我們為什麼要做數據可視化？比如有下面這個圖表：

當然如果你把這張圖表丟給別人，他們倒是也能看懂，但無法很直觀的理解其中的信息，而且這種形式的圖表看上去也比較 low，這個時候我們如果換成直觀又美觀的可視化圖形，不僅能突顯逼格，也能讓人更容易的看懂數據。

下面我們就用上面這個簡單的數據集作為例子，展示用 Python 做出9種可視化效果，並附有相關代碼。

導入數據集

import matplotlib.pyplot as pltimport pandas as pddf=pd.read_excel("E:/First.xlsx", "Sheet1")

可視化為直方圖

fig=plt.figure() #Plots in matplotlib reside within a figure object, use plt.figure to create new figure#Create one or more subplots using add_subplot, because you cant create blank figureax = fig.add_subplot(1,1,1)#Variableax.hist(df[Age],bins = 7) # Here you can play with number of binsLabels and Titplt.title(Age distribution)plt.xlabel(Age)plt.ylabel(#Employee)plt.show()

可視化為箱線圖

import matplotlib.pyplot as pltimport pandas as pdfig=plt.figure()ax = fig.add_subplot(1,1,1)#Variableax.boxplot(df[Age])plt.show()

可視化為小提琴圖

import seaborn as sns sns.violinplot(df[Age], df[Gender]) #Variable Plotsns.despine()

可視化為條形圖

var = df.groupby(Gender).Sales.sum() #grouped sum of sales at Gender levelfig = plt.figure()ax1 = fig.add_subplot(1,1,1)ax1.set_xlabel(Gender)ax1.set_ylabel(Sum of Sales)ax1.set_title("Gender wise Sum of Sales")var.plot(kind=bar)

可視化為折線圖

var = df.groupby(BMI).Sales.sum()fig = plt.figure()ax1 = fig.add_subplot(1,1,1)ax1.set_xlabel(BMI)ax1.set_ylabel(Sum of Sales)ax1.set_title("BMI wise Sum of Sales")var.plot(kind=line)

可視化為堆疊柱狀圖

var = df.groupby([BMI,Gender]).Sales.sum()var.unstack().plot(kind=bar,stacked=True, color=[red,blue], grid=False)

可視化為散點圖

fig = plt.figure()ax = fig.add_subplot(1,1,1)ax.scatter(df[Age],df[Sales]) #You can also add more variables here to represent color and size.plt.show()

可視化為泡泡圖

fig = plt.figure()ax = fig.add_subplot(1,1,1)ax.scatter(df[Age],df[Sales], s=df[Income]) # Added third variable income as size of the bubbleplt.show()

可視化為餅狀圖

var=df.groupby([Gender]).sum().stack()temp=var.unstack()type(temp)x_list = temp[Sales]label_list = temp.indexpyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")#To show the percentage of each pie slice, pass an output format to the autopctparameter plt.pie(x_list,labels=label_list,autopct="%1.1f%%") plt.title("Pastafarianism expenses")plt.show()

可視化為熱度圖

import numpy as np#Generate a random number, you can refer your data values alsodata = np.random.rand(4,2)rows = list(1234) #rows categoriescolumns = list(MF) #column categoriesfig,ax=plt.subplots()#Advance color controlsax.pcolor(data,cmap=plt.cm.Reds,edgecolors=k)ax.set_xticks(np.arange(0,2)+0.5)ax.set_yticks(np.arange(0,4)+0.5)# Here we position the tick labels for x and y axisax.xaxis.tick_bottom()ax.yaxis.tick_left()#Values against each labelsax.set_xticklabels(columns,minor=False,fontsize=20)ax.set_yticklabels(rows,minor=False,fontsize=20)plt.show()

你也可以自己試著根據兩個變數比如性別（X 軸）和 BMI（Y 軸）繪出熱度圖。

結語

本文我們分享了如何利用 Python 及 matplotlib 和 seaborn 庫製作出多種多樣的可視化圖形。通過上面的例子，我們應該可以感受到利用可視化能多麼美麗的展示數據。而且和其它語言相比，使用 Python 進行可視化更容易簡便一些。

參考資料：

https://www.analyticsvidhya.com/blog/2015/05/data-visualization-python/