Python数据可视化：类别比较图表可视化
在学习本篇博文之前请先看一看之前发过的关联知识：
Python数据可视化：如何选择合适的图表可视化？
根据表达数据的侧重内容点，将图表类型分为6大类：类别比较图表、数据关系图表、数据分布图表、时间序列图表、局部整体图表和地理空间图表（有些图表也可以归类于两种或多种图表类型）。
本篇将介绍类别比较图表的可视化方法。
类别比较型图表的数据一般分为：数值型和类别型两种数据类型，主要包括：柱形图、条形图、雷达图、词云图等，通常用来比较数据的规模。如下所示：
1
柱状图
柱形图是一种以长方形的长度为变量的统计图表。柱形图用于显示一段时间内的数据变化或显示各项之间的比较情况。
在柱形图中，类别型或序数型变量映射到横轴的位置，数值型变量映射到矩形的高度。控制柱形图的两个重要参数是：“系列重叠"和“分类间距”。
-
“分类间距"控制同一数据系列的柱形宽度；
-
“系列重叠"控制不同数据系列之间的距离。
下图为常见的柱形图类型：单数据系列柱形图、多数据系列柱形图、堆积柱形图和百分比堆积柱形图。
1.1、单数据系列柱形图
通过一个示例了解单数据系列柱形图的使用，实现代码如下所示：
mydata = pd.DataFrame({'Cut': ["Fair", "Good", "Very Good", "Premium", "Ideal"],
'Price': [4300, 3800, 3950, 4700, 3500]})
Sort_data = mydata.sort_values(by='Price', ascending=False)
fig = plt.figure(figsize=(6, 7), dpi=70)
plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1)
plt.grid(axis="y", c=(217/256, 217/256, 217/256))
ax = plt.gca()
ax.spines['top'].set_color('none')
ax.spines['right'].set_color('none')
ax.spines['left'].set_color('none')
plt.bar(Sort_data['Cut'], Sort_data['Price'],
width=0.6, align="center", label="Cut")
plt.ylim(0, 6000)
plt.xlabel('Cut')
plt.ylabel('Price')
plt.show()
效果如下所示：
1.2、多数据系列柱形图
通过一个示例了解多数据系列柱形图的使用，实现代码如下所示：
x_label = np.array(df["Catergory"])
x = np.arange(len(x_label))
y1 = np.array(df["1996"])
y2 = np.array(df["1997"])
fig = plt.figure(figsize=(5, 5))
plt.subplots_adjust(left=0.1, right=0.9, top=0.9, bottom=0.1) # 设置绘图区域大小位置
plt.bar(x, y1, width=0.3, color='#00AFBB', label='1996', edgecolor='k',
linewidth=0.25) # 调整y1轴位置，颜色，label为图例名称，与下方legend结合使用
plt.bar(x+0.3, y2, width=0.3, color='#FC4E07', label='1997',
edgecolor='k', linewidth=0.25) # 调整y2轴位置，颜色，label为图例名称，与下方legend结合使用
plt.xticks(x+0.15, x_label, size=12) # 设置x轴刻度，位置,大小
# 显示图例，loc图例显示位置(可以用坐标方法显示），ncol图例显示几列，默认为1列,frameon设置图形边框
plt.legend(loc=(1, 0.5), ncol=1, frameon=False)
plt.yticks(size=12) # 设置y轴刻度，位置,大小
plt.grid(axis="y", c=(217/256, 217/256, 217/256)) # 设置网格线
# 将y轴网格线置于底层
# plt.xlabel("Quarter",labelpad=10,size=18,) #设置x轴标签,labelpad设置标签距离x轴的位置
# plt.ylabel("Amount",labelpad=10,size=18,) #设置y轴标签,labelpad设置标签距离y轴的位置
ax = plt.gca()
ax.spines['top'].set_color('none') # 设置上‘脊梁’为无色
ax.spines['right'].set_color('none') # 设置右‘脊梁’为无色
ax.spines['left'].set_color('none') # 设置左‘脊梁’为无色
plt.show()
效果如下所示：
1.3、堆积柱形图
通过一个示例了解堆积柱形图的使用，实现代码如下所示：
# -*- coding: utf-8 -*-
# %%
import pandas as pd
import numpy as np
from plotnine import *
mydata = pd.DataFrame(dict(Name=['A', 'B', 'C', 'D', 'E'],
Scale=[35, 30, 20, 10, 5],
ARPU=[56, 37, 63, 57, 59]))
# 构造矩形X轴的起点（最小点）
mydata['xmin'] = 0
for i in range(1, 5):
mydata['xmin'][i] = np.sum(mydata['Scale'][0:i])
# 构造矩形X轴的终点（最大点）
mydata['xmax'] = 0
for i in range(0, 5):
mydata['xmax'][i] = np.sum(mydata['Scale'][0:i+1])
mydata['label'] = 0
for i in range(0, 5):
mydata['label'][i] = np.sum(mydata['Scale'][0:i+1])-mydata['Scale'][i]/2
base_plot = (ggplot(mydata) +
geom_rect(aes(xmin='xmin', xmax='xmax', ymin=0, ymax='ARPU', fill='Name'), colour="black", size=0.25) +
geom_text(aes(x='label', y='ARPU+3', label='ARPU'), size=14, color="black") +
geom_text(aes(x='label', y=-4, label='Name'), size=14, color="black") +
scale_fill_hue(s=0.90, l=0.65, h=0.0417, color_space='husl') +
ylab("ARPU") +
xlab("scale") +
ylim(-5, 80) +
theme( # panel_background=element_rect(fill="white"),
#panel_grid_major = element_line(colour = "grey",size=.25,linetype ="dotted" ),
#panel_grid_minor = element_line(colour = "grey",size=.25,linetype ="dotted" ),
text=element_text(size=15),
legend_position="none",
aspect_ratio=1.15,
figure_size=(5, 5),
dpi=100
))
print(base_plot)
2
条形图
条形图与柱形图类似，几乎可以表达相同多的数据信息。
在条形图中，类别型或序数型变量映射到纵轴的位置，数值型变量映射到矩形的宽度。条形图的柱形变为横向，从而导致与柱形图相比，条形图更加强调项目之间的大小对比。尤其在项目名称较长以及数量较多时，采用条形图可视化数据会更加美观、清晰，如下图所示：
2.1、单数据系列条形图
通过一个示例了解单数据系列条形图的使用，实现代码如下所示：
df = pd.read_csv('Stackedbar_Data.csv')
df = df.sort_values(by='Pensions', ascending=True)
df['Country'] = pd.Categorical(df['Country'], categories=df['Country'], ordered=True)
df
# %%
base_plot = (ggplot(df, aes('Country', 'Pensions')) +
# "#00AFBB"
geom_bar(stat="identity", color="black", width=0.6, fill="#FC4E07", size=0.25) +
实现效果如下所示：
2.2、多数据系列条形图
通过一个示例了解多数据系列条形图的使用，实现代码如下所示：
df = pd.read_csv('Stackedbar_Data.csv')
效果如下所示：
2.3、堆积条形图
通过一个示例了解堆积条形图的使用，实现代码如下所示：
df = pd.read_csv('Stackedbar_Data.csv')
Sum_df = df.iloc[nonedisplay: none;'>
2.4、百分比堆积条形图
通过一个示例了解百分比堆积条形图的使用，实现代码如下所示：
df = pd.read_csv('Stackedbar_Data.csv')
效果如下所示：
4
词云图
词云图通过使每个字的大小与其出现频率成正比，显示不同单词在给定文本中的出现频率，这会过滤掉大量的文本信息，使浏览者只要一眼扫过文本就可以领略文本的主旨。
词云图会将所有的字词排在一起，形成云状图案，也可以任何格式排列：水平线、垂直列或其他形状，也可用于显示获分配元数据的单词。如下图所示：
每个圆圈表示一个数值刻度，而径向分隔线（从中心延伸出来的线）则用于区分不同类别或间隔（如果是直方图）。刻度上较低的数值通常由中心点开始，然后数值会随着每个圆形往外增加，但也可以把任何外圆设为零值，这样里面的内圆就可用来显示负值。条形通常从中心点开始向外延伸，但也可以以别处为起点，显示数值范围（如跨度图）。
此外，条形也可以如堆叠式条形图般堆叠起来，如下图所示：
8
热力图
热力图是一种通过对色块着色来显示数据的统计图表，绘图时需指定颜色映射的规则。例如，较大的值由较深的颜色表示，较小的值由较浅的颜色表示；较大的值由偏暖的颜色表示，较小的值由较冷的颜色表示等。
通过一个示例了解热力图的使用，实现代码如下所示：
import numpy as np
import pandas as pd
from plotnine import *
from plotnine.data import mtcars
mat_corr = np.round(mtcars.corr(), 1).reset_index()
mydata = pd.melt(mat_corr, id_vars='index', var_name='var', value_name='value')
mydata
# %%
base_plot = (ggplot(mydata, aes(x='index', y='var', fill='value', label='value')) +
geom_tile(colour="black") +
geom_text(size=8, colour="white") +
scale_fill_cmap(name='RdYlBu_r') +
coord_equal() +
theme(dpi=100, figure_size=(4, 4)))
print(base_plot)
# %%
mydata['AbsValue'] = np.abs(mydata.value)
base_plot = (ggplot(mydata, aes(x='index', y='var', fill='value', size='AbsValue')) +
geom_point(shape='o', colour="black") +
# geom_text(size=8,colour="white")+
scale_size_area(max_size=11, guide=False) +
scale_fill_cmap(name='RdYlBu_r') +
coord_equal() +
theme(dpi=100, figure_size=(4, 4)))
print(base_plot)
# %%
base_plot = (ggplot(mydata, aes(x='index', y='var', fill='value', size='AbsValue')) +
geom_point(shape='s', colour="black") +
# geom_text(size=8,colour="white")+
scale_size_area(max_size=10, guide=False) +
scale_fill_cmap(name='RdYlBu_r') +
coord_equal() +
theme(dpi=100, figure_size=(4, 4)))
print(base_plot)
效果如下所示：
-
可视化
+关注
关注
1文章
1194浏览量
20932 -
图表
+关注
关注
0文章
25浏览量
8855 -
python
+关注
关注
56文章
4792浏览量
84623
原文标题：Python数据可视化：类别比较图表可视化
文章出处：【微信号：美男子玩编程，微信公众号：美男子玩编程】欢迎添加关注！文章转载请注明出处。
发布评论请先 登录
相关推荐
什么是大屏数据可视化？特点有哪些？
如何找到适合的大屏数据可视化系统
智慧能源可视化监管平台——助力可视化能源数据管理
智慧楼宇可视化的优点
大屏数据可视化 开源
如何实现园区大屏可视化？
物联网时代，为什么需要可视化数据大屏
态势数据可视化技术有哪些
智慧大屏是如何实现数据可视化的？
数据可视化：企业数字化建设效果的呈现
工商网监
评论