python-used-data-visualization.md

Python 如何用于数据可视化？

原文：www.kdnuggets.com/2022/12/python-used-data-visualization.html

图片来自 Freepik

介绍

---

我们的前三大课程推荐

1. Google 网络安全证书 - 加入网络安全职业的快车道

2. Google 数据分析专业证书 - 提升你的数据分析技能

3. Google IT 支持专业证书 - 支持你的组织 IT

---

研究如何以视觉方式表示数据称为数据可视化。它通过图形化绘制数据有效地传达数据中的发现。

我们可以通过数据可视化获得数据的视觉总结。当数据以图像、地图和图表呈现时，人类大脑更容易处理和理解这些数据。

无论是小型还是大型数据集，都能从数据可视化中获益，但大数据集尤为突出，因为人工查看、处理和理解所有数据是困难的。

数据可视化的研究涉及通过将数据放入视觉背景中来尝试理解数据，以揭示可能无法通过其他方式看到的模式、趋势和连接。

使用 Python 进行数据可视化

数据可视化可以使用任何编程语言进行，但选择 Python 更适合数据可视化，因为 Python 代码行数较少。

Python 具有简单的语法，编写代码所需时间非常少，同时 Python 提供了多种数据可视化的包或库，利用现有的功能。一些用于数据可视化的 Python 库包括 matplotlib 和 seaborn 以及许多其他数据可视化的包。

Matplotlib、Seaborn、Bokeh 和 Plotly 是 Python 中用于数据可视化的库。

1. Matplotlib 用于绘制图表，如散点图、折线图、饼图和条形图，matplotlib 处理数组和数据集字段。

2. Seaborn 用于复杂的数据可视化，例如着色和设计图表，并且 seaborn 能处理整个数据集。

3. Bokeh 用于通过使事物互动来进行数据可视化，并使用 HTML 和 JavaScript 在网页浏览器中呈现数据。

4. Plotly 也用于数据可视化，使图表更具吸引力，并允许自定义。

现在，让我们详细了解这些内容。

1. Matplotlib

Matplotlib 用于绘制图形，如散点图、线图、饼图和条形图，且 matplotlib 处理的是数据集的数组和字段。

Matplotlib 是一个低级接口，非常易于使用并提供灵活性，如前所述，matplotlib 处理使用 NumPy 创建的数组。

要安装 matplotlib，我们需要使用以下命令，

pip install matplotlib

在命令提示符中运行此命令，您会看到如下所示。

图片由作者提供

现在，我们可以使用 matplotlib 来可视化数据。

线图

线图用于表示数据集中的两个不同字段，或使用 plot() 函数显示两个字段之间的关系。

我们可以用 Python 编程，如下所示

import pandas as pd
import matplotlib. pyplot as plt

data = pd.read_csv("diabetes.csv")

plt. plot(data['Preg'])
plt. plot(data['age'])
plt. title("Line Plot")
plt. xlabel('Preg')
plt. label('age')
plt. show()

输出：

散点图

散点图 用于表示两个字段之间的关系，使用 matplotlib 库中的 scatter() 函数，该函数使用点来表示数据。

我们可以用 Python 编程，如下所示

import pandas as pd
import matplotlib. pyplot as plt

data = pd.read_csv("diabetes.csv")

plt. scatter(data['Preg'], data['age'])
plt. title("Scatter Plot")
plt. xlabel('Preg')
plt. label('age')
plt. show()

输出：

条形图

条形图用于使用 matplotlib 库中的 bar() 函数表示分类数据。

我们可以用 Python 编程，如下所示

import pandas as pd
import matplotlib. pyplot as plt

data = pd.read_csv("diabetes.csv")

plt. bar(data['Preg'], data['age'])
plt. title("Bar Plot")
plt. xlabel('Preg')
plt. ylabel('age')
plt.show()

输出：

直方图

直方图用于以组的形式表示数据，使用 matplotlib 库中的 hist() 函数来表示数据。

我们可以用 Python 编程，如下所示

import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_csv("diabetes.csv")

plt.hist(data['age'])
plt.title("Histogram Plot")
plt.show()

输出：

2. Seaborn

Seaborn 用于数据的复杂可视化，如着色、图形设计，且 seaborn 可以处理整个数据集。

Seaborn 具有高层接口，能够生成具有吸引力且色彩丰富的输出。

要安装 seaborn，我们需要使用以下命令，

pip install seaborn

在命令提示符中运行此命令，您会看到如下所示。

图片由作者提供

现在，我们可以使用 seaborn 来可视化数据。

线图

线图用于表示数据集中的两个不同字段，或显示两个字段之间的关系，使用 seaborn 中的 lineplot() 函数。

我们可以用 Python 编程，如下所示

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

data = pd.read_csv("diabetes.csv")

sns.lineplot(x='Preg', y='age', data=data)
plt.show()

输出：

散点图

散点图用于表示两个字段之间的关系，使用 seaborn 库中的 scatterplot() 函数，该函数使用点来表示数据。

我们可以用 Python 编程，如下所示

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

data = pd.read_csv("diabetes.csv")

sns.scatterplot(x='Preg', y='age', data=data, hue='class')
plt.show()

输出：

条形图

条形图用于表示分类数据，使用 seaborn 库中的 barplot()函数来表示数据。

我们可以用 Python 编写如下代码

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

data = pd.read_csv("diabetes.csv")

sns.barplot(x='Preg', y='age', data=data, hue='class')
plt.show()

输出：

直方图

直方图用于将数据以分组的形式表示，使用 matplotlib 库中的 histplot()函数来表示数据。

我们可以用 Python 编写如下代码

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

data = pd.read_csv("diabetes.csv")

sns.histplot(x='age',kde=True, data=data, hue='class')
plt.show()

输出：

3. Bokeh

Bokeh 用于数据可视化，通过使内容互动，使用 HTML 和 JavaScript 在网页浏览器中表示数据，并具有高级互动性。

要安装 seaborn，我们需要使用以下命令

pip install bokeh

在命令提示符中运行此命令，你将看到如下效果。

作者提供的图片

现在，我们可以使用 bokeh 来可视化数据。

折线图

折线图用于表示数据集中两个不同字段之间的关系，或使用 bokeh 中的 line()函数显示两个字段之间的关系。

我们可以用 Python 编写如下代码，

from bokeh.plotting import figure, output_file, show
import pandas as pd

graph = figure(title = "Bokeh Bar Chart")
data = pd.read_csv("diabetes.csv")

df = data['age'].value_counts()

graph.line(df, data['age'])
show(graph)

输出：

散点图

散点图用于表示两个字段之间的关系，使用 bokeh 库中的 scatter()函数，通过点来表示数据。

我们可以用 Python 编写如下代码

from bokeh.plotting import figure, output_file, show
import pandas as pd

graph = figure(title = "Bokeh Bar Chart")
data = pd.read_csv("diabetes.csv")

df = data['age'].value_counts()
graph.scatter(df, data['age'])
show(graph)

输出：

条形图

条形图用于表示分类数据，使用 bokeh 库中的 vbar()和 hbar()函数来表示数据。

我们可以用 Python 编写如下代码

from bokeh.plotting import figure, output_file, show
import pandas as pd

graph = figure(title = "Bokeh Bar Chart")
data = pd.read_csv("diabetes.csv")

graph.vbar(data['age'], top=data['Preg'])
show(graph)

输出：

4. Plotly

Plotly 也用于数据可视化，使图表更具吸引力并允许自定义。

要安装 plotly，我们需要使用以下命令

pip install plotly

在命令提示符中运行此命令，你将看到如下效果。

作者提供的图片

现在，我们可以使用 plotly 来可视化数据。

折线图

折线图用于表示数据集中两个不同字段之间的关系，或使用 plotly 中的 line()函数显示两个字段之间的关系。

我们可以用 Python 编写如下代码

import plotly.express as px
import pandas as pd

data = pd.read_csv("diabetes.csv")

fig = px.line(data, y='age', color='class')
fig.show()

输出：

散点图

散点图用于表示两个字段之间的关系，使用 plotly 库中的 scatter()函数，通过点来表示数据。

我们可以用 Python 编写如下代码

import plotly.express as px
import pandas as pd

data = pd.read_csv("diabetes.csv")

fig = px.scatter(data, x='Preg', y='age', color='class')
fig.show()

输出：

条形图

条形图用于使用 plotly 库中的 bar()函数表示分类数据。

我们可以用 Python 编写如下代码

import plotly.express as px
import pandas as pd

data = pd.read_csv("diabetes.csv")

fig = px.bar(data, x='Preg', y='age', color='class')
fig.show()

输出：

直方图

直方图用于使用 matplotlib 库中的 histogram()函数以分组形式表示数据。

我们可以用 Python 编写如下代码

import plotly.express as px
import pandas as pd

data = pd.read_csv("diabetes.csv")

fig = px.histogram(data, x='age', color='class')
fig.show()

输出：

这些是使用 Python 库进行数据可视化的不同方法。现在让我们简要总结一下讨论的内容。

结论

1. 首先，我们了解了什么是数据可视化以及为什么要进行数据可视化。

2. 数据可视化的研究涉及通过将数据置于可视化上下文中，以揭示可能不易察觉的模式、趋势和关联。

3. 接下来，我们了解了如何使用 Python 进行数据可视化以及为什么可以选择 Python 进行数据可视化。

4. 我们了解了使用 Python 进行数据可视化的不同库。

5. 我们通过合适的示例和输出代码理解了每种数据可视化技术。

希望您学会了如何使用 Python 及其不同类型的库轻松地可视化数据。您可以通过免费的资源如 Kdnuggets、Scaler或Wiki了解更多关于 Python 及其各种库的知识。

**Vaishnavi Amira Yada**是一位技术内容作家。她具备 Python、Java、DSA、C 等方面的知识。她发现自己对写作充满热情，并且非常喜爱它。

更多相关主题

• 为什么仅使用 LLM 无法满足您公司的预测需求

• 生成性人工智能如何帮助您改进数据可视化图表

• KDnuggets 新闻，6 月 22 日：主要的监督学习算法…

• 10 种最常用的 Tableau 函数

• KDnuggets 新闻，8 月 3 日：10 种最常用的 Tableau 函数 • 是…

• 我每天使用 ChatGPT 5 个月。这些是一些隐藏的宝石…