這40個Python視覺化圖表案例，強烈建議收藏！

數據分析那些事

49 min readNov 10, 2021

導讀：Python圖表大全，40個種類，總計約400個示例圖表。

資料視覺化是資料科學中關鍵的一步。

在以圖形方式表現某些資料時，Python能夠提供很大的幫助。

不過有些小夥伴也會遇到不少問題，比如選擇何種圖表，以及如何製作，程式碼如何編寫，這些都是問題！

今天給大家介紹一個Python圖表大全，40個種類，總計約400個示例圖表。

分為7個大系列，分佈、關係、排行、區域性整體、時間序列、地理空間、流程。

﹣檔案地址
https://www.python-graph-gallery.com

﹣GitHub地址
https://github.com/holtzy/The-Python-Graph-Gallery

給大家提供了示例及程式碼，幾分鐘內就能構建一個你所需要的圖表。

下面就給大家介紹一下～

01 小提琴圖

小提琴圖可以將一組或多組資料的數值變數分佈視覺化。

相比有時會隱藏資料特徵的箱形圖相比，小提琴圖值得更多關注。

import seaborn as sns
import matplotlib.pyplot as plt

# 加載數據
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 繪圖顯示
sns.violinplot(x=df["species"], y=df["sepal_length"])
plt.show()

使用Seaborn的violinplot()進行繪製，結果如下。

02 核密度估計圖

核密度估計圖其實是對直方圖的一個自然拓展。

可以視覺化一個或多個組的數值變數的分佈，非常適合大型資料集。

import seaborn as sns
import matplotlib.pyplot as plt

# 加載數據
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 繪圖顯示
sns.kdeplot(df['sepal_width'])
plt.show()

使用Seaborn的kdeplot()進行繪製，結果如下。

03 直方圖

直方圖，視覺化一組或多組資料的分佈情況。

import seaborn as sns
import matplotlib.pyplot as plt# 加載數據
df = sns.load_dataset(‘iris’, data_home=’seaborn-data’, cache=True)# 繪圖顯示
sns.distplot(a=df[“sepal_length”], hist=True, kde=False, rug=False)
plt.show()

使用Seaborn的distplot()進行繪製，結果如下。

04 箱形圖

箱形圖，視覺化一組或多組資料的分佈情況。

可以快速獲得中位數、四分位數和異常值，但也隱藏資料集的各個資料點。

import seaborn as sns
import matplotlib.pyplot as plt# 加載數據
df = sns.load_dataset(‘iris’, data_home=’seaborn-data’, cache=True)# 繪圖顯示
sns.boxplot(x=df[“species”], y=df[“sepal_length”])
plt.show()

使用Seaborn的boxplot()進行繪製，結果如下。

05 山脊線圖

山脊線圖，總結幾組資料的分佈情況。

每個組都表示為一個密度圖，每個密度圖相互重疊以更有效地利用空間。

import plotly.graph_objects as go
import numpy as np
import pandas as pd# 讀取資料
temp = pd.read_csv('2016-weather-data-seattle.csv')
# 資料處理, 時間格式轉換
temp['year'] = pd.to_datetime(temp['Date']).dt.year# 選擇幾年的資料展示即可
year_list = [1950, 1960, 1970, 1980, 1990, 2000, 2010]
temp = temp[temp['year'].isin(year_list)]# 繪製每年的直方圖，以年和平均溫度分組，並使用'count'函式進行彙總
temp = temp.groupby(['year', 'Mean_TemperatureC']).agg({'Mean_TemperatureC': 'count'}).rename(columns={'Mean_TemperatureC': 'count'}).reset_index()# 使用Plotly繪製脊線圖，每個軌跡對應於特定年份的溫度分佈
# 將每年的資料(溫度和它們各自的計數)儲存在單獨的陣列，並將其儲存在字典中以方便檢索
array_dict = {}
for year in year_list:
    # 每年平均溫度
    array_dict[f'x_{year}'] = temp[temp['year'] == year]['Mean_TemperatureC']
    # 每年溫度計數
    array_dict[f'y_{year}'] = temp[temp['year'] == year]['count']
    array_dict[f'y_{year}'] = (array_dict[f'y_{year}'] - array_dict[f'y_{year}'].min()) \
                              / (array_dict[f'y_{year}'].max() - array_dict[f'y_{year}'].min())# 建立一個影象物件
fig = go.Figure()
for index, year in enumerate(year_list):
    # 使用add_trace()繪製軌跡
    fig.add_trace(go.Scatter(
        x=[-20, 40], y=np.full(2, len(year_list) - index),
        mode='lines',
        line_color='white'))fig.add_trace(go.Scatter(
        x=array_dict[f'x_{year}'],
        y=array_dict[f'y_{year}'] + (len(year_list) - index) + 0.4,
        fill='tonexty',
        name=f'{year}'))# 新增文字
    fig.add_annotation(
        x=-20,
        y=len(year_list) - index,
        text=f'{year}',
        showarrow=False,
        yshift=10)# 新增標題、圖例、xy軸引數
fig.update_layout(
    title='1950年～2010年西雅圖平均溫度',
    showlegend=False,
    xaxis=dict(title='單位: 攝氏度'),
    yaxis=dict(showticklabels=False)
)# 跳轉網頁顯示
fig.show()

Seaborn沒有專門的函式來繪製山脊線圖，可以多次呼叫kdeplot()來製作。

結果如下。

06 散點圖

散點圖，顯示2個數值變數之間的關係。

import seaborn as sns
import matplotlib.pyplot as plt# 加載數據
df = sns.load_dataset(‘iris’, data_home=’seaborn-data’, cache=True)# 繪圖顯示
sns.regplot(x=df[“sepal_length”], y=df[“sepal_width”])
plt.show()

使用Seaborn的regplot()進行繪製，結果如下。

07 矩形熱力圖

矩形熱力圖，矩陣中的每個值都被表示為一個顏色資料。

import seaborn as sns
import pandas as pd
import numpy as np

# Create a dataset
df = pd.DataFrame(np.random.random((5,5)), columns=["a","b","c","d","e"])

# Default heatmap
p1 = sns.heatmap(df)

使用Seaborn的heatmap()進行繪製，結果如下。

08 相關性圖

相關性圖或相關矩陣圖，分析每對資料變數之間的關係。

相關性視覺化為散點圖，對角線用直方圖或密度圖表示每個變數的分佈。

import seaborn as sns
import matplotlib.pyplot as plt

# 加載數據
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 繪圖顯示
sns.pairplot(df)
plt.show()

使用Seaborn的pairplot()進行繪製，結果如下。

09 氣泡圖

氣泡圖其實就是一個散點圖，其中圓圈大小被對映到第三數值變數的值。

import matplotlib.pyplot as plt
import seaborn as sns
from gapminder import gapminder# 匯入資料
data = gapminder.loc[gapminder.year == 2007]# 使用scatterplot建立氣泡圖
sns.scatterplot(data=data, x="gdpPercap", y="lifeExp", size="pop", legend=False, sizes=(20, 2000))# 顯示
plt.show()

使用Seaborn的scatterplot()進行繪製，結果如下。

10 連線散點圖

連線散點圖就是一個線圖，其中每個資料點由圓形或任何型別的標記展示。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd# 創建數據
df = pd.DataFrame({‘x_axis’: range(1, 10), ‘y_axis’: np.random.randn(9) * 80 + range(1, 10)})# 繪製顯示
plt.plot(‘x_axis’, ‘y_axis’, data=df, linestyle=’-’, marker=’o’)
plt.show()

使用Matplotlib的plot()進行繪製，結果如下。

11 二維密度圖

二維密度圖或二維直方圖，視覺化兩個定量變數的組合分佈。

它們總是在X軸上表示一個變數，另一個在Y軸上，就像散點圖。

然後計算二維空間特定區域內的次數，並用顏色漸變表示。

形狀變化：六邊形a hexbin chart，正方形a 2d histogram，核密度2d density plots或contour plots。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde# 建立資料, 200個點
data = np.random.multivariate_normal([0, 0], [[1, 0.5], [0.5, 3]], 200)
x, y = data.T# 建立畫布, 6個子圖
fig, axes = plt.subplots(ncols=6, nrows=1, figsize=(21, 5))# 第一個子圖, 散點圖
axes[0].set_title('Scatterplot')
axes[0].plot(x, y, 'ko')# 第二個子圖, 六邊形
nbins = 20
axes[1].set_title('Hexbin')
axes[1].hexbin(x, y, gridsize=nbins, cmap=plt.cm.BuGn_r)# 2D 直方圖
axes[2].set_title('2D Histogram')
axes[2].hist2d(x, y, bins=nbins, cmap=plt.cm.BuGn_r)# 高斯kde
k = kde.gaussian_kde(data.T)
xi, yi = np.mgrid[x.min():x.max():nbins * 1j, y.min():y.max():nbins * 1j]
zi = k(np.vstack([xi.flatten(), yi.flatten()]))# 密度圖
axes[3].set_title('Calculate Gaussian KDE')
axes[3].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap=plt.cm.BuGn_r)# 新增陰影
axes[4].set_title('2D Density with shading')
axes[4].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)# 新增輪廓
axes[5].set_title('Contour')
axes[5].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)
axes[5].contour(xi, yi, zi.reshape(xi.shape))plt.show()

使用Matplotlib和scipy進行繪製，結果如下。

12 條形圖

條形圖表示多個明確的變數的數值關係。每個變數都為一個條形。條形的大小代表其數值。

import numpy as np
import matplotlib.pyplot as plt# 生成隨機資料
height = [3, 12, 5, 18, 45]
bars = ('A', 'B', 'C', 'D', 'E')
y_pos = np.arange(len(bars))# 建立條形圖
plt.bar(y_pos, height)# x軸標籤
plt.xticks(y_pos, bars)# 顯示
plt.show()

使用Matplotlib的bar()進行繪製，結果如下。

13 雷達圖

雷達圖，可以視覺化多個定量變數的一個或多個系列的值。

每個變數都有自己的軸，所有軸都連線在圖形的中心。

import matplotlib.pyplot as plt
import pandas as pd
from math import pi# 設定資料
df = pd.DataFrame({
    'group': ['A', 'B', 'C', 'D'],
    'var1': [38, 1.5, 30, 4],
    'var2': [29, 10, 9, 34],
    'var3': [8, 39, 23, 24],
    'var4': [7, 31, 33, 14],
    'var5': [28, 15, 32, 14]
})# 目標數量
categories = list(df)[1:]
N = len(categories)# 角度
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]# 初始化
ax = plt.subplot(111, polar=True)# 設定第一處
ax.set_theta_offset(pi / 2)
ax.set_theta_direction(-1)# 新增背景資訊
plt.xticks(angles[:-1], categories)
ax.set_rlabel_position(0)
plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)
plt.ylim(0, 40)# 新增資料圖# 第一個
values = df.loc[0].drop('group').values.flatten().tolist()
values += values[:1]
ax.plot(angles, values, linewidth=1, linestyle='solid', label="group A")
ax.fill(angles, values, 'b', alpha=0.1)# 第二個
values = df.loc[1].drop('group').values.flatten().tolist()
values += values[:1]
ax.plot(angles, values, linewidth=1, linestyle='solid', label="group B")
ax.fill(angles, values, 'r', alpha=0.1)# 新增圖例
plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))# 顯示
plt.show()

使用Matplotlib進行繪製，結果如下。

14 詞雲圖

詞雲圖是文字資料的視覺表示。

單詞通常是單個的，每個單詞的重要性以字型大小或顏色表示。

from wordcloud import WordCloud
import matplotlib.pyplot as plt# 新增詞語
text=("Python Python Python Matplotlib Chart Wordcloud Boxplot")# 建立詞雲物件
wordcloud = WordCloud(width=480, height=480, margin=0).generate(text)# 顯示詞雲圖
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.margins(x=0, y=0)
plt.show()

使用wordcloud進行繪製，結果如下。

15 平行座標圖

一個平行座標圖，能夠比較不同系列相同屬性的數值情況。

Pandas可能是繪製平行座標圖的最佳方式。

import seaborn as sns
import matplotlib.pyplot as plt
from pandas.plotting import parallel_coordinates# 讀取資料
data = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 建立圖表
parallel_coordinates(data, 'species', colormap=plt.get_cmap("Set2"))# 顯示
plt.show()

使用Pandas的parallel_coordinates()進行繪製，結果如下。

16 棒棒糖圖

棒棒糖圖其實就是柱狀圖的變形，顯示一個線段和一個圓。

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np# 建立資料
df = pd.DataFrame({'group': list(map(chr, range(65, 85))), 'values': np.random.uniform(size=20) })# 排序取值
ordered_df = df.sort_values(by='values')
my_range = range(1, len(df.index)+1)# 建立圖表
plt.stem(ordered_df['values'])
plt.xticks(my_range, ordered_df['group'])# 顯示
plt.show()

使用Matplotlib的stem()進行繪製，結果如下。

17 徑向柱圖

徑向柱圖同樣也是條形圖的變形，但是使用極座標而不是直角座標系。

繪製起來有點麻煩，而且比柱狀圖準確度低，但更引人注目。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np# 生成資料
df = pd.DataFrame(
        {
            'Name': ['item ' + str(i) for i in list(range(1, 51)) ],
            'Value': np.random.randint(low=10, high=100, size=50)
        })# 排序
df = df.sort_values(by=['Value'])# 初始化畫布
plt.figure(figsize=(20, 10))
ax = plt.subplot(111, polar=True)
plt.axis('off')# 設定圖表引數
upperLimit = 100
lowerLimit = 30
labelPadding = 4# 計算最大值
max = df['Value'].max()# 資料下限10, 上限100
slope = (max - lowerLimit) / max
heights = slope * df.Value + lowerLimit# 計算條形圖的寬度
width = 2*np.pi / len(df.index)# 計算角度
indexes = list(range(1, len(df.index)+1))
angles = [element * width for element in indexes]# 繪製條形圖
bars = ax.bar(
    x=angles,
    height=heights,
    width=width,
    bottom=lowerLimit,
    linewidth=2,
    edgecolor="white",
    color="#61a4b2",
)# 新增標籤
for bar, angle, height, label in zip(bars,angles, heights, df["Name"]):# 旋轉
    rotation = np.rad2deg(angle)# 翻轉
    alignment = ""
    if angle >= np.pi/2 and angle < 3*np.pi/2:
        alignment = "right"
        rotation = rotation + 180
    else:
        alignment = "left"# 最後新增標籤
    ax.text(
        x=angle,
        y=lowerLimit + bar.get_height() + labelPadding,
        s=label,
        ha=alignment,
        va='center',
        rotation=rotation,
        rotation_mode="anchor")plt.show()

使用Matplotlib進行繪製，結果如下。

18 矩形樹圖

矩形樹圖是一種常見的表達『層級資料』『樹狀資料』的視覺化形式。

它主要用面積的方式，便於突出展現出『樹』的各層級中重要的節點。

import matplotlib.pyplot as plt
import squarify
import pandas as pd# 建立資料
df = pd.DataFrame({'nb_people': [8, 3, 4, 2], 'group': ["group A", "group B", "group C", "group D"]})# 繪圖顯示
squarify.plot(sizes=df['nb_people'], label=df['group'], alpha=.8 )
plt.axis('off')
plt.show()
plt.show()

使用squarify庫進行繪製，結果如下。

19 維恩圖

維恩圖，顯示不同組之間所有可能的關係。

import matplotlib.pyplot as plt
from matplotlib_venn import venn2# 建立圖表
venn2(subsets=(10, 5, 2), set_labels=('Group A', 'Group B'))# 顯示
plt.show()

使用matplotlib_venn庫進行繪製，結果如下。

20 圓環圖

圓環圖，本質上就是一個餅圖，中間切掉了一個區域。

import matplotlib.pyplot as plt# 建立資料
size_of_groups = [12, 11, 3, 30]# 生成餅圖
plt.pie(size_of_groups)# 在中心新增一個圓, 生成環形圖
my_circle = plt.Circle((0, 0), 0.7, color='white')
p = plt.gcf()
p.gca().add_artist(my_circle)plt.show()

使用Matplotlib進行繪製，結果如下。

21 餅圖

餅圖，最常見的視覺化圖表之一。

將圓劃分成一個個扇形區域，每個區域代表在整體中所佔的比例。

import matplotlib.pyplot as plt# 建立資料
size_of_groups = [12, 11, 3, 30]# 生成餅圖
plt.pie(size_of_groups)
plt.show()

使用Matplotlib進行繪製，結果如下。

22 樹圖

樹圖主要用來視覺化樹形資料結構，是一種特殊的層次型別，具有唯一的根節點，左子樹，和右子樹。

import pandas as pd
from matplotlib import pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage# 讀取資料
df = pd.read_csv('mtcars.csv')
df = df.set_index('model')# 計算每個樣本之間的距離
Z = linkage(df, 'ward')# 繪圖
dendrogram(Z, leaf_rotation=90, leaf_font_size=8, labels=df.index)# 顯示
plt.show()

使用Scipy進行繪製，結果如下。

23 氣泡圖

氣泡圖，表示層次結構及數值大小。

import circlify
import matplotlib.pyplot as plt# 建立畫布, 包含一個子圖
fig, ax = plt.subplots(figsize=(14, 14))# 標題
ax.set_title('Repartition of the world population')# 移除座標軸
ax.axis('off')# 人口資料
data = [{'id': 'World', 'datum': 6964195249, 'children': [
              {'id': "North America", 'datum': 450448697,
                  'children': [
                     {'id': "United States", 'datum': 308865000},
                     {'id': "Mexico", 'datum': 107550697},
                     {'id': "Canada", 'datum': 34033000}
                   ]},
              {'id': "South America", 'datum': 278095425,
                  'children': [
                     {'id': "Brazil", 'datum': 192612000},
                     {'id': "Colombia", 'datum': 45349000},
                     {'id': "Argentina", 'datum': 40134425}
                   ]},
              {'id': "Europe", 'datum': 209246682,
                  'children': [
                     {'id': "Germany", 'datum': 81757600},
                     {'id': "France", 'datum': 65447374},
                     {'id': "United Kingdom", 'datum': 62041708}
                   ]},
              {'id': "Africa", 'datum': 311929000,
                  'children': [
                     {'id': "Nigeria", 'datum': 154729000},
                     {'id': "Ethiopia", 'datum': 79221000},
                     {'id': "Egypt", 'datum': 77979000}
                   ]},
              {'id': "Asia", 'datum': 2745929500,
                  'children': [
                     {'id': "China", 'datum': 1336335000},
                     {'id': "India", 'datum': 1178225000},
                     {'id': "Indonesia", 'datum': 231369500}
                   ]}
    ]}]# 使用circlify()計算, 獲取圓的大小, 位置
circles = circlify.circlify(
    data,
    show_enclosure=False,
    target_enclosure=circlify.Circle(x=0, y=0, r=1)
)lim = max(
    max(
        abs(circle.x) + circle.r,
        abs(circle.y) + circle.r,
    )
    for circle in circles
)
plt.xlim(-lim, lim)
plt.ylim(-lim, lim)for circle in circles:
    if circle.level != 2:
        continue
    x, y, r = circle
    ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="lightblue"))for circle in circles:
    if circle.level != 3:
        continue
    x, y, r = circle
    label = circle.ex["id"]
    ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="#69b3a2"))
    plt.annotate(label, (x, y), ha='center', color="white")for circle in circles:
    if circle.level != 2:
        continue
    x, y, r = circle
    label = circle.ex["id"]
    plt.annotate(label, (x, y), va='center', ha='center', bbox=dict(facecolor='white', edgecolor='black', boxstyle='round', pad=.5))plt.show()

使用Circlify進行繪製，結果如下。

24 折線圖

折線圖是最常見的圖表型別之一。

將各個資料點標誌連線起來的圖表，用於展現資料的變化趨勢。

import matplotlib.pyplot as plt
import numpy as np# 建立資料
values = np.cumsum(np.random.randn(1000, 1))# 繪製圖表
plt.plot(values)
plt.show()

使用Matplotlib進行繪製，結果如下。

25 面積圖

面積圖和折線圖非常相似，區別在於和x座標軸間是否被顏色填充。

import matplotlib.pyplot as plt# 建立資料
x = range(1, 6)
y = [1, 4, 6, 8, 4]# 生成圖表
plt.fill_between(x, y)
plt.show()

使用Matplotlib的fill_between()進行繪製，結果如下。

26 堆疊面積圖

堆疊面積圖表示若干個數值變數的數值演變。

每個顯示在彼此的頂部，易於讀取總數，但較難準確讀取每個的值。

import matplotlib.pyplot as plt# 建立資料
x = range(1, 6)
y1 = [1, 4, 6, 8, 9]
y2 = [2, 2, 7, 10, 12]
y3 = [2, 8, 5, 10, 6]# 生成圖表
plt.stackplot(x, y1, y2, y3, labels=['A', 'B', 'C'])
plt.legend(loc='upper left')
plt.show()

使用Matplotlib的stackplot()進行繪製，結果如下。

27 河流圖

河流圖是一種特殊的流圖, 它主要用來表示事件或主題等在一段時間內的變化。

圍繞著中心軸顯示，且邊緣是圓形的，從而形成流動的形狀。

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats# 新增資料
x = np.arange(1990, 2020)
y = [np.random.randint(0, 5, size=30) for _ in range(5)]def gaussian_smooth(x, y, grid, sd):
    """平滑曲線"""
    weights = np.transpose([stats.norm.pdf(grid, m, sd) for m in x])
    weights = weights / weights.sum(0)
    return (weights * y).sum(1)# 自定義顏色
COLORS = ["#D0D1E6", "#A6BDDB", "#74A9CF", "#2B8CBE", "#045A8D"]# 建立畫布
fig, ax = plt.subplots(figsize=(10, 7))# 生成圖表
grid = np.linspace(1985, 2025, num=500)
y_smoothed = [gaussian_smooth(x, y_, grid, 1) for y_ in y]
ax.stackplot(grid, y_smoothed, colors=COLORS, baseline="sym")# 顯示
plt.show()

先使用Matplotlib繪製堆積圖，設定stackplot()的baseline引數，可將資料圍繞x軸展示。

再透過scipy.interpolate平滑曲線，最終結果如下。

28 時間序列圖

時間序列圖是指能夠展示數值演變的所有圖表。

比如折線圖、柱狀圖、面積圖等等。

import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt# 建立資料
my_count = ["France", "Australia", "Japan", "USA", "Germany", "Congo", "China", "England", "Spain", "Greece", "Marocco",
            "South Africa", "Indonesia", "Peru", "Chili", "Brazil"]
df = pd.DataFrame({
    "country": np.repeat(my_count, 10),
    "years": list(range(2000, 2010)) * 16,
    "value": np.random.rand(160)
})# 建立網格
g = sns.FacetGrid(df, col='country', hue='country', col_wrap=4, )# 新增曲線圖
g = g.map(plt.plot, 'years', 'value')# 面積圖
g = g.map(plt.fill_between, 'years', 'value', alpha=0.2).set_titles("{col_name} country")# 標題
g = g.set_titles("{col_name}")# 總標題
plt.subplots_adjust(top=0.92)
g = g.fig.suptitle('Evolution of the value of stuff in 16 countries')# 顯示
plt.show()

下面以一個時間序列面積圖為例，顯示多組資料，結果如下。

29 地圖

所有的地理空間資料分析應該都離不開地圖吧！

import pandas as pd
import folium# 建立地圖物件
m = folium.Map(location=[20, 0], tiles="OpenStreetMap", zoom_start=2)# 建立圖示資料
data = pd.DataFrame({
   'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
   'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97],
   'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'],
   'value': [10, 12, 40, 70, 23, 43, 100, 43]
}, dtype=str)# 新增資訊
for i in range(0,len(data)):
    folium.Marker(
      location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
      popup=data.iloc[i]['name'],
    ).add_to(m)# 儲存
m.save('map.html')

使用Folium繪製谷歌地圖風格的地圖，結果略。

30 等值域地圖

等值域地圖，相同數值範圍，著色相同。

import pandas as pd
import folium# 建立地圖物件
m = folium.Map(location=[40, -95], zoom_start=4)# 讀取資料
state_geo = f"us-states.json"
state_unemployment = f"US_Unemployment_Oct2012.csv"
state_data = pd.read_csv(state_unemployment)folium.Choropleth(
    geo_data=state_geo,
    name="choropleth",
    data=state_data,
    columns=["State", "Unemployment"],
    key_on="feature.id",
    fill_color="YlGn",
    fill_opacity=0.7,
    line_opacity=.1,
    legend_name="Unemployment Rate (%)",
).add_to(m)folium.LayerControl().add_to(m)
# 儲存
m.save('choropleth-map.html')

使用Folium的choropleth()進行繪製，結果如下。

31 網格地圖

Hexbin地圖，美國大選投票經常看見。

import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt# 讀取資料
file = "us_states_hexgrid.geojson.json"
geoData = gpd.read_file(file)
geoData['centroid'] = geoData['geometry'].apply(lambda x: x.centroid)mariageData = pd.read_csv("State_mariage_rate.csv")
geoData['state'] = geoData['google_name'].str.replace(' \(United States\)','')geoData = geoData.set_index('state').join(mariageData.set_index('state'))# 初始化
fig, ax = plt.subplots(1, figsize=(6, 4))# 繪圖
geoData.plot(
    ax=ax,
    column="y_2015",
    cmap="BuPu",
    norm=plt.Normalize(vmin=2, vmax=13),
    edgecolor='black',
    linewidth=.5
);# 不顯示座標軸
ax.axis('off')# 標題, 副標題,作者
ax.annotate('Mariage rate in the US', xy=(10, 340),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=14, color='black')
ax.annotate('Yes, people love to get married in Vegas', xy=(10, 320),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=11, color='#808080')
ax.annotate('xiao F', xy=(400, 0),  xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=8, color='#808080')# 每個網格
for idx, row in geoData.iterrows():
    ax.annotate(
        s=row['iso3166_2'],
        xy=row['centroid'].coords[0],
        horizontalalignment='center',
        va='center',
        color="white"
    )# 新增顏色
sm = plt.cm.ScalarMappable(cmap='BuPu', norm=plt.Normalize(vmin=2, vmax=13))
fig.colorbar(sm, orientation="horizontal", aspect=50, fraction=0.005, pad=0 );# 顯示
plt.show()

使用geopandas和matplotlib進行繪製，結果如下。

32 變形地圖

故名思義，就是形狀發生改變的地圖。

其中每個區域的形狀，會根據數值發生扭曲變化。

這裡沒有相關的程式碼示例，圖略。

33 連線對映地圖

連線地圖可以顯示地圖上幾個位置之間的連線關係。

航空上經常用到的飛線圖，應該是這個的升級版。

from mpl_toolkits.basemap import Basemap
import matplotlib.pyplot as plt
import pandas as pd# 資料
cities = {
    'city': ["Paris", "Melbourne", "Saint.Petersburg", "Abidjan", "Montreal", "Nairobi", "Salvador"],
    'lon': [2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
    'lat': [49, -38, 59.93, 5.33, 45.52, -1.29, -12.97]
}
df = pd.DataFrame(cities, columns=['city', 'lon', 'lat'])# 建立地圖
m = Basemap(llcrnrlon=-179, llcrnrlat=-60, urcrnrlon=179, urcrnrlat=70, projection='merc')
m.drawmapboundary(fill_color='white', linewidth=0)
m.fillcontinents(color='#f2f2f2', alpha=0.7)
m.drawcoastlines(linewidth=0.1, color="white")# 迴圈建立連線
for startIndex, startRow in df.iterrows():
    for endIndex in range(startIndex, len(df.index)):
        endRow = df.iloc[endIndex]
        m.drawgreatcircle(startRow.lon, startRow.lat, endRow.lon, endRow.lat, linewidth=1, color='#69b3a2');# 新增城市名稱
for i, row in df.iterrows():
    plt.annotate(row.city, xy=m(row.lon + 3, row.lat), verticalalignment='center')plt.show()

使用basemap繪製，結果如下。

34 氣泡地圖

氣泡地圖，使用不同尺寸的圓來表示該地理座標的數值。

import folium
import pandas as pd# 建立地圖物件
m = folium.Map(location=[20,0], tiles="OpenStreetMap", zoom_start=2)# 座標點資料
data = pd.DataFrame({
   'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
   'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97],
   'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'],
   'value': [10, 12, 40, 70, 23, 43, 100, 43]
}, dtype=str)# 新增氣泡
for i in range(0, len(data)):
    folium.Circle(
      location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
      popup=data.iloc[i]['name'],
      radius=float(data.iloc[i]['value'])*20000,
      color='crimson',
      fill=True,
      fill_color='crimson'
    ).add_to(m)# 儲存
m.save('bubble-map.html')

使用Folium的Circle()進行繪製，結果略。

35 和絃圖

和絃圖表示若干個實體(節點)之間的流或連線。

每個實體(節點)有圓形佈局外部的一個片段表示。

然後在每個實體之間繪製弧線，弧線的大小與流的關係成正比。

from chord import Chord

matrix = [
    [0, 5, 6, 4, 7, 4],
    [5, 0, 5, 4, 6, 5],
    [6, 5, 0, 4, 5, 5],
    [4, 4, 4, 0, 5, 5],
    [7, 6, 5, 5, 0, 4],
    [4, 5, 5, 5, 4, 0],
]

names = ["Action", "Adventure", "Comedy", "Drama", "Fantasy", "Thriller"]

# 儲存
Chord(matrix, names).to_html("chord-diagram.html")

使用Chord庫進行繪製，結果如下。

36 網狀圖

網狀圖顯示的是一組實體之間的連線關係。

每個實體由一個節點表示，節點之間透過線段連線。

import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt# 建立資料
ind1 = [5, 10, 3, 4, 8, 10, 12, 1, 9, 4]
ind5 = [1, 1, 13, 4, 18, 5, 2, 11, 3, 8]
df = pd.DataFrame(
    {'A': ind1, 'B': ind1 + np.random.randint(10, size=(10)), 'C': ind1 + np.random.randint(10, size=(10)),
     'D': ind1 + np.random.randint(5, size=(10)), 'E': ind1 + np.random.randint(5, size=(10)), 'F': ind5,
     'G': ind5 + np.random.randint(5, size=(10)), 'H': ind5 + np.random.randint(5, size=(10)),
     'I': ind5 + np.random.randint(5, size=(10)), 'J': ind5 + np.random.randint(5, size=(10))})# 計算相關性
corr = df.corr()# 轉換
links = corr.stack().reset_index()
links.columns = ['var1', 'var2', 'value']# 保持相關性超過一個閾值, 刪除自相關性
links_filtered = links.loc[(links['value'] > 0.8) & (links['var1'] != links['var2'])]# 生成圖
G = nx.from_pandas_edgelist(links_filtered, 'var1', 'var2')# 繪製網路
nx.draw(G, with_labels=True, node_color='orange', node_size=400, edge_color='black', linewidths=1, font_size=15)# 顯示
plt.show()

使用NetworkX庫進行繪製，結果如下。

37 桑基圖

桑基圖是一種特殊的流圖。

它主要用來表示原材料、能量等如何從初始形式經過中間過程的加工、轉化到達最終形式。

Plotly可能是建立桑基圖的最佳工具，透過Sankey()在幾行程式碼中獲得一個圖表。

import plotly.graph_objects as go
import json# 讀取資料
with open('sankey_energy.json') as f:
    data = json.load(f)# 透明度
opacity = 0.4
# 顏色
data['data'][0]['node']['color'] = ['rgba(255,0,255, 0.8)' if color == "magenta" else color for color in data['data'][0]['node']['color']]
data['data'][0]['link']['color'] = [data['data'][0]['node']['color'][src].replace("0.8", str(opacity))
                                    for src in data['data'][0]['link']['source']]fig = go.Figure(data=[go.Sankey(
    valueformat=".0f",
    valuesuffix="TWh",
    # 點
    node=dict(
      pad=15,
      thickness=15,
      line=dict(color = "black", width = 0.5),
      label=data['data'][0]['node']['label'],
      color=data['data'][0]['node']['color']
    ),
    # 線
    link=dict(
      source=data['data'][0]['link']['source'],
      target=data['data'][0]['link']['target'],
      value=data['data'][0]['link']['value'],
      label=data['data'][0]['link']['label'],
      color=data['data'][0]['link']['color']
))])fig.update_layout(title_text="Energy forecast for 2050<br>Source: Department of Energy & Climate Change, Tom Counsell via <a href='https://bost.ocks.org/mike/sankey/'>Mike Bostock</a>",
                  font_size=10)# 保持
fig.write_html("sankey-diagram.html")

使用Plotly庫進行繪製，結果如下。

38 弧線圖

弧線圖是一種特殊的網路圖。

由代表實體的節點和顯示實體之間關係的弧線組成的。

在弧線圖中，節點沿單個軸顯示，節點間透過圓弧線進行連線。

目前還不知道如何透過Python來構建弧線圖，不過可以使用R或者D3.js。

下面就來看一個透過js生成的弧線圖。

39 環形佈局關係圖

視覺化目標之間的關係，可以減少複雜網路下觀察混亂。

和弧線圖一樣，也只能通R或者D3.js繪製。

D3.js繪製的示例如下。

40 動態圖表

動態圖表本質上就是顯示一系列靜態圖表。

可以描述目標從一種狀態到另一種狀態的變化。

import imageio
import pandas as pd
import matplotlib.pyplot as plt# 讀取資料
data = pd.read_csv('gapminderData.csv')
# 更改格式
data['continent'] = pd.Categorical(data['continent'])# 解析度
dpi = 96filenames = []
# 每年的資料
for i in data.year.unique():
    # 關閉互動式繪圖
    plt.ioff()# 初始化
    fig = plt.figure(figsize=(680 / dpi, 480 / dpi), dpi=dpi)# 篩選資料
    subsetData = data[data.year == i]# 生成散點氣泡圖
    plt.scatter(
        x=subsetData['lifeExp'],
        y=subsetData['gdpPercap'],
        s=subsetData['pop'] / 200000,
        c=subsetData['continent'].cat.codes,
        cmap="Accent", alpha=0.6, edgecolors="white", linewidth=2)# 新增相關資訊
    plt.yscale('log')
    plt.xlabel("Life Expectancy")
    plt.ylabel("GDP per Capita")
    plt.title("Year: " + str(i))
    plt.ylim(0, 100000)
    plt.xlim(30, 90)# 儲存
    filename = './images/' + str(i) + '.png'
    filenames.append(filename)
    plt.savefig(fname=filename, dpi=96)
    plt.gca()
    plt.close(fig)# 生成GIF動態圖表
with imageio.get_writer('result.gif', mode='I', fps=5) as writer:
    for filename in filenames:
        image = imageio.imread(filename)
        writer.append_data(image)