這40個Python視覺化圖表案例,強烈建議收藏!

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~

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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Folium的choropleth()進行繪製,結果如下。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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 = 96
filenames = []
# 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)

以一個動態散點氣泡圖為例,先用matplotlib繪製圖表圖片,再透過imageio生成GIF,結果如下。

好了,本期的分享就到此結束了。

其中使用到的視覺化庫,大部分透過pip install即可完成安裝。

有興趣的小夥伴,可以自行去實踐學習一下!

※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※※

我是「數據分析那些事」。常年分享數據分析乾貨,不定期分享好用的職場技能工具。各位也可以關注我的Facebook,按讚我的臉書並私訊「10」,送你十週入門數據分析電子書唷!期待你與我互動起來~

文章推薦

熬夜整理出40張視覺化大屏模板,不敲一個程式碼就能直接套用

如何正確使用資料視覺化圖表以及常犯的10個錯誤總結,趕快收藏起來!

一張圖講清如何正確應用視覺化圖表,學會後再也不會用錯圖表

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/

這是一個專注於數據分析職場的內容部落格,聚焦一批數據分析愛好者,在這裡,我會分享數據分析相關知識點推送、(工具/書籍)等推薦、職場心得、熱點資訊剖析以及資源大盤點,希望同樣熱愛數據的我們一同進步! 臉書會有更多互動喔:https://www.facebook.com/shujvfenxi/