Una gran colección de diagramas de uso común para el análisis de datos visuales de Python (colección)
Una gran colección de gráficos de uso común para el análisis de datos de Python: incluidos gráficos de líneas, histogramas, gráficos de barras verticales, gráficos de barras horizontales, gráficos circulares, diagramas de caja, mapas de calor, diagramas de dispersión, diagramas de araña, dos. Hay 12 gráficos de análisis de datos visuales de uso común, como distribución de metavariables, gráficos de áreas y gráficos hexagonales. ¡Continuaremos recopilándolos y organizándolos en el futuro!
De forma predeterminada, todas las operaciones siguientes importan primero numpy, pandas, matplotlib y seaborn
1. Gráfico de líneas
El gráfico de líneas se puede utilizar para representar datos a medida que cambia la tendencia de cambio de tiempo
Matplotlib
plt.plot(x,?y)
plt.show()
Seaborn
p>df?=?pd.DataFrame({'x':?x,?'y':?y})
sns.lineplot(x="x ",?y= "y",?data=df)
plt.show()
2. Histograma
El histograma es una vista común. La abscisa se divide en una cierta cantidad de intervalos pequeños y luego se usan barras rectangulares para mostrar los valores en cada intervalo pequeño
Matplotlib
Seaborn
3. Gráfico de barras verticales
Los gráficos de barras pueden ayudarnos a ver las características de las categorías. En un gráfico de barras, la longitud de la barra representa la frecuencia de la categoría y el ancho representa la categoría.
Matplotlib
Seaborn
1plt.show()
4. Gráfico de barras horizontales
5. Circular chart
6. Boxplot
El boxplot consta de cinco puntos numéricos: máximo (max), mínimo (min), mediana (median) y cuartiles superior e inferior (Q3, Q1) .
Puede ayudarnos a analizar las diferencias, la discreción y los valores atípicos de los datos.
Matplotlib
Seaborn
7. Mapa de calor
El mapa de calor, también conocido como mapa de calor en inglés, es un método de representación matricial , En la matriz Los valores de los elementos están representados por colores, y diferentes colores representan valores de diferentes tamaños. A través del color, puede conocer intuitivamente el tamaño del valor en una posición determinada.
A través de la función heatmap de seaborn, podemos observar los cambios en el número de pasajeros en diferentes años y meses. Cuanto más claro es el color, mayor es el número de pasajeros.
8. Dispersión. plot
El diagrama de dispersión se llama diagrama de dispersión en inglés. Muestra los valores de dos variables en coordenadas bidimensionales, lo cual es muy adecuado para mostrar la relación entre dos variables.
Matplotlib
Seaborn
9. Gráfico de araña
El gráfico de araña es un método para mostrar relaciones de uno a muchos, de modo que una variable El significado relativo a otra variable es claramente visible
10. Distribución de variables binarias
La distribución de variables binarias puede ver la relación entre las dos variables
11. Gráfico de áreas
El gráfico de áreas, también conocido como gráfico de áreas, enfatiza el grado de cambio de la cantidad a lo largo del tiempo y también se puede utilizar para llamar la atención sobre la tendencia del valor total.
Los gráficos de áreas apiladas también pueden mostrar la relación de las partes con el todo. Tanto los gráficos de líneas como los gráficos de áreas se pueden utilizar para ayudarnos a analizar tendencias. Cuando el conjunto de datos tiene una relación total o desea mostrar la relación entre las partes y el todo, usar gráficos de áreas es una mejor opción.
12. Gráfico hexagonal
El gráfico hexagonal agrega los puntos en el espacio en hexágonos y luego calcula los valores de estos hexágonos en función de los valores dentro de los hexágonos. color.
Texto original en: /toutiao/16894.html