制作个人网站论文,seo课程培训要多少钱,重庆设计网站建设,php网站开发价格写在前面#xff1a;为啥不用excel绘制这些图#xff0c;用PoweBI#xff0c;帆软BI等可视化软件来绘图#xff0c;不是更方便吗#xff1f;的确#xff0c;这些工具都很方便#xff0c;但同时#xff0c;它们显得很呆#xff0c;不够灵活#xff0c;更为致命的是为啥不用excel绘制这些图用PoweBI帆软BI等可视化软件来绘图不是更方便吗的确这些工具都很方便但同时它们显得很呆不够灵活更为致命的是它们绘制出的图形分辨率不够用来出版论文是不合格的。所以要做学术的朋友对RPython可视化绘图感兴趣的朋友不妨下点功夫将这些技术学到手。我之所以将自己花费4个晚上8个小时整理出来的文档分享出来无非是为了减少大家学习技术的时间我深知入门一种语言的艰辛因为我在学习的时候也是网上各种找资料一个软件下载安装完毕花费大半天的时间当初学习一门语言的激情都走了大半所以希望大家能够快速上手将时间花费在能真正提高技术的地方比如设置图形的颜色宽度线条灵活的修改图形等方面这也是我接下来要研究的。看在我这么辛苦的份上看完不妨点个赞。。。文章最后放本文所需要的软件安装过程链接用R与Python绘制中国地图某省地图以及可视化技术的介绍。。。本文要绘制的图形以及如何使用这些图形散点图、折线图、直方图、条形图、箱线图、饼图、热力图、蜘蛛图、二元变量分布和成对关系。用R绘图软件w10版Rstudio条形图通过垂直的或水平的条形展示了类别型变量的分布(频数)。 install.packages(vcd) library(vcd) counts countsNone Some Marked42 14 28 barplot(counts,main简单的条形图,xlabImprovement,ylabFrequency) counts countsPlacebo TreatedNone 29 13Some 7 7Marked 7 21 plot(counts,main堆砌条形图,xlabTreatment,ylabFrequency,colc(red,yellow,green)) barplot(counts,main堆砌条形图,xlabTreatment,ylabFrequency,colc(red,yellow,green),legendrownames(counts)) barplot(counts,main分组条形图,xlabTreatment,ylabFrequency,colc(red,yellow,green),besideT,legendrownames(counts)) states means means barplot(means$x,names.argmeans$Group.1) title(均值条形图)使用中注意我用plot()与barplot()绘制的堆砌条形图并不一样要想使得条形图“横着放”barplot()函数中加上horizT在绘图堆砌条形图时使用table()函数将数据表格化之所以使用table()是为了防止类别型变量不是因子本例中Arthritis$Improved是一个因子。散点图的英文叫做 scatter plot它将两个变量的值显示在二维坐标中非常适合展示两个变量之间的关系。 x y plot(x,y,mainLinearly correlated random numbers,xlabx,ylab2*xnoise,xlimc(-4,4),ylimc(-4,4)) plot(0:25,0:25,pch0:25,xlimc(-1,26),ylimc(-1,26),mainpoint stytles (pch)) text(0:251,0:25,0:25) plot(x,y,pchifelse(x*y1,16,1),mainscatter plot with conditional point styles) z plot(x,y,pch1,xlimrange(x),ylimrange(y,z),xlabx,ylabvalues) points(x,z,pch17) title(scatter plot with two series)R语言有向量(python中没有)pch是向量控制点的类型。col也是向量控制点的颜色 plot(x,y,pch16,colblue,mainscatter plot with blue points) plot(x,y,pch16,colifelse(ymean(y),red,green),mainscatter plot with conditional colors)有没有一幅图中显示xy的关系xz的相关关系了(看我这么贴心你们要是不点赞收藏好好看都对不起我) plot(x,y,pch16,colifelse(ymean(y),red,green),mainscatter plot with conditional colors) plot(x,y,colblue,pch0,xlimrange(x),ylimrange(y,z),xlabx,ylabvalue) points(x,z,colred,pch1) title(scatter plot with two series) t y plot(t,y,typel,mainsingle line plot) lty_values plot(lty_values,typen,axesF,annF) abline(hlty_values,ltylty_values,lwd2) mtext(lty_values,side2,atlty_values) title(line types (lty)) p plot(t[tp],y[tp],colred,typel,xlimrange(t),xlabt) lines(t[tp],y[tp],colblue,lty2) plot(y,typel) points(y,pch16) x y z plot(x,y,typel,ylimrange(y,z),colblack) points(y,pch15) lines(z,lty2,colblue) points(z,pch16,colblue) title(plot of two series) legend(topleft,legendc(y,z),colc(black,blue),ltyc(1,2),pchc(15,16),cex0.8,x.intersp 0.5,y.intersp0.8) barplot(1:10,names.arg LETTERS[1:10]) data(flights,packagenycflights13) carriers sorted_carriers barplot(head(sorted_carriers,8),ylimc(0,max(sorted_carriers)*1.1),xlabcarrier,ylabflights,maintop 8 carriers with the most flights in record) hist(flight_speed,probability T,ylimc(0,0.5),mainHistogram and empirical distribution of flight speed,bordergray,collightgray) lines(density(flight_speed,from2,na.rmT),coldarkgray,lwd2) abline(vmean(flight_speed,na.rmT,colblue,lty2))Hist():画出flight_speed的柱状图Density():估计飞行速度的经验分布并在上面绘制光滑的概率分布曲线Abline():绘制飞行速度的平均水平线 grades pie(grades,mainGrades,radius1)boxplot(distance/air_time~carrier,dataflights,mainbox plot of light speed by carrier)散点图矩阵气泡图散点图矩阵可以看到线性和平滑(loess)拟合曲线被默认添加主对角线处添加了核密度曲 线和轴须图。spread FALSE选项表示不添加展示分散度和对称信息的直线lty.smooth 2设定平滑(loess)拟合曲线使用虚线而不是实线。气泡图我们避免用三维散点图的表达先创建一个二维散点图第三个变量用气泡大小表示。你可用symbols()函数来创建气泡图。该函数可以在指定的(x, y)坐标上绘制圆圈图、方形 图、星形图、温度计图和箱线图。以绘制圆圈图为例 symbols(x,y,circleradius);x,y表示坐标circle表示圆半径。如果你想要用面积而不是半径来表示第三个变量(rsqrt(s/pi) )变 换即可在气泡图中x轴代表车重y轴代表每加仑英里数气泡大 小代表发动机排量 attach(mtcars) library(car) scatterplotMatrix(~mpgdispdratwt,datamtcars,spreadF,lty.smooth2,main基本矩阵散点图) attach(mtcars) r symbols(wt,mpg,circles r,inches0.3,fgwhite,bglightblue,main气泡图,xlab车重,ylab每加仑因里数) text(wt,mpg,rownames(mtcars),cex0.6)Python绘图软件环境AnacondaJupyter notebook如果说通过直方图可以看到变量的数值分布那么条形图可以帮我们查看类别的特征。在条形图中长条形的长度表示类别的频数宽度表示类别。在 Matplotlib 中我们使用 plt.bar(x, height) 函数其中参数 x 代表 x 轴的位置序列height 是 y 轴的数值序列在 Seaborn 中我们使用 sns.barplot(xNone, yNone, dataNone) 函数参数 data 为 DataFrame 类型x、y 是 data 中的变量。import matplotlib.pyplot as pltimport seaborn as sns# 数据准备x [Cat1, Cat2, Cat3, Cat4, Cat5]y [5, 4, 8, 12, 7]# 用 Matplotlib 画条形图plt.bar(x, y)print (plt.show())# 用 Seaborn 画条形图sns.barplot(x, y)print (plt.show())散点图画散点图需要使用 plt.scatter(x, y, markerNone) 函数。marker 代表了标记的符号。比如“x”、“”或者“o”。除了 Matplotlib 外你也可以使用 Seaborn 进行散点图的绘制。使用 sns.jointplot(x, y, dataNone, kind‘scatter’) 函数,data 就是我们要传入的数据一般是 DataFrame 类型;kind 这类我们取 scatter代表散点的意思import numpy as npimport pandas as pd# 数据准备N 1000x np.random.randn(N)y np.random.randn(N)# 用 Matplotlib 画散点图plt.scatter(x, y,markerx)plt.show()# 用 Seaborn 画散点图df pd.DataFrame({x: x, y: y})sns.jointplot(xx, yy, datadf, kindscatter);plt.show()折线图可以用来表示数据随着时间变化的趋势。在 Matplotlib 中我们可以直接使用 plt.plot() 函数当然需要提前把数据按照 x 轴的大小进行排序要不画出来的折线图就无法按照 x 轴递增的顺序展示。在 Seaborn 中我们使用 sns.lineplot (x, y, dataNone) 函数,data 就是我们要传入的数据一般是 DataFrame 类型。# 数据准备x [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]y [5, 3, 6, 20, 17, 16, 19, 30, 32, 35]# 使用 Matplotlib 画折线图plt.plot(x, y)plt.show()# 使用 Seaborn 画折线图df pd.DataFrame({x: x, y: y})sns.lineplot(xx, yy, datadf)plt.show()直方图是比较常见的视图;在 Matplotlib 中我们使用 plt.hist(x, bins10) 函数,其中参数 x 是一维数组bins 代表直方图中的箱子数量默认是 10。在 Seaborn 中我们使用 sns.distplot(x, bins10, kdeTrue) 函数。参数 x 是一维数组bins 代表直方图中的箱子数量kde 代表显示核密度估计默认是 True.核密度估计是通过核函数帮我们来估计概率密度的方法。# 数据准备a np.random.randn(100)s pd.Series(a)# 用 Matplotlib 画直方图plt.hist(s)plt.show()# 用 Seaborn 画直方图sns.distplot(s, kdeFalse)plt.show()sns.distplot(s, kdeTrue)plt.show()饼图饼图是常用的统计学模块可以显示每个部分大小与总和之间的比例。在 Matplotlib 中我们使用 plt.pie(x, labelsNone) 函数其中参数 x 代表要绘制饼图的数据labels 是缺省值可以为饼图添加标签。# 数据准备nums [25, 37, 33, 37, 6]labels [High-school,Bachelor,Master,Ph.d, Others]# 用 Matplotlib 画饼图plt.pie(x nums, labelslabels)plt.show()箱线图又称盒式图它是在 1977 年提出的由五个数值点组成最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数;它可以帮我们分析出数据的差异性、离散程度和异常值等。在 Matplotlib 中我们使用 plt.boxplot(x, labelsNone) 函数在 Seaborn 中我们使用 sns.boxplot(xNone, yNone, dataNone) 函数;参数 data 为 DataFrame 类型x、y 是 data 中的变量。# 数据准备# 生成 0-1 之间的 10*4 维度数据datanp.random.normal(size(10,4))lables [A,B,C,D]# 用 Matplotlib 画箱线图plt.boxplot(data,labelslables)plt.show()# 用 Seaborn 画箱线图df pd.DataFrame(data, columnslables)sns.boxplot(datadf)plt.show()热力图是一种非常直观的多元变量分析方法。我们一般使用 Seaborn 中的 sns.heatmap(data) 函数其中 data 代表需要绘制的热力图数据。# 数据准备flights sns.load_dataset(flights)dataflights.pivot(year,month,passengers)# 用 Seaborn 画热力图sns.heatmap(data)plt.show()蜘蛛图蜘蛛图是一种显示一对多关系的方法。在蜘蛛图中一个变量相对于另一个变量的显著性是清晰可见的。假设我们想要给王者荣耀的玩家做一个战力图指标一共包括推进、KDA、生存、团战、发育和输出。那该如何做呢这里我们需要使用 Matplotlib 来进行画图首先设置两个数组labels 和 stats。他们分别保存了这些属性的名称和属性值。因为需要计算角度所以我们要准备 angles 数组;又因为需要设定统计结果的数值所以我们要设定 stats 数组。并且需要在原有 angles 和 stats 数组上增加一位也就是添加数组的第一个元素。代码中 flt.figure 是创建一个空白的 figure 对象---画幕布 add_subplot(111) 可以把画板划分成 1 行 1 列再用 ax.plot 和 ax.fill 进行连线以及给图形上色。Matplotlib 对中文的显示不是很友好我在网上下载了中文字体(记得记载包from matplotlib.font_manager import FontProperties否则报错)# 数据准备from matplotlib.font_manager import FontPropertieslabelsnp.array([u 推进 ,KDA,u 生存 ,u 团战 ,u 发育 ,u 输出 ])stats[83, 61, 95, 67, 76, 88]# 画图数据准备角度、状态值anglesnp.linspace(0, 2*np.pi, len(labels), endpointFalse)statsnp.concatenate((stats,[stats[0]]))anglesnp.concatenate((angles,[angles[0]]))# 用 Matplotlib 画蜘蛛图fig plt.figure()ax fig.add_subplot(111, polarTrue)ax.plot(angles, stats, o-, linewidth2)ax.fill(angles, stats, alpha0.25)# 设置中文字体font FontProperties(fnamerC:\Windows\Fonts\simhei.ttf, size14)ax.set_thetagrids(angles * 180/np.pi, labels, FontPropertiesfont)plt.show()散点图核密度图Hexbin 图如果我们想要看两个变量之间的关系就需要用到二元变量分布。散点图就是一种二元变量分布。在 Seaborn 里使用二元变量分布是非常方便的直接使用 sns.jointplot(x, y, dataNone, kind) 函数即可。其中用 kind 表示不同的视图类型“kind‘scatter’”代表散点图“kind‘kde’”代表核密度图“kind‘hex’”代表 Hexbin 图它代表的是直方图的二维模拟。# 数据准备tips sns.load_dataset(tips)print(tips.head(10))# 用 Seaborn 画二元变量分布图(散点图核密度图Hexbin 图)sns.jointplot(xtotal_bill, ytip, datatips, kindscatter)sns.jointplot(xtotal_bill, ytip, datatips, kindkde)sns.jointplot(xtotal_bill, ytip, datatips, kindhex)plt.show()散点图矩阵如果想要探索数据集中的多个成对双变量的分布可以直接采用 sns.pairplot() 函数。它可以说是探索性分析中的常用函数可以很快帮我们理解变量对之间的关系。pairplot 函数的使用就像在 DataFrame 中使用 describe() 函数一样方便在这里直接使用anaconda自带包中的数据# 数据准备iris sns.load_dataset(iris)# 用 Seaborn 画成对关系sns.pairplot(iris)plt.show()如何描述这幅图只看右上角就行(与左下角对称)横轴找一个变量纵轴找一个变量图形就显示二者间的相关关系。总结 Python 可视化工具包 Matplotlib 和 Seaborn 工具就好比 NumPy 和 Pandas 的关系。Seaborn 是基于 Matplotlib 更加高级的可视化库。如果你想设置修改颜色、宽度等视图属性。你可以看之后我写的文档(相信我一定会放的毕竟在学习的路上不能停)。也可以在网上自己学习相关函数文档。“老弟来了”。能看到这里我为你手动点个赞感谢大家。R就使用Rstudio安装起来非常方便快速一个轻量型的R可以做到如此贴心的地步默默为R点个赞。(切记先装R再Rstudio)PYTHON的话建议使用Anaconda因为它很大库很多一旦下载方便新手操作(500多M的样子)
