【长文干货】Python可视化教程

数据介绍

在这个小费数据集中，我们记录了20世纪90年代初期餐厅顾客在两个半月内给出的小费情况。数据集包含了total_bill（总账单金额）、tip（小费金额）、sex（性别）、smoker（是否吸烟）、day（就餐日期）、time（就餐时间）、size（就餐人数）等六列信息。

数据下载：

链接: https://pan.baidu.com/s/1gnxI3CM7EVqCAzAGCbtSrg 提取码: 7it9 

读取数据：

import pandas as pd# 读取数据
data = pd.read_csv("tips.csv")# 展示前10行
display(data.head(10))

如下所示：

Matplotlib

Matplotlib是一个强大而灵活的低级数据可视化库，它建立在NumPy数组上。它提供了各种图形，如散点图、折线图、柱形图等。

要安装Matplotlib，可以使用以下命令：

pip install matplotlib

散点图

散点图用于观察变量之间的关系，可以使用Matplotlib的scatter()方法进行绘制。

import pandas as pd
import matplotlib.pyplot as plt# 数据
data = pd.read_csv("tips.csv")# 绘制天和小票关系
plt.scatter(data['day'], data['tip'])# 添加标题
plt.title("Scatter Plot")# 添加横纵坐标
plt.xlabel('Day')
plt.ylabel('Tip')plt.show()

如下所示：

如果想要增添颜色和调整点的大小，可以通过scatter()函数的c和s参数来实现。此外，colorbar()方法可用于显示颜色条。

折线图

折线图用于表示两个变量在不同轴上的关系，使用Matplotlib的plot()函数进行绘制。

import pandas as pd
import matplotlib.pyplot as plt# 读取数据
data = pd.read_csv("tips.csv")# 绘制小票和大小关系
plt.plot(data['tip'])
plt.plot(data['size'])#添加标题
plt.title("Scatter Plot")# 添加横纵坐标
plt.xlabel('Day')
plt.ylabel('Tip')plt.show()

如下：

柱形图

柱形图用于以矩形条的长度和高度表示数据类别。可以使用Matplotlib的bar()方法创建柱形图。

import pandas as pd
import matplotlib.pyplot as pltdata = pd.read_csv("tips.csv")plt.bar(data['day'], data['tip'])plt.title("Bar Chart")plt.xlabel('Day')
plt.ylabel('Tip')# Adding the legends
plt.show()

如下：

直方图

直方图用于以组的形式表示数据，可以使用Matplotlib的hist()函数进行绘制。

import pandas as pd
import matplotlib.pyplot as pltdata = pd.read_csv("tips.csv")
plt.hist(data['total_bill'])plt.title("Histogram")
plt.show()

如下：

Seaborn

Seaborn是建立在Matplotlib之上的高级接口，提供了漂亮的设计风格和调色板，使得绘制更具吸引力的图表变得简单。

要安装Seaborn，可以使用以下命令：

pip install seaborn

Seaborn的scatterplot()方法用于绘制散点图。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")# 绘制天和小费关系的散点图
sns.scatterplot(x='day', y='tip', data=data)plt.show()

如下：

散点图

与Matplotlib不同的是，在Seaborn中，使用hue参数可以轻松地按性别对每个点进行着色。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")# 根据性别绘制天和小费关系的散点图
sns.scatterplot(x='day', y='tip', data=data, hue='sex')plt.show()

如下：

你会发现，在使用 Matplotlib 时，如果你想根据性别给这个图的每个点着色，那会很困难。但是在散点图中，它可以在色调参数的帮助下完成。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")sns.scatterplot(x='day', y='tip', data=data,hue='sex')
plt.show()

如下：

折线图

Seaborn的lineplot()方法用于绘制折线图。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")sns.lineplot(x='day', y='tip', data=data)
plt.show()

如下：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")# 去除一个总额度列再绘制
sns.lineplot(data=data.drop(['total_bill'], axis=1))
plt.show()

如下：

柱形图

Seaborn的barplot()方法用于绘制柱形图。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")sns.barplot(x='day',y='tip', data=data, hue='sex')plt.show()

如下：

直方图

Seaborn 中的直方图可以使用 histplot（） 函数绘制。

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pddata = pd.read_csv("tips.csv")sns.histplot(x='total_bill', data=data, kde=True, hue='sex')plt.show()

如下：

在使用Seaborn时，相比于Matplotlib，我们可以更轻松地自定义图表。而且，Seaborn是基于Matplotlib构建的，因此在使用Seaborn时仍然可以利用Matplotlib的自定义函数。

Bokeh

Bokeh以其交互式图表而著称，使用HTML和JavaScript渲染图形，提供了优雅、简洁且高度交互性的现代图形。

要安装Bokeh，可以使用以下命令：

pip install bokeh

散点图

Bokeh的scatter()方法用于绘制散点图。

from bokeh.plotting import figure, output_file, show
from bokeh.palettes import magma
import pandas as pd#初始化
graph = figure(title = "Bokeh Scatter Graph")# 读取
data = pd.read_csv("tips.csv")color = magma(256)# 绘制
graph.scatter(data['total_bill'], data['tip'], color=color)# 显示
show(graph)

如下：

折线

from bokeh.plotting import figure, output_file, show
import pandas as pdgraph = figure(title = "Bokeh Bar Chart")data = pd.read_csv("tips.csv")# tip column
df = data['tip'].value_counts()# 绘制
graph.line(df, data['tip'])#展示
show(graph)

如下：

条形图

Bokeh中的条形图可以使用vbar()方法创建。

from bokeh.plotting import figure, output_file, show
import pandas as pdgraph = figure(title = "Bokeh Bar Chart")data = pd.read_csv("tips.csv")graph.vbar(data['total_bill'], top=data['tip'])show(graph)

如下：

交互式

Bokeh提供了交互式图表的功能，可以使用GUI元素如按钮、滑块、复选框等。

from bokeh.plotting import figure, output_file, show
import pandas as pd# 初始化
graph = figure(title = "Bokeh Bar Chart")# 数据读取
data = pd.read_csv("tips.csv")# 绘制
graph.vbar(data['total_bill'], top=data['tip'], legend_label = "Bill VS Tips", color='green')graph.vbar(data['tip'], top=data['size'], legend_label = "Tips VS Size", color='red')graph.legend.click_policy = "hide"# 展示
show(graph)

如下:

例如：

from bokeh.io import show
from bokeh.models import CustomJS, Sliderslider = Slider(start=1, end=20, value=1, step=2, title="Slider")slider.js_on_change("value", CustomJS(code="""console.log('slider: value=' + this.value, this.toString())
"""))show(slider)

如下：

Plotly

Plotly是一个交互式可视化库，提供基于Web的图表，可以用于创建漂亮的图表和仪表板。

要安装Plotly，可以使用以下命令：

pip install plotly

基本

使用Plotly Express库中的scatter()方法绘制散点图。

import plotly.express as px
import pandas as pddata = pd.read_csv("tips.csv")fig = px.scatter(data, x="day", y="tip", color='sex')# showing the plot
fig.show()

如下：

使用Plotly Express库中的line()方法绘制折线图。

import plotly.express as px
import pandas as pddata = pd.read_csv("tips.csv")fig = px.line(data, y='tip', color='sex')fig.show()

如下：

使用Plotly Express库中的bar()方法绘制柱形图。

import plotly.express as px
import pandas as pddata = pd.read_csv("tips.csv")fig = px.bar(data, x='day', y='tip', color='sex')fig.show()

如下：

使用Plotly Express库中的histogram()方法绘制直方图。

import plotly.express as px
import pandas as pd# reading the database
data = pd.read_csv("tips.csv")# plotting the scatter chart
fig = px.histogram(data, x='total_bill', color='sex')# showing the plot
fig.show()

如下：

组合优化：定制化下拉菜单

在数据可视化中，展示图表不仅需要清晰的数据呈现，还需要用户友好的交互体验。本文将介绍如何通过使用 Plotly 中的 updatemenus 功能，为图表添加定制化下拉菜单，让用户能够灵活切换图表类型。

# 导入必要的库
import plotly.graph_objects as go
import pandas as pd# 读取数据
data = pd.read_csv("tips.csv")# 创建初始散点图
plot = go.Figure(data=[go.Scatter(x=data['day'],y=data['tip'],mode='markers',)
])# 定义下拉菜单选项
menu_options = [dict(args=["type", "scatter"],label="散点图",method="restyle"),dict(args=["type", "bar"],label="柱状图",method="restyle")
]# 添加下拉菜单
plot.update_layout(updatemenus=[dict(buttons=menu_options,direction="down",),]
)# 展示图表
plot.show()

如下所示：

通过这个简单的示例，你可以在图表上方看到一个下拉菜单，用于在散点图和柱状图之间切换。这种交互方式使得用户能够更直观地探索数据。

同样地，我们可以应用相同的思想来优化时间序列数据的展示：

# 创建初始折线图
plot = go.Figure(data=[go.Scatter(y=data['tip'],mode='lines',)
])# 定义时间序列下拉菜单选项
time_menu_options = [dict(count=1,step="day",stepmode="backward")
]# 更新布局，添加时间序列下拉菜单
plot.update_layout(xaxis=dict(rangeselector=dict(buttons=time_menu_options),rangeslider=dict(visible=True),)
)# 展示图表
plot.show()

如下：

这样，你就能够以更有层次感的方式呈现时间序列数据。

总结

通过本文学习，你不仅了解了如何使用 Python 中不同的绘图库（Matplotlib、Seaborn、Bokeh 和 Plotly）来展示提示数据集，还掌握了如何通过 Plotly 的交互功能为图表添加个性化的下拉菜单。每个绘图库都有其独特的优势，根据任务需求选择合适的库，既能提高效率又能提供更好的用户体验。希望你在数据可视化的旅程中能够更得心应手！