超實用！用Python進行資料視覺化的9種常見方法！

如同藝術家們用繪畫讓人們更貼切的感知世界， 資料視覺化也能讓人們更直觀的傳遞資料所要表達的資訊。

我們今天就分享一下如何用 Python 簡單便捷的完成資料視覺化。

其實利用 Python 視覺化資料並不是很麻煩， 因為 Python 中有兩個專用於視覺化的庫 matplotlib 和 seaborn 能讓我們很容易的完成任務。

Matplotlib：基於Python的繪圖庫， 提供完全的 2D 支援和部分 3D 圖像支援。 在跨平臺和互動式環境中生成高品質資料時， matplotlib 會很有幫助。 也可以用作製作動畫。 Seaborn：該 Python 庫能夠創建富含信息量和美觀的統計圖形。 Seaborn 基於 matplotlib， 具有多種特性， 比如內置主題、調色板、可以視覺化單變數資料、雙變數資料， 線性回歸資料和資料矩陣以及統計型時序資料等， 能讓我們創建複雜的視覺化圖形。

我們用 Python 可以做出哪些視覺化圖形？

那麼這裡可能有人就要問了， 我們為什麼要做資料視覺化？比如有下面這個圖表：

當然如果你把這張圖表丟給別人， 他們倒是也能看懂， 但無法很直觀的理解其中的資訊， 而且這種形式的圖表看上去也比較 low， 這個時候我們如果換成直觀又美觀的視覺化圖形， 不僅能突顯逼格， 也能讓人更容易的看懂資料。

下面我們就用上面這個簡單的資料集作為例子，

展示用 Python 做出9種視覺化效果， 並附有相關代碼。

導入資料集

import matplotlib.pyplot as pltimport pandas as pddf=pd.read_excel("E:/First.xlsx", "Sheet1")

視覺化為長條圖

fig=plt.figure #Plots in matplotlib reside within a figure object, use plt.figure to create new figure#Create one or more subplots using add_subplot, because you can't create blank figureax = fig.add_subplot(1,1,1)#Variableax.hist(df['Age'],bins = 7) # Here you can play with number of binsLabels and Titplt.title('Age distribution')plt.xlabel('Age')plt.ylabel('#Employee')plt.show

視覺化為箱線圖

import matplotlib.pyplot as pltimport pandas as pdfig=plt.figureax = fig.add_subplot(1,1,1)#Variableax.boxplot(df['Age'])plt.show

視覺化為小提琴圖

import seaborn as sns sns.violinplot(df['Age'], df['Gender']) #Variable Plotsns.despine

視覺化為橫條圖

var = df.groupby('Gender').Sales.sum #grouped sum of sales at Gender levelfig = plt.figureax1 = fig.add_subplot(1,1,1)ax1.set_xlabel('Gender')ax1.set_ylabel('Sum of Sales')ax1.set_title("Gender wise Sum of Sales")var.plot(kind='bar')

視覺化為折線圖

var = df.groupby('BMI').Sales.sumfig = plt.figureax1 = fig.add_subplot(1,1,1)ax1.set_xlabel('BMI')ax1.set_ylabel('Sum of Sales')ax1.set_title("BMI wise Sum of Sales")var.plot(kind='line')

視覺化為堆疊柱狀圖

var = df.groupby(['BMI','Gender']).Sales.sumvar.unstack.plot(kind='bar',stacked=True, color=['red','blue'], grid=False)

視覺化為散點圖

fig = plt.figureax = fig.add_subplot(1,1,1)ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.plt.show

視覺化為泡泡圖

fig = plt.figureax = fig.add_subplot(1,1,1)ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubbleplt.show

視覺化為餅狀圖

var=df.groupby(['Gender']).sum.stacktemp=var.unstacktype(temp)x_list = temp['Sales']label_list = temp.indexpyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")#To show the percentage of each pie slice, pass an output format to the autopctparameter plt.pie(x_list,labels=label_list,autopct="%1.1f%%") plt.title("Pastafarianism expenses")plt.show

視覺化為熱度圖

import numpy as np#Generate a random number, you can refer your data values alsodata = np.random.rand(4,2)rows = list('1234') #rows categoriescolumns = list('MF') #column categoriesfig,ax=plt.subplots#Advance color controlsax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')ax.set_xticks(np.arange(0,2)+0.5)ax.set_yticks(np.arange(0,4)+0.5)# Here we position the tick labels for x and y axisax.xaxis.tick_bottomax.yaxis.tick_left#Values against each labelsax.set_xticklabels(columns,minor=False,fontsize=20)ax.set_yticklabels(rows,minor=False,fontsize=20)plt.show

你也可以自己試著根據兩個變數比如性別（X 軸）和 BMI（Y 軸）繪出熱度圖。

結語

本文我們分享了如何利用 Python 及 matplotlib 和 seaborn 庫製作出多種多樣的視覺化圖形。通過上面的例子，我們應該可以感受到利用視覺化能多麼美麗的展示資料。而且和其它語言相比，使用 Python 進行視覺化更容易簡便一些。

參考資料：

https://www. analyticsvidhya.com/blo g/2015/05/data-visualization-python/

視覺化為堆疊柱狀圖

var = df.groupby(['BMI','Gender']).Sales.sumvar.unstack.plot(kind='bar',stacked=True, color=['red','blue'], grid=False)

視覺化為散點圖

fig = plt.figureax = fig.add_subplot(1,1,1)ax.scatter(df['Age'],df['Sales']) #You can also add more variables here to represent color and size.plt.show

視覺化為泡泡圖

fig = plt.figureax = fig.add_subplot(1,1,1)ax.scatter(df['Age'],df['Sales'], s=df['Income']) # Added third variable income as size of the bubbleplt.show

視覺化為餅狀圖

var=df.groupby(['Gender']).sum.stacktemp=var.unstacktype(temp)x_list = temp['Sales']label_list = temp.indexpyplot.axis("equal") #The pie chart is oval by default. To make it a circle use pyplot.axis("equal")#To show the percentage of each pie slice, pass an output format to the autopctparameter plt.pie(x_list,labels=label_list,autopct="%1.1f%%") plt.title("Pastafarianism expenses")plt.show

視覺化為熱度圖

import numpy as np#Generate a random number, you can refer your data values alsodata = np.random.rand(4,2)rows = list('1234') #rows categoriescolumns = list('MF') #column categoriesfig,ax=plt.subplots#Advance color controlsax.pcolor(data,cmap=plt.cm.Reds,edgecolors='k')ax.set_xticks(np.arange(0,2)+0.5)ax.set_yticks(np.arange(0,4)+0.5)# Here we position the tick labels for x and y axisax.xaxis.tick_bottomax.yaxis.tick_left#Values against each labelsax.set_xticklabels(columns,minor=False,fontsize=20)ax.set_yticklabels(rows,minor=False,fontsize=20)plt.show

你也可以自己試著根據兩個變數比如性別（X 軸）和 BMI（Y 軸）繪出熱度圖。

結語

本文我們分享了如何利用 Python 及 matplotlib 和 seaborn 庫製作出多種多樣的視覺化圖形。通過上面的例子，我們應該可以感受到利用視覺化能多麼美麗的展示資料。而且和其它語言相比，使用 Python 進行視覺化更容易簡便一些。

參考資料：

https://www. analyticsvidhya.com/blo g/2015/05/data-visualization-python/