图表绘制工具--Matplotlib 2

'''

【课程3.】  基本图表绘制 plt.plot()

图表类别：线形图、柱状图、密度图，以横纵坐标两个维度为主

同时可延展出多种其他图表样式

plt.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False,

style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None,

rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, label=None, secondary_y=False, **kwds)

'''

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

% matplotlib inline

# Series直接生成图表

ts = pd.Series(np.random.randn(), index=pd.date_range('1/1/2000', periods=))

ts = ts.cumsum()

ts.plot(kind='line',

       label = 'hehe',

       style = '--g.',

       color = 'red',

       alpha = 0.4,

       use_index = True,

       rot = ,

       grid = True,

       ylim = [-,],

       yticks = list(range(-,,)),

       figsize = (,),

       title = 'test',

       legend = True)

#plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')  # 网格

plt.legend()

# Series.plot()：series的index为横坐标，value为纵坐标

# kind → line,bar,barh...（折线图，柱状图，柱状图-横...）

# label → 图例标签，Dataframe格式以列名为label

# style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）

# color → 颜色，有color指定时候，以color颜色为准

# alpha → 透明度，-

# use_index → 将索引用为刻度标签，默认为True

# rot → 旋转刻度标签，-

# grid → 显示网格，一般直接用plt.grid

# xlim,ylim → x,y轴界限

# xticks,yticks → x,y轴刻度值

# figsize → 图像大小

# title → 图名

# legend → 是否显示图例，一般直接用plt.legend()

# 也可以 → plt.plot()

　　输出：

# Dataframe直接生成图表

df = pd.DataFrame(np.random.randn(, ), index=ts.index, columns=list('ABCD'))

df = df.cumsum()

df.plot(kind='line',

       style = '--.',

       alpha = 0.4,

       use_index = True,

       rot = ,

       grid = True,

       figsize = (,),

       title = 'test',

       legend = True,

       subplots = False,

       colormap = 'Greens')

# subplots → 是否将各个列绘制到不同图表，默认False

# 也可以 → plt.plot(df)

　　输出：

'''

【课程3.】  柱状图、堆叠图

plt.plot(kind='bar/barh') , plt.bar()

'''

# 柱状图与堆叠图

fig,axes = plt.subplots(,,figsize = (,))

s = pd.Series(np.random.randint(,,),index = list('abcdefghijklmnop'))

df = pd.DataFrame(np.random.rand(,), columns=['a','b','c'])

s.plot(kind='bar',color = 'k',grid = True,alpha = 0.5,ax = axes[])  # ax参数 → 选择第几个子图

# 单系列柱状图方法一：plt.plot(kind='bar/barh')

df.plot(kind='bar',ax = axes[],grid = True,colormap='Reds_r')

# 多系列柱状图

df.plot(kind='bar',ax = axes[],grid = True,colormap='Blues_r',stacked=True)

# 多系列堆叠图

# stacked → 堆叠

df.plot.barh(ax = axes[],grid = True,stacked=True,colormap = 'BuGn_r')

# 新版本plt.plot.<kind>

　　输出：

# 柱状图 plt.bar()

plt.figure(figsize=(,))

x = np.arange()

y1 = np.random.rand()

y2 = -np.random.rand()

plt.bar(x,y1,width = ,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)

plt.bar(x,y2,width = ,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)

# x,y参数：x，y值

# width：宽度比例

# facecolor柱状图里填充的颜色、edgecolor是边框的颜色

# left-每个柱x轴左边界,bottom-每个柱y轴下边界 → bottom扩展即可化为甘特图 Gantt Chart

# align：决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置

# xerr/yerr ：x/y方向error bar

for i,j in zip(x,y1):

    plt.text(i+0.3,j-0.15,'%.2f' % j, color = 'white')

for i,j in zip(x,y2):

    plt.text(i+0.3,j+0.05,'%.2f' % -j, color = 'white')

# 给图添加text

# zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

　　输出：

# 外嵌图表plt.table()

# table(cellText=None, cellColours=None,cellLoc='right', colWidths=None,rowLabels=None, rowColours=None, rowLoc='left',

# colLabels=None, colColours=None, colLoc='center',loc='bottom', bbox=None)

data = [[ , ,  , ,  ],

        [ , ,  ,  , ],

        [ ,  , , , ],

        [ ,  , , ,  ],

        [, , , ,  ]]

columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail')

rows = ['%d year' % x for x in (, , , , )]

df = pd.DataFrame(data,columns = ('Freeze', 'Wind', 'Flood', 'Quake', 'Hail'),

                 index = ['%d year' % x for x in (, , , , )])

print(df)

df.plot(kind='bar',grid = True,colormap='Blues_r',stacked=True,figsize=(,))

# 创建堆叠图

plt.table(cellText = data,

          cellLoc='center',

          cellColours = None,

          rowLabels = rows,

          rowColours = plt.cm.BuPu(np.linspace(, 0.5,))[::-],  # BuPu可替换成其他colormap

          colLabels = columns,

          colColours = plt.cm.Reds(np.linspace(, 0.5,))[::-],

          rowLoc='right',

          loc='bottom')

# cellText：表格文本

# cellLoc：cell内文本对齐位置

# rowLabels：行标签

# colLabels：列标签

# rowLoc：行标签对齐位置

# loc：表格位置 → left，right，top，bottom

plt.xticks([])

# 不显示x轴标注

　　输出：

          Freeze    Wind   Flood   Quake    Hail

 year

 year

 year

 year

 year

'''

【课程3.】  面积图、填图、饼图

plt.plot.area()

plt.fill(), plt.fill_between()

plt.pie()

'''

# 面积图

fig,axes = plt.subplots(,,figsize = (,))

df1 = pd.DataFrame(np.random.rand(, ), columns=['a', 'b', 'c', 'd'])

df2 = pd.DataFrame(np.random.randn(, ), columns=['a', 'b', 'c', 'd'])

df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[])

df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[])

# 使用Series.plot.area()和DataFrame.plot.area()创建面积图

# stacked：是否堆叠，默认情况下，区域图被堆叠

# 为了产生堆积面积图，每列必须是正值或全部负值！

# 当数据有NaN时候，自动填充0，所以图标签需要清洗掉缺失值

　　输出：

# 填图

fig,axes = plt.subplots(,,figsize = (,))

x = np.linspace(, , )

y1 = np.sin( * np.pi * x) * np.exp(- * x)

y2 = -np.sin( * np.pi * x) * np.exp(- * x)

axes[].fill(x, y1, 'r',alpha=0.5,label='y1')

axes[].fill(x, y2, 'g',alpha=0.5,label='y2')

# 对函数与坐标轴之间的区域进行填充，使用fill函数

# 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)

x = np.linspace(,  * np.pi, )

y1 = np.sin(x)

y2 = np.sin( * x)

axes[].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')

# 填充两个函数之间的区域，使用fill_between函数

for i in range():

    axes[i].legend()

    axes[i].grid()

# 添加图例、格网

　　输出：

# 饼图 plt.pie()

# plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None,

# radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(, ), frame=False, hold=None, data=None)

s = pd.Series( * np.random.rand(), index=['a', 'b', 'c', 'd'], name='series')

plt.axis('equal')  # 保证长宽相等

plt.pie(s,

       explode = [0.1,,,],

       labels = s.index,

       colors=['r', 'g', 'b', 'c'],

       autopct='%.2f%%',

       pctdistance=0.6,

       labeldistance = 1.2,

       shadow = True,

       startangle=,

       radius=1.5,

       frame=False)

print(s)

# 第一个参数：数据

# explode：指定每部分的偏移量

# labels：标签

# colors：颜色

# autopct：饼图上的数据标签显示方式

# pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例

# labeldistance：被画饼标记的直径,默认值：1.1

# shadow：阴影

# startangle：开始角度

# radius：半径

# frame：图框

# counterclock：指定指针方向，顺时针或者逆时针

　　输出：

'''

【课程3.】  直方图

plt.hist(x, bins=, range=None, normed=False, weights=None, cumulative=False, bottom=None,

histtype='bar', align='mid', orientation='vertical',rwidth=None, log=False, color=None, label=None,

stacked=False, hold=None, data=None, **kwargs)

'''

# 直方图+密度图

s = pd.Series(np.random.randn())

s.hist(bins = ,

       histtype = 'bar',

       align = 'mid',

       orientation = 'vertical',

       alpha=0.5,

       normed =True)

# bin：箱子的宽度

# normed 标准化

# histtype 风格，bar，barstacked，step，stepfilled

# orientation 水平还是垂直{‘horizontal’, ‘vertical’}

# align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)

s.plot(kind='kde',style='k--')

# 密度图

　　输出：

# 堆叠直方图

plt.figure(num=)

df = pd.DataFrame({'a': np.random.randn() + , 'b': np.random.randn(),

                    'c': np.random.randn() - , 'd': np.random.randn()-},

                   columns=['a', 'b', 'c','d'])

df.plot.hist(stacked=True,

             bins=,

             colormap='Greens_r',

             alpha=0.5,

             grid=True)

# 使用DataFrame.plot.hist()和Series.plot.hist()方法绘制

# stacked：是否堆叠

df.hist(bins=)

# 生成多个直方图

　　输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E3E70B8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000C0F50F0>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000BA11E48>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E434B70>]], dtype=object)

<matplotlib.figure.Figure at 0xbcbbb00>

'''

【课程3.】  散点图、矩阵散点图

plt.scatter(), pd.scatter_matrix()

'''

# plt.scatter()散点图

# plt.scatter(x, y, s=, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None,

# alpha=None, linewidths=None, verts=None, edgecolors=None, hold=None, data=None, **kwargs)

plt.figure(figsize=(,))

x = np.random.randn()

y = np.random.randn()

plt.scatter(x,y,marker='.',

           s = np.random.randn()*,

           cmap = 'Reds',

           c = y,

           alpha = 0.8,)

plt.grid()

# s：散点的大小

# c：散点的颜色

# vmin,vmax：亮度设置，标量

# cmap：colormap

　　输出：

# pd.scatter_matrix()散点矩阵

# pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None,

# grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)

df = pd.DataFrame(np.random.randn(,),columns = ['a','b','c','d'])

pd.scatter_matrix(df,figsize=(,),

                 marker = 'o',

                 diagonal='kde',

                 alpha = 0.5,

                 range_padding=0.1)

# diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图

# range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点

　　输出：

array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E55AB38>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E889320>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E8D1EF0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E911518>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E95AFD0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E99C080>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E9E5C50>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E5403C8>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E84DAC8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000E4085C0>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D1384A8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D17D5F8>],

       [<matplotlib.axes._subplots.AxesSubplot object at 0x000000000E3A19E8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000CE99128>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000D0D73C8>,

        <matplotlib.axes._subplots.AxesSubplot object at 0x000000000EA51F98>]], dtype=object)

'''

【课程3.】  极坐标图

调用subplot()创建子图时通过设置projection='polar',便可创建一个极坐标子图，然后调用plot()在极坐标子图中绘图

'''

# 创建极坐标轴

s = pd.Series(np.arange())

theta=np.arange(,*np.pi,0.02)

print(s.head())

print(theta[:])

# 创建数据

fig = plt.figure(figsize=(,))

ax1 = plt.subplot(, projection = 'polar')

ax2 = plt.subplot()

# 创建极坐标子图

# 还可以写：ax = fig.add_subplot(,polar=True)

ax1.plot(theta,theta*,linestyle = '--',lw=)

ax1.plot(s, linestyle = '--', marker = '.',lw=)

ax2.plot(theta,theta*,linestyle = '--',lw=)

ax2.plot(s)

plt.grid()

# 创建极坐标图，参数1为角度（弧度制），参数2为value

# lw → 线宽

　　输出：


dtype: int32

[ .    0.02  0.04  0.06  0.08  0.1   0.12  0.14  0.16  0.18]

# 极坐标参数设置

theta=np.arange(,*np.pi,0.02)

plt.figure(figsize=(,))

ax1= plt.subplot(, projection='polar')

ax2= plt.subplot(, projection='polar')

ax1.plot(theta,theta/,'--',lw=)

ax2.plot(theta,theta/,'--',lw=)

# 创建极坐标子图ax

ax2.set_theta_direction(-)

# set_theta_direction()：坐标轴正方向，默认逆时针

ax2.set_thetagrids(np.arange(0.0, 360.0, ),['a','b','c','d'])

ax2.set_rgrids(np.arange(0.2,,0.4))

# set_thetagrids()：设置极坐标角度网格线显示及标签 → 网格和标签数量一致

# set_rgrids()：设置极径网格线显示，其中参数必须是正数

ax2.set_theta_offset(np.pi/)

# set_theta_offset()：设置角度偏移，逆时针，弧度制

ax2.set_rlim(0.2,1.2)

ax2.set_rmax()

ax2.set_rticks(np.arange(0.1, 1.5, 0.2))

# set_rlim()：设置显示的极径范围

# set_rmax()：设置显示的极径最大值

# set_rticks()：设置极径网格线的显示范围

　　输出：

[<matplotlib.axis.YTick at 0xec59fd0>,

 <matplotlib.axis.YTick at 0xec5fc50>,

 <matplotlib.axis.YTick at 0xec7dc50>,

 <matplotlib.axis.YTick at 0xec813c8>,

 <matplotlib.axis.YTick at 0xec81b00>,

 <matplotlib.axis.YTick at 0xec76160>,

 <matplotlib.axis.YTick at 0xec84a90>]

# 雷达图1 - 极坐标的折线图/填图 - plt.plot()

plt.figure(figsize=(,))

ax1= plt.subplot(, projection='polar')

ax1.set_title('radar map\n')  # 创建标题

ax1.set_rlim(,)

data1 = np.random.randint(,,)

data2 = np.random.randint(,,)

data3 = np.random.randint(,,)

theta=np.arange(,*np.pi,*np.pi/)

# 创建数据

ax1.plot(theta,data1,'.--',label='data1')

ax1.fill(theta,data1,alpha=0.2)

ax1.plot(theta,data2,'.--',label='data2')

ax1.fill(theta,data2,alpha=0.2)

ax1.plot(theta,data3,'.--',label='data3')

ax1.fill(theta,data3,alpha=0.2)

# 绘制雷达线

　　输出：

# 雷达图2 - 极坐标的折线图/填图 - plt.polar()

# 首尾闭合

labels = np.array(['a','b','c','d','e','f']) # 标签

dataLenth =  # 数据长度

data1 = np.random.randint(,,)

data2 = np.random.randint(,,) # 数据

angles = np.linspace(, *np.pi, dataLenth, endpoint=False) # 分割圆周长

data1 = np.concatenate((data1, [data1[]])) # 闭合

data2 = np.concatenate((data2, [data2[]])) # 闭合

angles = np.concatenate((angles, [angles[]])) # 闭合

plt.polar(angles, data1, 'o-', linewidth=) #做极坐标系

plt.fill(angles, data1, alpha=0.25)# 填充

plt.polar(angles, data2, 'o-', linewidth=) #做极坐标系

plt.fill(angles, data2, alpha=0.25)# 填充

plt.thetagrids(angles * /np.pi, labels) # 设置网格、标签

plt.ylim(,)  # polar的极值设置为ylim

　　输出：

# 极轴图 - 极坐标的柱状图

plt.figure(figsize=(,))

ax1= plt.subplot(, projection='polar')

ax1.set_title('radar map\n')  # 创建标题

ax1.set_rlim(,)

data = np.random.randint(,,)

theta=np.arange(,*np.pi,*np.pi/)

# 创建数据

bar = ax1.bar(theta,data,alpha=0.5)

for r,bar in zip(data, bar):

    bar.set_facecolor(plt.cm.jet(r/.))  # 设置颜色

plt.thetagrids(np.arange(0.0, 360.0, ), []) # 设置网格、标签（这里是空标签，则不显示内容）

　　输出：

'''

【课程3.】  箱型图

箱型图：又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图

包含一组数据的：最大值、最小值、中位数、上四分位数（Q3）、下四分位数（Q1）、异常值

① 中位数 → 一组数据平均分成两份，中间的数

② 上四分位数Q1 → 是将序列平均分成四份，计算(n+)/4与(n-)/4两种，一般使用(n+)/

③ 下四分位数Q3 → 是将序列平均分成四份，计算(+n)/*=6.75

④ 内限 → T形的盒须就是内限，最大值区间Q3+.5IQR,最小值区间Q1-.5IQR （IQR=Q3-Q1）

⑤ 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）

⑥ 异常值 → 内限之外 - 中度异常，外限之外 - 极度异常

plt.plot.box(),plt.boxplot()

'''

# plt.plot.box()绘制

fig,axes = plt.subplots(,,figsize=(,))

df = pd.DataFrame(np.random.rand(, ), columns=['A', 'B', 'C', 'D', 'E'])

color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')

# 箱型图着色

# boxes → 箱线

# whiskers → 分位数与error bar横线之间竖线的颜色

# medians → 中位数线颜色

# caps → error bar横线颜色

df.plot.box(ylim=[,1.2],

           grid = True,

           color = color,

           ax = axes[])

# color：样式填充

df.plot.box(vert=False,

            positions=[, , , , ],

            ax = axes[],

            grid = True,

           color = color)

# vert：是否垂直，默认True

# position：箱型图占位

　　输出：

# plt.boxplot()绘制

# pltboxplot(x, notch=None, sym=None, vert=None, whis=None, positions=None, widths=None, patch_artist=None, bootstrap=None,

# usermedians=None, conf_intervals=None, meanline=None, showmeans=None, showcaps=None, showbox=None, showfliers=None, boxprops=None,

# labels=None, flierprops=None, medianprops=None, meanprops=None, capprops=None, whiskerprops=None, manage_xticks=True, autorange=False,

# zorder=None, hold=None, data=None)

df = pd.DataFrame(np.random.rand(, ), columns=['A', 'B', 'C', 'D', 'E'])

plt.figure(figsize=(,))

# 创建图表、数据

f = df.boxplot(sym = 'o',  # 异常点形状，参考marker

               vert = True,  # 是否垂直

               whis = 1.5,  # IQR，默认1.，也可以设置区间比如[,]，代表强制上下边缘为数据95%和5%位置

               patch_artist = True,  # 上下四分位框内是否填充，True为填充

               meanline = False,showmeans=True,  # 是否有均值线及其形状

               showbox = True,  # 是否显示箱线

               showcaps = True,  # 是否显示边缘线

               showfliers = True,  # 是否显示异常值

               notch = False,  # 中间箱体是否缺口

               return_type='dict'  # 返回类型为字典

              )

plt.title('boxplot')

print(f)

for box in f['boxes']:

    box.set( color='b', linewidth=)        # 箱体边框颜色

    box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色

for whisker in f['whiskers']:

    whisker.set(color='k', linewidth=0.5,linestyle='-')

for cap in f['caps']:

    cap.set(color='gray', linewidth=)

for median in f['medians']:

    median.set(color='DarkBlue', linewidth=)

for flier in f['fliers']:

    flier.set(marker='o', color='y', alpha=0.5)

# boxes, 箱线

# medians, 中位值的横线,

# whiskers, 从box到error bar之间的竖线.

# fliers, 异常值

# caps, error bar横线

# means, 均值的横线,

　　输出：

{'caps': [<matplotlib.lines.Line2D object at 0x0000000010042CF8>, <matplotlib.lines.Line2D object at 0x0000000010047BE0>, <matplotlib.lines.Line2D object at 0x0000000010057C88>, <matplotlib.lines.Line2D object at 0x000000001005DB70>, <matplotlib.lines.Line2D object at 0x000000001006EC18>, <matplotlib.lines.Line2D object at 0x0000000010074B00>, <matplotlib.lines.Line2D object at 0x0000000010085BA8>, <matplotlib.lines.Line2D object at 0x000000001008BA90>, <matplotlib.lines.Line2D object at 0x00000000104896D8>, <matplotlib.lines.Line2D object at 0x00000000104998D0>], 'whiskers': [<matplotlib.lines.Line2D object at 0x0000000010042198>, <matplotlib.lines.Line2D object at 0x0000000010042B70>, <matplotlib.lines.Line2D object at 0x0000000010057208>, <matplotlib.lines.Line2D object at 0x0000000010057B00>, <matplotlib.lines.Line2D object at 0x000000001006E198>, <matplotlib.lines.Line2D object at 0x000000001006EA90>, <matplotlib.lines.Line2D object at 0x0000000010085128>, <matplotlib.lines.Line2D object at 0x0000000010085A20>, <matplotlib.lines.Line2D object at 0x000000001009B0B8>, <matplotlib.lines.Line2D object at 0x000000001009B9B0>], 'medians': [<matplotlib.lines.Line2D object at 0x0000000010047D68>, <matplotlib.lines.Line2D object at 0x000000001005DCF8>, <matplotlib.lines.Line2D object at 0x0000000010074C88>, <matplotlib.lines.Line2D object at 0x000000001008BC18>, <matplotlib.lines.Line2D object at 0x0000000010497828>], 'fliers': [<matplotlib.lines.Line2D object at 0x000000001004CD30>, <matplotlib.lines.Line2D object at 0x0000000010062CC0>, <matplotlib.lines.Line2D object at 0x000000001007BC50>, <matplotlib.lines.Line2D object at 0x0000000010090BE0>, <matplotlib.lines.Line2D object at 0x00000000100A37B8>], 'means': [<matplotlib.lines.Line2D object at 0x000000001004C5C0>, <matplotlib.lines.Line2D object at 0x0000000010062550>, <matplotlib.lines.Line2D object at 0x000000001007B4E0>, <matplotlib.lines.Line2D object at 0x0000000010090470>, <matplotlib.lines.Line2D object at 0x00000000102CFC18>], 'boxes': [<matplotlib.patches.PathPatch object at 0x00000000104BAB00>, <matplotlib.patches.PathPatch object at 0x0000000010051C50>, <matplotlib.patches.PathPatch object at 0x0000000010069B00>, <matplotlib.patches.PathPatch object at 0x000000001007EA90>, <matplotlib.patches.PathPatch object at 0x0000000010096B00>]}

# plt.boxplot()绘制

# 分组汇总

df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )

df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])

df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])

print(df.head())

df.boxplot(by = 'X')

df.boxplot(column=['Col1','Col2'], by=['X','Y'])

# columns：按照数据的列分子图

# by：按照列分组做箱型图

　　输出：

       Col1      Col2  X  Y

  0.884439  0.801121  A  A

  0.802741  0.390957  A  B

  0.139452  0.805676  A  A

  0.030047  0.571676  A  B

  0.654272  0.733307  A  A

图表绘制工具--Matplotlib 2的更多相关文章

图表绘制工具--Matplotlib 1
''' [课程3.] Matplotlib简介及图表窗口 Matplotlib → 一个python版的matlab绘图接口,以2D为主,支持python.numpy.pandas基本数据结构,运营高 ...
【网易微专业】图表绘制工具Matplotlib
01 与图片的交互方式设置这一小节简要介绍一下Matplotlib的交互方式 import pandas as pd import numpy as np import matplotlib.pyp ...
图表绘制工具--Matplotlib 3
''' [课程3.] 表格样式创建表格视觉样式:Dataframe.style → 返回pandas.Styler对象的属性,具有格式化和显示Dataframe的有用方法样式创建: ① Style ...
让IE8支持HTML5及canvas功能！chart.js图表绘制工具库IE8上兼容方案
第一步,我们加上对html5的支持. <!--[if IE]> <script src="/public/html5.js" type="text/ja ...
Matplotlib 图表绘制工具学习笔记
import numpy as np import matplotlib.pyplot as plt import pandas as pd arr1 = np.random.rand(10)#一维数 ...
Python图表绘制：matplotlib绘图库入门
matplotlib 是Python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中. 它的文档相当完备,并 ...
Python图表绘制：matplotlib绘图库入门（转）
matplotlib 是Python最著名的绘图库,它提供了一整套和matlab相似的命令API,十分适合交互式地行制图.而且也可以方便地将它作为绘图控件,嵌入GUI应用程序中. 它的文档相当完备,并 ...
Android学习之 AChartEngine 图表绘制
Android 开源图表绘制工具AChartEngine地址:http://code.google.com/p/achartengine/ AChartEngine Android实现图表绘制和展示( ...
Matplotlib Toolkits：地图绘制工具
Matplotlib Toolkits:地图绘制工具有没有一种可以直接在详细地图(如谷歌地图)上绘制上百万坐标点的工具???谷歌地图坐标点多了也不能绘制了. Basemap (Not distrib ...

随机推荐

Java 算法随笔(一)
1. 最大子序列和问题给定(可能有负数)整数a(1).a(2).……a(n),求 a(1)+a(2)+……+a(j)的最大值. 也就是:在一系列整数中,找出连续的若干个整数,这若干个整数之和最大.有 ...
C# 在窗口绘制图形（打点、画圆、画线）
需要包含命名空间 using System.Drawing; 画图前需要先创建画板 void Display() { Graphics g = this.CreateGraphics(); //创建画 ...
匿名函数lambda python
lambda 的主体是一个表达式,不是一个代码块lambda 只有一行,仅仅能在lambda表达式种封装有限的逻辑进去匿名函数:需要一个函数,而又不想动脑筋去想名字 #普通函数的定义 def f(a, ...
B-树分合之道
P.s:在代码里会同时用到向量和B-树的search,insert, remove,具体调用的是哪个结构的函数结合上下文就能看懂. 根据上一篇文章,我们对于这棵树的大致结构已经明了,那该如何有效利用并 ...
硬件中断--DEBUG系列
问题描述: 在线调试时,全速运行,程序进入硬件中断,查看堆栈窗口,发现是从A函数进去的.但是A函数应该没有问题的: 再次重复,发现是从B函数进去的,但是B函数之前运行起来也没有问题的,而且没有传入参数 ...
Ubuntu 16.04上安装并配置Postfix作为只发送SMTP服务器
如果大家已经在使用第三方邮件服务方案发送并收取邮件,则无需运行自己的邮件服务器.然而,如果大家管理一套云服务器,且其中安装的应用需要发送邮件通知,那么运行一套本地只发送SMTP服务器则更为理想. 如何 ...
4，Flask 中的 request
每个框架中都有处理请求的机制(request),但是每个框架的处理方式和机制是不同的为了了解Flask的request中都有什么东西,首先我们要写一个前后端的交互基于HTML + Flask 写一 ...
CodeForces 879D Teams Formation
题意将一个长度为\(n\)的数组重复\(m\)遍得到一个长度为\(n \times m\)的新序列,然后消掉新序列中连续\(k\)个相同的元素,不断重复这一过程,求最后剩下的序列的长度分析首先可 ...
startActivityForResult 请求码不正确
今天遇到一个坑,就是 startActivityForResult 接收不到正确的请求码. 比如,我startActivityForResult的时候,设置的请求码是4,但是接收到的时候是100032 ...
Windows Server 2012 R2有哪些存储监控工具
[TechTarget中国原创] 大多数Windows管理员都知道,没有一种单一的方法可以用来监控存储或磁盘错误.虽然市场上有无数的管理工具可供你选择,但由于政策和规程的原因,企业之间的选择不尽相同. ...

图表绘制工具--Matplotlib 2

图表绘制工具--Matplotlib 2的更多相关文章

随机推荐

热门专题