Matplotlib学习---用matplotlib画折线图（line chart）

这里利用Jake Vanderplas所著的《Python数据科学手册》一书中的数据，学习画图。

数据地址：https://raw.githubusercontent.com/jakevdp/data-CDCbirths/master/births.csv

准备工作：先导入matplotlib和pandas，用pandas读取csv文件，然后创建一个图像和一个坐标轴

import pandas as pd
from matplotlib import pyplot as plt
birth=pd.read_csv(r"https://raw.githubusercontent.com/jakevdp/data-CDCbirths/master/births.csv")
fig,ax=plt.subplots()

我们想要画一个反映每天平均出生人数的折线图，看看节假日是否对出生人数有影响。

折线图： ax.plot(x,y,marker="-",color="black")

这个数据文件比较大，在用print(birth.head())和print(birth.tail())分别查看前后5行数据后，发现day这一列的数据中有null字样。

用print(birth[birth["day"]!="null"])命令查看没有null字样的数据（此处只截取部分）：

       year  month day gender  births
0      1969      1   1      F    4046
1      1969      1   1      M    4440
2      1969      1   2      F    4454
3      1969      1   2      M    4548
4      1969      1   3      F    4548
5      1969      1   3      M    4994
6      1969      1   4      F    4440
7      1969      1   4      M    4520
8      1969      1   5      F    4192
9      1969      1   5      M    4198
10     1969      1   6      F    4710
11     1969      1   6      M    4850
12     1969      1   7      F    4646
13     1969      1   7      M    5092
14     1969      1   8      F    4800
15     1969      1   8      M    4934
16     1969      1   9      F    4592
17     1969      1   9      M    4842

用print(birth[birth["day"]=="null"])命令查看有null字样的数据（此处只截取部分）：

       year  month   day gender  births
15067  1989      1  null      F  156749
15068  1989      1  null      M  164052
15069  1989      2  null      F  146710
15070  1989      2  null      M  154047
15071  1989      3  null      F  165889
15072  1989      3  null      M  174433
15073  1989      4  null      F  155689
15074  1989      4  null      M  163432
15075  1989      5  null      F  163800
15076  1989      5  null      M  172892
15077  1989      6  null      F  165525
15078  1989      6  null      M  173823
15079  1989      7  null      F  174054
15080  1989      7  null      M  183063
15081  1989      8  null      F  178986
15082  1989      8  null      M  188074
15083  1989      9  null      F  174808
15084  1989      9  null      M  182962

可以看出，从1989年开始，数据画风突变，此前记录的是每天的数据，后面记录的是每个月的数据。

这里我们先把1969年-1988年的数据提取出来进行统计：birth=birth.iloc[:15067]，然后用birth.info()命令查看各列数据的类型，发现day这一列数据类型是object，因此需要转换其数据类型：

birth["day"]=birth["day"].astype(int)

接下来把year，month和day这三列的数据结合起来，用pd.to_datetime()转化为时间序列格式。结果发生了错误：

ValueError: cannot assemble the datetimes: 'int' object is unsliceable

网上查找原因，在Stackoverflow上有人解答说是因为日期可能超出了允许的范围：

The valid day range is between 1 and 31. Check your data again make sure all the columns are within allowable range.

现在需要把超标的地方找出来，看一看究竟是什么错误。用print(birth[birth["day"]>31])命令查看day超过31的地方，结果发现有好多（此处只截取部分）：

       year  month  day gender  births
62     1969      1   99      F      26
63     1969      1   99      M      38
126    1969      2   99      F      42
127    1969      2   99      M      48
190    1969      3   99      F      64
191    1969      3   99      M      50
254    1969      4   99      F      50
255    1969      4   99      M      66
318    1969      5   99      F      54
319    1969      5   99      M      52
382    1969      6   99      F      54
383    1969      6   99      M      48
446    1969      7   99      F      24
447    1969      7   99      M      44

不清楚是什么情况，在这里先把这些超标数据去除：birth=birth[birth["day"]<=31]。结果发现还是不对，把数据再调出来看了之后，发现还有一些day超标，比如说2月份还有29号和30号。干脆在pd.to_datetime()命令中加上errors='coerce'参数，这样在数据超标的地方，时间序列就会变成NaT：

birth["date"]=pd.to_datetime({"year":birth["year"],"month":birth["month"],"day":birth["day"]},errors='coerce')

运行上述命令--->给birth数据文件添加了一列---“date”，记录时间序列。

再次查看birth数据后，发现在day超标的地方，date一列已经标上了NaT（此处只截取部分）：

     year  month  day gender  births       date
0    1969      1    1      F    4046 1969-01-01
1    1969      1    1      M    4440 1969-01-01
2    1969      1    2      F    4454 1969-01-02
..    ...    ...  ...    ...     ...        ...
190  1969      3   99      F      64        NaT
191  1969      3   99      M      50        NaT

现在把date一列中不是null的值提取出来：

birth=birth[birth["date"].notnull()]

接下来制作一个透视表，把1969年-1988年之间各天出生人数的平均数计算出来（此处需要导入numpy）：

birth_by_date=pd.pivot_table(birth,values="births",index=["month","day"],aggfunc=np.mean)

birth_by_date透视表如下（此处只截取部分）：

             births
month day
1     1    4009.225
      2    4247.400
      3    4500.900
      4    4571.350
      5    4603.625
      6    4668.150
      7    4706.925
      8    4629.650
      9    4537.775
            ...
12    2    4830.300
      3    4758.500
      4    4718.725
      5    4734.675
      6    4683.050
      7    4704.325
      8    4803.800
      9    4793.825

接下来把透视表的index改为时间序列格式，由于只需要month和day这两项，year先随便填一个：

birth_by_date.index=pd.DatetimeIndex([pd.datetime(2000,month,day) for (month,day) in birth_by_date.index])

现在透视表如下（此处只截取部分）：

              births
2000-01-01  4009.225
2000-01-02  4247.400
2000-01-03  4500.900
2000-01-04  4571.350
2000-01-05  4603.625
2000-01-06  4668.150
2000-01-07  4706.925
2000-01-08  4629.650
2000-01-09  4537.775

终于大功告成！真不敢相信，图还没画，处理数据已经花了那么多功夫。但在实际工作中，这其实是很常见的，数据的清洗通常需要花费大部分时间。

接下来以透视表的index为x轴，values为y轴，画折线图：

ax.plot(birth_by_date.index,birth_by_date.values,"-")

图像如下：

可以看出有几处日期，出生人数骤降，因此需要在这几个地方进行标注。同时，x轴的刻度值要改成12个月份，y轴要加上标签，整个图再拉长一点，再加上标题。这样，这个折线图就基本完美了。

完整代码如下：

import numpy as np
import pandas as pd
import matplotlib as mpl
from matplotlib import pyplot as plt
birth=pd.read_csv(r"https://raw.githubusercontent.com/jakevdp/data-CDCbirths/master/births.csv")
fig,ax=plt.subplots(figsize=(12,4))

birth=birth.iloc[:15067]
birth["day"]=birth["day"].astype(int)

birth["date"]=pd.to_datetime({"year":birth["year"],"month":birth["month"],"day":birth["day"]},errors='coerce')
birth=birth[birth["date"].notnull()]

birth_by_date=pd.pivot_table(birth,values="births",index=["month","day"],aggfunc=np.mean)

birth_by_date.index=pd.DatetimeIndex([pd.datetime(2000,month,day) for (month,day) in birth_by_date.index])

ax.plot(birth_by_date.index,birth_by_date.values,"-")
ax.set(ylabel="average daily births",title="USA births by day of year (1969-1988)",xlim=("2000-01","2001-01"))
ax.grid(True) #显示网格

t=birth_by_date.stack()  #把透视表展开

#在相应的地方标上节日名称
ax.text("2000-01-01",t["2000-01-01"],"New Year's Day")
ax.text("2000-07-04",t["2000-07-04"]-60,"Independence Day",ha="center")
ax.text("2000-09-04",t["2000-09-01"]-60,"Labor Day",ha="center")
ax.text("2000-10-31",t["2000-10-31"]-60,"Halloween",ha="center")
ax.text("2000-11-25",t["2000-11-27"]-60,"Thanksgiving",ha="center")
ax.text("2000-12-25",t["2000-12-25"],"Christmas",ha="right")

#设置x轴刻度值为月份，并使其居中
ax.xaxis.set_major_locator(mpl.dates.MonthLocator())
ax.xaxis.set_minor_locator(mpl.dates.MonthLocator(bymonthday=15))
ax.xaxis.set_major_formatter(plt.NullFormatter())
ax.xaxis.set_minor_formatter(mpl.dates.DateFormatter('%h'))

plt.show()

最终图像如下：