python常见图形代码可视化大全整理（包括动图）更新中…

目录一、离散型变量的可视化1 饼图1.1 matplotlib模块1.2 panda模块2 条形图2.1 matplotlib模块2.1.1 垂直或水平条形图2.1.2 堆叠条形图2.1.3 水平交错条形图2.2 pandas模块2.2.1 垂直条形图2.2.2 水平交错条形图2.3 seaborn模块2.3.1 水平条形图2.3.2 水平交错条形图二、数值型变量的可视化1 直方图与核密度曲线1.1 matplotlib模块1.1.1 直方图1.2 pandas模块1.2.1 直方图与核密度曲线1.3 seaborn模块1.3.1 可分组的直方图与核密度曲线2 箱线图2.1 matplotli Python中的数据可视化是数据分析过程中的重要环节，它能够帮助我们直观地理解数据的分布和关系。本篇文章将重点介绍在Python中使用matplotlib、pandas和seaborn库进行图形可视化的常见方法，包括离散型变量和数值型变量的可视化，以及关系型数据的展示。 **离散型变量的可视化**： 1. **饼图**：饼图常用于展示各部分占整体的比例。在matplotlib模块中，`plt.pie()`函数用于绘制饼图，可以设置`labels`参数添加标签，`autopct`参数来显示百分比。在pandas模块中，也可以通过数据框的`plot.pie()`方法实现饼图的绘制，同样支持自定义颜色和样式。 2. **条形图**：条形图用于比较不同类别的数量或频率。matplotlib模块提供了多种绘制条形图的方法，如垂直条形图、堆叠条形图和水平交错条形图。pandas模块则可以直接通过数据框的`plot.bar()`或`plot.barh()`方法绘制条形图。seaborn模块提供了更加美观的条形图选项，如水平条形图和交错条形图。 **数值型变量的可视化**： 1. **直方图与核密度曲线**：直方图用来展示数据分布的频数或频率，而核密度曲线则能更平滑地表示数据的分布。matplotlib模块的`plt.hist()`函数绘制直方图，`plt.kde()`或`sns.kdeplot()`绘制核密度曲线。pandas模块的`plot.hist()`结合`plot.kde()`可以同时显示直方图和核密度曲线。seaborn的`sns.distplot()`函数可以方便地绘制组合直方图和核密度曲线，还可以实现分组可视化。 2. **箱线图**：箱线图展示了数据的五数概括，包括最小值、下四分位数、中位数、上四分位数和最大值。matplotlib的`plt.boxplot()`可绘制单个或分组箱线图，而seaborn的`sns.boxplot()`支持更多复杂的分组和定制。 3. **小提琴图**：小提琴图结合了箱线图和核密度曲线，提供了更丰富的信息。seaborn的`sns.violinplot()`用于绘制小提琴图，支持分组展示。 4. **折线图**：折线图用于显示数据随时间变化的趋势。matplotlib和pandas都提供了绘制折线图的方法，支持多条折线在同一图表上显示。 **关系型数据的可视化**： 1. **散点图**：散点图通过点的位置展示两个变量之间的关系。matplotlib和pandas提供了`plt.scatter()`和`plot.scatter()`方法。seaborn的`sns.scatterplot()`功能强大，可以处理多变量的关系。 2. **气泡图**：气泡图在散点图的基础上增加了第三个变量，通过点的大小表示。在matplotlib中，可以通过调整点的大小来实现。 3. **热力图**：热力图用于展示矩阵数据的分布，通常使用seaborn的`sns.heatmap()`函数，可以自定义颜色映射。 4. **多个图形的合并**：matplotlib的子图功能允许将多个图形组合在一个大图中，通过`plt.subplots()`创建子图布局。 以上内容只是Python数据可视化的基本应用，实际操作中可以根据需要进行更复杂的数据处理和图形定制，如自定义颜色、调整透明度、添加图例等，以更好地满足分析需求。随着技术的发展，更多的可视化库如plotly、bokeh也在提供更加交互式的图形体验。