14.3 Matplotlib与Seaborn数据可视化

news2024/11/25 2:30:20

欢迎来到我的博客，很高兴能够在这里和您见面！欢迎订阅相关专栏：
工💗重💗hao💗：野老杂谈
⭐️ 全网最全IT互联网公司面试宝典：收集整理全网各大IT互联网公司技术、项目、HR面试真题.
⭐️ AIGC时代的创新与未来：详细讲解AIGC的概念、核心技术、应用领域等内容。
⭐️ 全流程数据技术实战指南：全面讲解从数据采集到数据可视化的整个过程，掌握构建现代化数据平台和数据仓库的核心技术和方法。
⭐️ 构建全面的数据指标体系：通过深入的理论解析、详细的实操步骤和丰富的案例分析，为读者提供系统化的指导，帮助他们构建和应用数据指标体系，提升数据驱动的决策水平。
⭐️《遇见Python：初识、了解与热恋》：涵盖了Python学习的基础知识、进阶技巧和实际应用案例，帮助读者从零开始逐步掌握Python的各个方面，并最终能够进行项目开发和解决实际问题。

摘要

数据可视化是从数据中提取价值的关键步骤。本文将通过Python中的两个强大工具——Matplotlib与Seaborn，带你进入数据可视化的奇妙世界。从基础图表的创建到高级定制化，本文将带领你逐步掌握这些工具，轻松构建令人惊叹的数据可视化作品。让我们一起通过代码与图表的结合，揭开数据背后的故事。

1. 初识数据可视化：从零开始

在这个信息爆炸的时代，数据无处不在。而数据可视化就是将这些庞大的数据以直观的方式呈现出来。想象一下，你有一大堆杂乱的数据表，而数据可视化工具就是那把魔法棒，轻轻一点，数据就变成了彩色的图表，简单易懂。

1.1 为什么选择Matplotlib与Seaborn？

如果把数据科学比作烹饪，那么Matplotlib就是你的万能厨房，能做出各种菜肴，而Seaborn则是那个高级调味料，帮你提升数据可视化的口感。Matplotlib是Python中最基础的绘图库，可以用来创建各种图表，几乎所有的图表都能用它画出来。Seaborn是在Matplotlib的基础上，增加了更多的美化功能，让图表更加好看。

2. Matplotlib入门：从点到线的绘制

Matplotlib就像一块画布，你可以在上面随心所欲地绘制各种图形。下面我们来看看如何用Matplotlib绘制简单的图表。

2.1 安装Matplotlib

首先，你需要在Python环境中安装Matplotlib：

pip install matplotlib

安装完成后，你就可以开始绘制你的第一个图表了。

2.2 绘制简单的折线图

import matplotlib.pyplot as plt

# 数据
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]

# 绘制折线图
plt.plot(x, y)

# 添加标题和标签
plt.title("Simple Line Plot")
plt.xlabel("X Axis")
plt.ylabel("Y Axis")

# 显示图表
plt.show()

在这个例子中，我们绘制了一个简单的折线图。plot函数用来绘制折线，title、xlabel、ylabel分别用来添加图表的标题和轴标签。最后，show函数用来显示图表。

2.3 调整图表的样式

Matplotlib不仅可以绘制简单的图表，还可以对图表进行各种调整和美化。比如，改变线条的颜色和样式，添加网格线等。

plt.plot(x, y, color='red', linestyle='--', marker='o')

plt.grid(True)
plt.show()

这里我们使用color参数将线条颜色设置为红色，linestyle参数设置为虚线，marker参数添加了一个圆形标记，并使用grid函数添加网格线。

3. Seaborn进阶：让图表更加美观

如果说Matplotlib是数据可视化的基础，那么Seaborn就是为图表添加艺术感的画家。Seaborn让数据可视化变得更加简单和美观。

3.1 安装Seaborn

pip install seaborn

Seaborn是基于Matplotlib的高级接口，所以它和Matplotlib可以无缝结合使用。

3.2 绘制高级图表

Seaborn提供了许多常用的高级图表类型，比如分布图、箱线图、热图等。我们先来看看如何绘制一个简单的分布图。

import seaborn as sns

# 示例数据
data = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5]

# 绘制分布图
sns.histplot(data, kde=True)

plt.title("Distribution Plot")
plt.show()

在这个例子中，我们使用histplot函数绘制了一个带有核密度估计（KDE）的分布图。Seaborn让复杂图表的创建变得非常简单。

4. Matplotlib与Seaborn的结合使用

虽然Matplotlib和Seaborn各有所长，但在实际使用中，它们常常是互补的。你可以使用Matplotlib的基本绘图功能，再加上Seaborn的美化功能，制作出专业水准的图表。

4.1 散点图与回归线

import numpy as np

# 示例数据
x = np.random.rand(100)
y = 2 * x + np.random.normal(0, 0.1, 100)

# 绘制散点图和回归线
sns.regplot(x=x, y=y)

plt.title("Scatter Plot with Regression Line")
plt.show()

在这个例子中，我们用Seaborn绘制了一个散点图，并添加了一条回归线。Seaborn的regplot函数让这类图表的创建变得非常简单。

5. 创建复杂图表：掌握数据可视化的艺术

随着你对数据可视化工具的掌握，你可以开始创作更复杂的图表。下面我们介绍如何用Matplotlib和Seaborn结合，绘制一个包含多个子图的复合图表。

5.1 创建复合图表

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# 绘制第一幅子图
sns.histplot(data, kde=True, ax=axes[0])
axes[0].set_title("Distribution Plot")

# 绘制第二幅子图
sns.regplot(x=x, y=y, ax=axes[1])
axes[1].set_title("Scatter Plot with Regression Line")

plt.tight_layout()
plt.show()