40 个 Python 可视化图表案例及代码实现

40 个 Python 可视化图表案例及代码实现 | 极客日志

前言

数据可视化是数据科学中关键的一步。在以图形方式表现某些数据时，Python 能够提供很大的帮助。

不过有些小伙伴也会遇到不少问题，比如选择何种图表，以及如何制作，代码如何编写，这些都是问题！

今天给大家介绍一个 Python 图表大全，40 个种类，总计约 400 个示例图表。

分为 7 个大系列：分布、关系、排行、局部整体、时间序列、地理空间、流程。

示例图片

文档地址：https://www.python-graph-gallery.com GitHub 地址：https://github.com/holtzy/The-Python-Graph-Gallery

给大家提供了示例及代码，几分钟内就能构建一个你所需要的图表。

下面就给大家介绍一下～

01. 小提琴图

小提琴图可以将一组或多组数据的数值变量分布可视化。

相比有时会隐藏数据特征的箱形图相比，小提琴图值得更多关注。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.violinplot(x=df["species"], y=df["sepal_length"])
plt.show()

使用 Seaborn 的 violinplot() 进行绘制，结果如下。

示例图片

02. 核密度估计图

核密度估计图其实是对直方图的一个自然拓展。

可以可视化一个或多个组的数值变量的分布，非常适合大型数据集。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.kdeplot(df['sepal_width'])
plt.show()

使用 Seaborn 的 kdeplot() 进行绘制，结果如下。

示例图片

03. 直方图

直方图，可视化一组或多组数据的分布情况。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.histplot(a=df["sepal_length"], kde=False, rug=False)
plt.show()

使用 Seaborn 的 histplot() 进行绘制，结果如下。

示例图片

04. 箱形图

箱形图，可视化一组或多组数据的分布情况。

可以快速获得中位数、四分位数和异常值，但也隐藏数据集的各个数据点。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.boxplot(x=df["species"], y=df["sepal_length"])
plt.show()

使用 Seaborn 的 boxplot() 进行绘制，结果如下。

示例图片

05. 山脊线图

山脊线图，总结几组数据的分布情况。

每个组都表示为一个密度图，每个密度图相互重叠以更有效地利用空间。

import plotly.graph_objects as go
import numpy as np
import pandas as pd

# 读取数据
temp = pd.read_csv('2016-weather-data-seattle.csv')
# 数据处理，时间格式转换
temp['year'] = pd.to_datetime(temp['Date']).dt.year

# 选择几年的数据展示即可
year_list = [1950, 1960, 1970, 1980, 1990, 2000, 2010]
temp = temp[temp['year'].isin(year_list)]

# 绘制每年的直方图，以年和平均温度分组，并使用'count'函数进行汇总
temp = temp.groupby(['year', 'Mean_TemperatureC']).agg({'Mean_TemperatureC': 'count'}).rename(columns={'Mean_TemperatureC': 'count'}).reset_index()

# 使用 Plotly 绘制脊线图，每个轨迹对应于特定年份的温度分布
# 将每年的数据 (温度和它们各自的计数) 存储在单独的数组，并将其存储在字典中以方便检索
array_dict = {}
for year in year_list:
    # 每年平均温度
    array_dict[f'x_{year}'] = temp[temp['year'] == year]['Mean_TemperatureC']
    # 每年温度计数
    array_dict[f'y_{year}'] = temp[temp['year'] == year]['count']
    array_dict[f'y_{year}'] = (array_dict[f'y_{year}'] - array_dict[f'y_{year}'].min()) / (array_dict[f'y_'].() - array_dict[].())


fig = go.Figure()
 index, year  (year_list):
    
    fig.add_trace(go.Scatter(
        x=[-, ], y=np.full(, (year_list) - index),
        mode=,
        line_color=))

    fig.add_trace(go.Scatter(
        x=array_dict[],
        y=array_dict[] + ((year_list) - index) + ,
        fill=,
        name=))

    
    fig.add_annotation(
        x=-,
        y=(year_list) - index,
        text=,
        showarrow=,
        yshift=)


fig.update_layout(
    title=,
    showlegend=,
    xaxis=(),
    yaxis=(showticklabels=)
)


fig.show()

Seaborn 没有专门的函数来绘制山脊线图，可以多次调用 kdeplot() 来制作。

结果如下。

示例图片

06. 散点图

散点图，显示 2 个数值变量之间的关系。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.regplot(x=df["sepal_length"], y=df["sepal_width"])
plt.show()

使用 Seaborn 的 regplot() 进行绘制，结果如下。

示例图片

07. 矩形热力图

矩形热力图，矩阵中的每个值都被表示为一个颜色数据。

import seaborn as sns
import pandas as pd
import numpy as np

# Create a dataset
df = pd.DataFrame(np.random.random((5,5)), columns=["a","b","c","d","e"])

# Default heatmap
p1 = sns.heatmap(df)

使用 Seaborn 的 heatmap() 进行绘制，结果如下。

示例图片

08. 相关性图

相关性图或相关矩阵图，分析每对数据变量之间的关系。

相关性可视化为散点图，对角线用直方图或密度图表示每个变量的分布。

import seaborn as sns
import matplotlib.pyplot as plt

# 加载数据
df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 绘图显示
sns.pairplot(df)
plt.show()

使用 Seaborn 的 pairplot() 进行绘制，结果如下。

示例图片

09. 气泡图

气泡图其实就是一个散点图，其中圆圈大小被映射到第三数值变量的值。

import matplotlib.pyplot as plt
import seaborn as sns
from gapminder import gapminder

# 导入数据
data = gapminder.loc[gapminder.year == 2007]

# 使用 scatterplot 创建气泡图
sns.scatterplot(data=data, x="gdpPercap", y="lifeExp", size="pop", legend=False, sizes=(20, 2000))

# 显示
plt.show()

使用 Seaborn 的 scatterplot() 进行绘制，结果如下。

示例图片

10. 连接散点图

连接散点图就是一个线图，其中每个数据点由圆形或任何类型的标记展示。

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 创建数据
df = pd.DataFrame({'x_axis': range(1, 10), 'y_axis': np.random.randn(9) * 80 + range(1, 10)})

# 绘制显示
plt.plot('x_axis', 'y_axis', data=df, linestyle='-', marker='o')
plt.show()

使用 Matplotlib 的 plot() 进行绘制，结果如下。

示例图片

11. 二维密度图

二维密度图或二维直方图，可视化两个定量变量的组合分布。

它们总是在 X 轴上表示一个变量，另一个在 Y 轴上，就像散点图。

然后计算二维空间特定区域内的次数，并用颜色渐变表示。

形状变化：六边形 hexbin chart，正方形 2d histogram，核密度 2d density plots 或 contour plots。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import kde

# 创建数据，200 个点
data = np.random.multivariate_normal([0, 0], [[1, 0.5], [0.5, 3]], 200)
x, y = data.T

# 创建画布，6 个子图
fig, axes = plt.subplots(ncols=6, nrows=1, figsize=(21, 5))

# 第一个子图，散点图
axes[0].set_title('Scatterplot')
axes[0].plot(x, y, 'ko')

# 第二个子图，六边形
nbins = 20
axes[1].set_title('Hexbin')
axes[1].hexbin(x, y, gridsize=nbins, cmap=plt.cm.BuGn_r)

# 2D 直方图
axes[2].set_title('2D Histogram')
axes[2].hist2d(x, y, bins=nbins, cmap=plt.cm.BuGn_r)

# 高斯 kde
k = kde.gaussian_kde(data.T)
xi, yi = np.mgrid[x.min():x.max():nbins * 1j, y.min():y.max():nbins * 1j]
zi = k(np.vstack([xi.flatten(), yi.flatten()]))

# 密度图
axes[3].set_title('Calculate Gaussian KDE')
axes[3].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap=plt.cm.BuGn_r)

# 添加阴影
axes[4].set_title('2D Density with shading')
axes[].pcolormesh(xi, yi, zi.reshape(xi.shape), shading=, cmap=plt.cm.BuGn_r)


axes[].set_title()
axes[].pcolormesh(xi, yi, zi.reshape(xi.shape), shading=, cmap=plt.cm.BuGn_r)
axes[].contour(xi, yi, zi.reshape(xi.shape))

plt.show()

使用 Matplotlib 和 scipy 进行绘制，结果如下。

示例图片

12. 条形图

条形图表示多个明确的变量的数值关系。每个变量都为一个条形。条形的大小代表其数值。

import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据
height = [3, 12, 5, 18, 45]
bars = ('A', 'B', 'C', 'D', 'E')
y_pos = np.arange(len(bars))

# 创建条形图
plt.bar(y_pos, height)

# x 轴标签
plt.xticks(y_pos, bars)

# 显示
plt.show()

使用 Matplotlib 的 bar() 进行绘制，结果如下。

示例图片

13. 雷达图

雷达图，可以可视化多个定量变量的一个或多个系列的值。

每个变量都有自己的轴，所有轴都连接在图形的中心。

import matplotlib.pyplot as plt
import pandas as pd
from math import pi

# 设置数据
df = pd.DataFrame({
'group': ['A', 'B', 'C', 'D'],
'var1': [38, 1.5, 30, 4],
'var2': [29, 10, 9, 34],
'var3': [8, 39, 23, 24],
'var4': [7, 31, 33, 14],
'var5': [28, 15, 32, 14]
})

# 目标数量
categories = list(df)[1:]
N = len(categories)

# 角度
angles = [n / float(N) * 2 * pi for n in range(N)]
angles += angles[:1]

# 初始化
ax = plt.subplot(111, polar=True)

# 设置第一处
ax.set_theta_offset(pi / 2)
ax.set_theta_direction(-1)

# 添加背景信息
plt.xticks(angles[:-1], categories)
ax.set_rlabel_position()
plt.yticks([, , ], [, , ], color=, size=)
plt.ylim(, )




values = df.loc[].drop().values.flatten().tolist()
values += values[:]
ax.plot(angles, values, linewidth=, linestyle=, label=)
ax.fill(angles, values, , alpha=)


values = df.loc[].drop().values.flatten().tolist()
values += values[:]
ax.plot(angles, values, linewidth=, linestyle=, label=)
ax.fill(angles, values, , alpha=)


plt.legend(loc=, bbox_to_anchor=(, ))


plt.show()

使用 Matplotlib 进行绘制，结果如下。

示例图片

14. 词云图

词云图是文本数据的视觉表示。

单词通常是单个的，每个单词的重要性以字体大小或颜色表示。

from wordcloud import WordCloud
import matplotlib.pyplot as plt

# 添加词语
text=("Python Python Python Matplotlib Chart Wordcloud Boxplot")

# 创建词云对象
wordcloud = WordCloud(width=480, height=480, margin=0).generate(text)

# 显示词云图
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.margins(x=0, y=0)
plt.show()

使用 wordcloud 进行绘制，结果如下。

示例图片

15. 平行座标图

一个平行座标图，能够比较不同系列相同属性的数值情况。

Pandas 可能是绘制平行坐标图的最佳方式。

import seaborn as sns
import matplotlib.pyplot as plt
from pandas.plotting import parallel_coordinates

# 读取数据
data = sns.load_dataset('iris', data_home='seaborn-data', cache=True)

# 创建图表
parallel_coordinates(data, 'species', colormap=plt.get_cmap("Set2"))

# 显示
plt.show()

使用 Pandas 的 parallel_coordinates() 进行绘制，结果如下。

示例图片

16. 棒棒糖图

棒棒糖图其实就是柱状图的变形，显示一个线段和一个圆。

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 创建数据
df = pd.DataFrame({'group': list(map(chr, range(65, 85))), 'values': np.random.uniform(size=20) })

# 排序取值
ordered_df = df.sort_values(by='values')
my_range = range(1, len(df.index)+1)

# 创建图表
plt.stem(ordered_df['values'])
plt.xticks(my_range, ordered_df['group'])

# 显示
plt.show()

使用 Matplotlib 的 stem() 进行绘制，结果如下。

示例图片

17. 径向柱图

径向柱图同样也是条形图的变形，但是使用极坐标而不是直角坐标系。

绘制起来有点麻烦，而且比柱状图准确度低，但更引人注目。

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 生成数据
df = pd.DataFrame(
{
'Name': ['item ' + str(i) for i in list(range(1, 51)) ],
'Value': np.random.randint(low=10, high=100, size=50)
})

# 排序
df = df.sort_values(by=['Value'])

# 初始化画布
plt.figure(figsize=(20, 10))
ax = plt.subplot(111, polar=True)
plt.axis('off')

# 设置图表参数
upperLimit = 100
lowerLimit = 30
labelPadding = 4

# 计算最大值
max_val = df['Value'].max()

# 数据下限 10, 上限 100
slope = (max_val - lowerLimit) / max_val
heights = slope * df.Value + lowerLimit

# 计算条形图的宽度
width = 2*np.pi / len(df.index)

# 计算角度
indexes = list(range(1, len(df.index)+1))
angles = [element * width for element in indexes]

# 绘制条形图
bars = ax.bar(
x=angles,
height=heights,
width=width,
bottom=lowerLimit,
linewidth=2,
edgecolor="white",
color=,
)


 bar, angle, height, label  (bars,angles, heights, df[]):
    
    rotation = np.rad2deg(angle)

    
    alignment = 
     angle >= np.pi/  angle < *np.pi/:
        alignment = 
        rotation = rotation + 
    :
        alignment = 

    
    ax.text(
        x=angle,
        y=lowerLimit + bar.get_height() + labelPadding,
        s=label,
        ha=alignment,
        va=,
        rotation=rotation,
        rotation_mode=)

plt.show()

使用 Matplotlib 进行绘制，结果如下。

示例图片

18. 矩形树图

矩形树图是一种常见的表达『层级数据』『树状数据』的可视化形式。

它主要用面积的方式，便于突出展现出『树』的各层级中重要的节点。

import matplotlib.pyplot as plt
import squarify
import pandas as pd

# 创建数据
df = pd.DataFrame({'nb_people': [8, 3, 4, 2], 'group': ["group A", "group B", "group C", "group D"]})

# 绘图显示
squarify.plot(sizes=df['nb_people'], label=df['group'], alpha=.8 )
plt.axis('off')
plt.show()

使用 squarify 库进行绘制，结果如下。

示例图片

19. 维恩图

维恩图，显示不同组之间所有可能的关系。

import matplotlib.pyplot as plt
from matplotlib_venn import venn2

# 创建图表
venn2(subsets=(10, 5, 2), set_labels=('Group A', 'Group B'))

# 显示
plt.show()

使用 matplotlib_venn 库进行绘制，结果如下。

示例图片

20. 圆环图

圆环图，本质上就是一个饼图，中间切掉了一个区域。

import matplotlib.pyplot as plt

# 创建数据
size_of_groups = [12, 11, 3, 30]

# 生成饼图
plt.pie(size_of_groups)

# 在中心添加一个圆，生成环形图
my_circle = plt.Circle((0, 0), 0.7, color='white')
p = plt.gcf()
p.gca().add_artist(my_circle)

plt.show()

使用 Matplotlib 进行绘制，结果如下。

示例图片

21. 饼图

饼图，最常见的可视化图表之一。

将圆划分成一个个扇形区域，每个区域代表在整体中所占的比例。

import matplotlib.pyplot as plt

# 创建数据
size_of_groups = [12, 11, 3, 30]

# 生成饼图
plt.pie(size_of_groups)
plt.show()

使用 Matplotlib 进行绘制，结果如下。

示例图片

22. 树图

树图主要用来可视化树形数据结构，是一种特殊的层次类型，具有唯一的根节点，左子树，和右子树。

import pandas as pd
from matplotlib import pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage

# 读取数据
df = pd.read_csv('mtcars.csv')
df = df.set_index('model')

# 计算每个样本之间的距离
Z = linkage(df, 'ward')

# 绘图
dendrogram(Z, leaf_rotation=90, leaf_font_size=8, labels=df.index)

# 显示
plt.show()

使用 Scipy 进行绘制，结果如下。

示例图片

23. 气泡图

气泡图，表示层次结构及数值大小。

import circlify
import matplotlib.pyplot as plt

# 创建画布，包含一个子图
fig, ax = plt.subplots(figsize=(14, 14))

# 标题
ax.set_title('Repartition of the world population')

# 移除坐标轴
ax.axis('off')

# 人口数据
data = [{'id': 'World', 'datum': 6964195249, 'children': [
{'id': "North America", 'datum': 450448697,
'children': [
{'id': "United States", 'datum': 308865000},
{'id': "Mexico", 'datum': 107550697},
{'id': "Canada", 'datum': 34033000}
]},
{'id': "South America", 'datum': 278095425,
'children': [
{'id': "Brazil", 'datum': 192612000},
{'id': "Colombia", 'datum': 45349000},
{'id': "Argentina", 'datum': 40134425}
]},
{'id': "Europe", 'datum': 209246682,
: [
{: , : },
{: , : },
{: , : }
]},
{: , : ,
: [
{: , : },
{: , : },
{: , : }
]},
{: , : ,
: [
{: , : },
{: , : },
{: , : }
]}
]}]


circles = circlify.circlify(
data,
show_enclosure=,
target_enclosure=circlify.Circle(x=, y=, r=)
)

lim = (
(
(circle.x) + circle.r,
(circle.y) + circle.r,
)
 circle  circles
)
plt.xlim(-lim, lim)
plt.ylim(-lim, lim)

 circle  circles:
 circle.level != :

x, y, r = circle
ax.add_patch(plt.Circle((x, y), r, alpha=, linewidth=, color=))

 circle  circles:
 circle.level != :

x, y, r = circle
label = circle.ex[]
ax.add_patch(plt.Circle((x, y), r, alpha=, linewidth=, color=))
plt.annotate(label, (x, y), ha=, color=)

 circle  circles:
 circle.level != :

x, y, r = circle
label = circle.ex[]
plt.annotate(label, (x, y), va=, ha=, bbox=(facecolor=, edgecolor=, boxstyle=, pad=))

plt.show()

使用 Circlify 进行绘制，结果如下。

示例图片

24. 折线图

折线图是最常见的图表类型之一。

将各个数据点标志连接起来的图表，用于展现数据的变化趋势。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
values = np.cumsum(np.random.randn(1000, 1))

# 绘制图表
plt.plot(values)
plt.show()

使用 Matplotlib 进行绘制，结果如下。

示例图片

25. 面积图

面积图和折线图非常相似，区别在于和 x 坐标轴间是否被颜色填充。

import matplotlib.pyplot as plt

# 创建数据
x = range(1, 6)
y = [1, 4, 6, 8, 4]

# 生成图表
plt.fill_between(x, y)
plt.show()

使用 Matplotlib 的 fill_between() 进行绘制，结果如下。

示例图片

26. 堆叠面积图

堆叠面积图表示若干个数值变量的数值演变。

每个显示在彼此的顶部，易于读取总数，但较难准确读取每个的值。

import matplotlib.pyplot as plt

# 创建数据
x = range(1, 6)
y1 = [1, 4, 6, 8, 9]
y2 = [2, 2, 7, 10, 12]
y3 = [2, 8, 5, 10, 6]

# 生成图表
plt.stackplot(x, y1, y2, y3, labels=['A', 'B', 'C'])
plt.legend(loc='upper left')
plt.show()

使用 Matplotlib 的 stackplot() 进行绘制，结果如下。

示例图片

27. 河流图

河流图是一种特殊的流图，它主要用来表示事件或主题等在一段时间内的变化。

围绕着中心轴显示，且边缘是圆形的，从而形成流动的形状。

import matplotlib.pyplot as plt
import numpy as np
from scipy import stats

# 添加数据
x = np.arange(1990, 2020)
y = [np.random.randint(0, 5, size=30) for _ in range(5)]

def gaussian_smooth(x, y, grid, sd):
    """平滑曲线"""
    weights = np.transpose([stats.norm.pdf(grid, m, sd) for m in x])
    weights = weights / weights.sum(0)
    return (weights * y).sum(1)

# 自定义颜色
COLORS = ["#D0D1E6", "#A6BDDB", "#74A9CF", "#2B8CBE", "#045A8D"]

# 创建画布
fig, ax = plt.subplots(figsize=(10, 7))

# 生成图表
grid = np.linspace(1985, 2025, num=500)
y_smoothed = [gaussian_smooth(x, y_, grid, 1) for y_ in y]
ax.stackplot(grid, y_smoothed, colors=COLORS, baseline="sym")

# 显示
plt.show()

先使用 Matplotlib 绘制堆积图，设置 stackplot() 的 baseline 参数，可将数据围绕 x 轴展示。

再通过 scipy.interpolate 平滑曲线，最终结果如下。

示例图片

28. 时间序列图

时间序列图是指能够展示数值演变的所有图表。

比如折线图、柱状图、面积图等等。

import numpy as np
import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# 创建数据
my_count = ["France", "Australia", "Japan", "USA", "Germany", "Congo", "China", "England", "Spain", "Greece", "Marocco",
"South Africa", "Indonesia", "Peru", "Chili", "Brazil"]
df = pd.DataFrame({
"country": np.repeat(my_count, 10),
"years": list(range(2000, 2010)) * 16,
"value": np.random.rand(160)
})

# 创建网格
g = sns.FacetGrid(df, col='country', hue='country', col_wrap=4, )

# 添加曲线图
g = g.map(plt.plot, 'years', 'value')

# 面积图
g = g.map(plt.fill_between, 'years', 'value', alpha=0.2).set_titles("{col_name} country")

# 标题
g = g.set_titles("{col_name}")

# 总标题
plt.subplots_adjust(top=)
g = g.fig.suptitle()


plt.show()

下面以一个时间序列面积图为例，显示多组数据，结果如下。

示例图片

29. 地图

所有的地理空间数据分析应该都离不开地图吧！

import pandas as pd
import folium

# 创建地图对象
m = folium.Map(location=[20, 0], tiles="OpenStreetMap", zoom_start=2)

# 创建图标数据
data = pd.DataFrame({
'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97],
'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'],
'value': [10, 12, 40, 70, 23, 43, 100, 43]
}, dtype=str)

# 添加信息
for i in range(0,len(data)):
folium.Marker(
location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
popup=data.iloc[i]['name'],
).add_to(m)


m.save()

使用 Folium 绘制谷歌地图风格的地图，结果如下。

示例图片

30. 等值域地图

等值域地图，相同数值范围，着色相同。

import pandas as pd
import folium

# 创建地图对象
m = folium.Map(location=[40, -95], zoom_start=4)

# 读取数据
state_geo = f"us-states.json"
state_unemployment = f"US_Unemployment_Oct2012.csv"
state_data = pd.read_csv(state_unemployment)

folium.Choropleth(
geo_data=state_geo,
name="choropleth",
data=state_data,
columns=["State", "Unemployment"],
key_on="feature.id",
fill_color="YlGn",
fill_opacity=0.7,
line_opacity=.1,
legend_name="Unemployment Rate (%)",
).add_to(m)

folium.LayerControl().add_to(m)
# 保存
m.save('choropleth-map.html')

使用 Folium 的 choropleth() 进行绘制，结果如下。

示例图片

31. 网格地图

Hexbin 地图，美国大选投票经常看见。

import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt

# 读取数据
file = "us_states_hexgrid.geojson.json"
geoData = gpd.read_file(file)
geoData['centroid'] = geoData['geometry'].apply(lambda x: x.centroid)

mariageData = pd.read_csv("State_mariage_rate.csv")
geoData['state'] = geoData['google_name'].str.replace(' (United States)','')

geoData = geoData.set_index('state').join(mariageData.set_index('state'))

# 初始化
fig, ax = plt.subplots(1, figsize=(6, 4))

# 绘图
geoData.plot(
ax=ax,
column="y_2015",
cmap="BuPu",
norm=plt.Normalize(vmin=2, vmax=13),
edgecolor='black',
linewidth=.5
);

# 不显示坐标轴
ax.axis('off')

# 标题，副标题
ax.annotate('Mariage rate in the US', xy=(10, 340), xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=14, color='black')
ax.annotate('Yes, people love to get married in Vegas', xy=(10, 320), xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=, color=)


 idx, row  geoData.iterrows():
ax.annotate(
s=row[],
xy=row[].coords[],
horizontalalignment=,
va=,
color=
)


sm = plt.cm.ScalarMappable(cmap=, norm=plt.Normalize(vmin=, vmax=))
fig.colorbar(sm, orientation=, aspect=, fraction=, pad= );


plt.show()

使用 geopandas 和 matplotlib 进行绘制，结果如下。

示例图片

32. 变形地图

故名思义，就是形状发生改变的地图。

其中每个区域的形状，会根据数值发生扭曲变化。

这里没有相关的代码示例，直接上个图好了。

示例图片

33. 连接映射地图

连接地图可以显示地图上几个位置之间的连接关系。

航空上经常用到的飞线图，应该是这个的升级版。

from mpl_toolkits.basemap import Basemap
import matplotlib.pyplot as plt
import pandas as pd

# 数据
cities = {
'city': ["Paris", "Melbourne", "Saint.Petersburg", "Abidjan", "Montreal", "Nairobi", "Salvador"],
'lon': [2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
'lat': [49, -38, 59.93, 5.33, 45.52, -1.29, -12.97]
}
df = pd.DataFrame(cities, columns=['city', 'lon', 'lat'])

# 创建地图
m = Basemap(llcrnrlon=-179, llcrnrlat=-60, urcrnrlon=179, urcrnrlat=70, projection='merc')
m.drawmapboundary(fill_color='white', linewidth=0)
m.fillcontinents(color='#f2f2f2', alpha=0.7)
m.drawcoastlines(linewidth=0.1, color="white")

# 循环建立连接
for startIndex, startRow in df.iterrows():
for endIndex in range(startIndex, (df.index)):
endRow = df.iloc[endIndex]
m.drawgreatcircle(startRow.lon, startRow.lat, endRow.lon, endRow.lat, linewidth=, color=);


 i, row  df.iterrows():
plt.annotate(row.city, xy=m(row.lon + , row.lat), verticalalignment=)

plt.show()

使用 basemap 绘制，结果如下。

示例图片

34. 气泡地图

气泡地图，使用不同尺寸的圆来表示该地理坐标的数值。

import folium
import pandas as pd

# 创建地图对象
m = folium.Map(location=[20,0], tiles="OpenStreetMap", zoom_start=2)

# 坐标点数据
data = pd.DataFrame({
'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5],
'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97],
'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'],
'value': [10, 12, 40, 70, 23, 43, 100, 43]
}, dtype=str)

# 添加气泡
for i in range(0, len(data)):
folium.Circle(
location=[data.iloc[i]['lat'], data.iloc[i]['lon']],
popup=data.iloc[i]['name'],
radius=(data.iloc[i][])*,
color=,
fill=,
fill_color=
).add_to(m)


m.save()

使用 Folium 的 Circle() 进行绘制，结果如下。

示例图片

35. 和弦图

和弦图表示若干个实体 (节点) 之间的流或连接。

每个实体 (节点) 有圆形布局外部的一个片段表示。

然后在每个实体之间绘制弧线，弧线的大小与流的关系成正比。

from chord import Chord

matrix = [
[0, 5, 6, 4, 7, 4],
[5, 0, 5, 4, 6, 5],
[6, 5, 0, 4, 5, 5],
[4, 4, 4, 0, 5, 5],
[7, 6, 5, 5, 0, 4],
[4, 5, 5, 5, 4, 0],
]

names = ["Action", "Adventure", "Comedy", "Drama", "Fantasy", "Thriller"]

# 保存
Chord(matrix, names).to_html("chord-diagram.html")

使用 Chord 库进行绘制，结果如下。

示例图片

36. 网状图

网状图显示的是一组实体之间的连接关系。

每个实体由一个节点表示，节点之间通过线段连接。

import pandas as pd
import numpy as np
import networkx as nx
import matplotlib.pyplot as plt

# 创建数据
ind1 = [5, 10, 3, 4, 8, 10, 12, 1, 9, 4]
ind5 = [1, 1, 13, 4, 18, 5, 2, 11, 3, 8]
df = pd.DataFrame(
{'A': ind1, 'B': ind1 + np.random.randint(10, size=(10)), 'C': ind1 + np.random.randint(10, size=(10)),
'D': ind1 + np.random.randint(5, size=(10)), 'E': ind1 + np.random.randint(5, size=(10)), 'F': ind5,
'G': ind5 + np.random.randint(5, size=(10)), 'H': ind5 + np.random.randint(5, size=(10)),
'I': ind5 + np.random.randint(5, size=(10)), 'J': ind5 + np.random.randint(5, size=(10))})


corr = df.corr()


links = corr.stack().reset_index()
links.columns = [, , ]


links_filtered = links.loc[(links[] > ) & (links[] != links[])]


G = nx.from_pandas_edgelist(links_filtered, , )


nx.draw(G, with_labels=, node_color=, node_size=, edge_color=, linewidths=, font_size=)


plt.show()

使用 NetworkX 库进行绘制，结果如下。

示例图片

37. 桑基图

桑基图是一种特殊的流图。

它主要用来表示原材料、能量等如何从初始形式经过中间过程的加工、转化到达最终形式。

Plotly 可能是创建桑基图的最佳工具，通过 Sankey() 在几行代码中获得一个图表。

import plotly.graph_objects as go
import json

# 读取数据
with open('sankey_energy.json') as f:
data = json.load(f)

# 透明度
opacity = 0.4
# 颜色
data['data'][0]['node']['color'] = ['rgba(255,0,255, 0.8)' if color == "magenta" else color for color in data['data'][0]['node']['color']]
data['data'][0]['link']['color'] = [data['data'][0]['node']['color'][src].replace("0.8", str(opacity)) for src in data['data'][0]['link']['source']]

fig = go.Figure(data=[go.Sankey(
valueformat=".0f",
valuesuffix="TWh",
# 点
node=dict(
pad=15,
thickness=15,
line=dict(color = "black", width = 0.5),
label=data['data'][0]['node']['label'],
color=data[][][][]
),

link=(
source=data[][][][],
target=data[][][][],
value=data[][][][],
label=data[][][][],
color=data[][][][]
))])

fig.update_layout(title_text=,
font_size=)


fig.write_html()

使用 Plotly 库进行绘制，结果如下。

示例图片

38. 弧线图

弧线图是一种特殊的网络图。

由代表实体的节点和显示实体之间关系的弧线组成的。

在弧线图中，节点沿单个轴显示，节点间通过圆弧线进行连接。

目前还不知道如何通过 Python 来构建弧线图，不过可以使用 R 或者 D3.js。

下面就来看一个通过 js 生成的弧线图。

示例图片

39. 环形布局关系图

可视化目标之间的关系，可以减少复杂网络下观察混乱。

和弧线图一样，也只能通 R 或者 D3.js 绘制。

D3.js 绘制的示例如下。

示例图片

40. 动态图表

动态图表本质上就是显示一系列静态图表。

可以描述目标从一种状态到另一种状态的变化。

import imageio
import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
data = pd.read_csv('gapminderData.csv')
# 更改格式
data['continent'] = pd.Categorical(data['continent'])

# 分辨率
dpi = 96

filenames = []
# 每年的数据
for i in data.year.unique():
# 关闭交互式绘图
plt.ioff()

# 初始化
fig = plt.figure(figsize=(680 / dpi, 480 / dpi), dpi=dpi)

# 筛选数据
subsetData = data[data.year == i]

# 生成散点气泡图
plt.scatter(
x=subsetData['lifeExp'],
y=subsetData['gdpPercap'],
s=subsetData['pop'] / 200000,
c=subsetData['continent'].cat.codes,
cmap="Accent", alpha=0.6, edgecolors="white", linewidth=2)

# 添加相关信息
plt.yscale('log')
plt.xlabel("Life Expectancy")
plt.ylabel("GDP per Capita")
plt.title("Year: " + str(i))
plt.ylim(0, 100000)
plt.xlim(30, 90)

# 保存
filename = './images/' + str(i) + '.png'
filenames.append(filename)
plt.savefig(fname=filename, dpi=96)
plt.gca()
plt.close(fig)

# 生成 GIF 动态图表
with imageio.get_writer('result.gif', mode=, fps=)  writer:
 filename  filenames:
image = imageio.imread(filename)
writer.append_data(image)

以一个动态散点气泡图为例，

先用 matplotlib 绘制图表图片，再通过 imageio 生成 GIF，结果如下。

示例图片

40 个 Python 可视化图表案例及代码实现

前言

01. 小提琴图

02. 核密度估计图

03. 直方图

04. 箱形图

05. 山脊线图

06. 散点图

07. 矩形热力图

08. 相关性图

09. 气泡图

10. 连接散点图

11. 二维密度图

12. 条形图

13. 雷达图

14. 词云图

15. 平行座标图

16. 棒棒糖图

17. 径向柱图

18. 矩形树图

19. 维恩图

20. 圆环图

21. 饼图

22. 树图

23. 气泡图

24. 折线图

25. 面积图

26. 堆叠面积图

27. 河流图

28. 时间序列图

29. 地图

30. 等值域地图

31. 网格地图

32. 变形地图

33. 连接映射地图

34. 气泡地图

35. 和弦图

36. 网状图

37. 桑基图

38. 弧线图

39. 环形布局关系图

40. 动态图表

微信扫一扫，关注极客日志

更多推荐文章

相关免费在线工具