如何用Python快速制作美观炫酷且有深度的图表(python,编程语言)

这期内容当中小编将会给大家带来有关如何用Python快速制作美观炫酷且有深度的图表，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

生活阶梯(幸福指数)与人均GDP(金钱)正相关的正则图

三种用Python可视化数据的不同方法。以可视化《2023年世界幸福报告》的数据为例，本文用Gapminder和Wikipedia的信息丰富了《世界幸福报告》数据，以探索新的数据关系和可视化方法。

《世界幸福报告》试图回答世界范围内影响幸福的因素。

报告根据对“坎特里尔阶梯问题”的回答来确定幸福指数，被调查者需对自己的生活状况进行打分，10分为最佳状态，0分为最差。

将使用Life Ladder作为目标变量。Life Ladder就是指幸福指数。

文章结构

图片来源：Nik MacMillan/Unsplash

本文旨在提供代码指南和参考点，以便在查找特定类型的图表时进行参考。为了节省空间，有时会将多个图表合并到一张图上。但是请放心，你可以在这个Repo或相应的Jupyter Notebook中找到所有基本代码。

1. 我使用Python进行绘图的经历

大约两年前，我开始更认真地学习Python。从那时起，Python几乎每周都会给我一些惊喜，它不仅自身简单易用，而且其生态系统中还有很多令人惊叹的开源库。我对命令、模式和概念越熟悉，就越能充分利用其功能。

(1) Matplotlib

与用Python绘图正好相反。最初，我用matplotlib创建的几乎每个图表看起来都很过时。更糟糕的是，为了创建这些讨厌的东西，我不得不在Stackoverflow上花费数小时。例如，研究改变x斜度的基本命令或者类似这些的蠢事。我一点也不想做多图表。以编程的方式创建这些图表是非常奇妙的，例如，一次生成50个不同变量的图表，结果令人印象深刻。然而，其中涉及大量的工作，需要记住一大堆无用的指令。

(2) Seaborn

学习Seaborn能够节省很多精力。Seaborn可以抽象出大量的微调。毫无疑问，这使得图表在美观上得到巨大的改善。然而，它也是构建在matplotlib之上的。通常，对于非标准的调整，仍然有必要使用机器级的matplotlib代码。

(3) Bokeh

一时间，我以为Bokeh会成为一个后援解决方案。我在做地理空间可视化的时候发现了Bokeh。然而，我很快就意识到，虽然Bokeh有所不同，但还是和matplotlib一样复杂。

(4) Plotly

不久前我确实尝试过 plot.ly (后面就直接用plotly来表示)同样用于地理空间可视化。那个时候，plotly比前面提到的库还要麻烦。它必须通过笔记本账户登录，然后plotly可以在线呈现，接着下载最终图表。我很快就放弃了。但是，我最近看到了一个关于plotlyexpress和plotly4.0的Youtube视频，重点是，他们把那些在线的废话都删掉了。我尝试了一下，本篇文章就是尝试的成果。我想，知道得晚总比不知道的好。

(5) Kepler.gl (地理空间数据优秀奖)

Kepler.gl不是一个Python库，而是一款强大的基于web的地理空间数据可视化工具。只需要CSV文件，就可以使用Python轻松地创建文件。试试吧!

(6) 当前工作流程

最后，我决定使用Pandas本地绘图进行快速检查，并使用Seaborn绘制要在报告和演示中使用的图表(视觉效果很重要)。

2. 分布的重要性

我在圣地亚哥从事研究期间，负责教授统计学(Stats119)。Stats119是统计学的入门课程，包括统计的基础知识，如数据聚合(可视化和定量)、概率的概念、回归、抽样、以及最重要的分布。这一次，我对数量和现象的理解几乎完全转变为基于分布的理解(大多数时候是高斯分布)。

直到今天，我仍然惊讶于这两个量的作用，标准差能帮助人理解现象。只要知道这两个量，就可以直接得出具体结果的概率，用户马上就知道大部分的结果的分布情况。它提供了一个参考框架，无需进行过于复杂的计算，就可以快速找出有统计意义的事件。

一般来说，面对新数据时，我的第一步是尝试可视化其分布，以便更好地理解数据。

3. 加载数据和包导入

先加载本文使用的数据。我已经对数据进行了预处理。并对它的意义进行了探究和推断。

#Loadthedatadata=pd.read_csv('https://raw.githubusercontent.com/FBosler/AdvancedPlotting/master/combined_set.csv')#thisassignslabelsperyeardata['MeanLogGDPpercapita']=data.groupby('Year')['LogGDPpercapita'].transform(pd.qcut,q=5,labels=(['Lowest','Low','Medium','High','Highest']))

数据集包含以下值：

• 年份：计量年(2007 -2018)

• 生活阶梯：受访者根据坎特里尔阶梯(CantrilLadder)，用0~10分(最满意的为10分)来衡量他们今天的生活

• 人均GDP：根据世界银行2023年11月14日发布的《世界发展指标》(WDI)，将人均GDP调整为PPP(2011年不变价国际元)·

• 社会支持：对下面问题的回答：“遇到困难时，是否可以随时获得亲戚或朋友的帮助?”

• 出生时预期健康寿命：出生时预期健康寿命是根据世界卫生组织(WHO)全球卫生观察站(GHO)数据库构建的，数据分别来自2005年、2010年、2015年和2016年。

• 自由选择权：回答下面这个问题：“你是否对自己生活的选择自由感到满意?”

• 慷慨：对“过去一个月是否给慈善机构捐过款?”与人均GDP相比·

• 政治清廉：回答“腐败现象在政府中是否普遍?”“腐败在企业内部是否普遍?”

• 积极影响：包括前一天快乐、欢笑和享受的平均频率。

• 负面影响：包括前一天焦虑、悲伤和愤怒的平均频率。

• 对国家政府的信心：不言自明

• 民主质量：一个国家的民主程度

• 执行质量：一个国家的政策执行情况

• Gapminder预期寿命：Gapminder的预期寿命

• Gapminder人口：国家人口

导入

importplotlyimportpandasaspdimportnumpyasnpimportseabornassnsimportplotly.expressaspximportmatplotlib%matplotlibinlineassertmatplotlib.__version__=="3.1.0","""Pleaseinstallmatplotlibversion3.1.0byrunning:1)!pipuninstallmatplotlib2)!pipinstallmatplotlib==3.1.0"""

4. 迅速：使用Pandas进行基本绘图

Pandas有内置的绘图功能，可以在Series或DataFrame上调用。之所以喜欢这些绘图函数，是因为它们简洁、使用合理的智能默认值、很快就能给出进展程度。

创建图表，在数据中调用.plot(kind=)，如下所示：

np.exp(data[data['Year']==2018]['LogGDPpercapita']).plot(kind='hist')运行上述命令，生成以下图表。

2023年：人均GDP直方图。大多数国家都很穷，这一点也不奇怪!

用Pandas绘图时，有五个主要参数：

• kind：Pandas必须知道需要创建什么样的图，可选的有以下几种：直方图(hist)，条形图(bar)，水平条图(barh)，散点图(scatter)，面积(area)，核密度估计(kde)，折线图(line)，方框(box)，六边形(hexbin)，饼状图(pie)。

• figsize：允许6英寸宽和4英寸高的默认输出尺寸。需要一个元组(例如，我就经常使用figsize=(12,8))

• title：为图表添加一个标题。大多数情况下，可以用这个标题来标明图表中所显示的内容，这样回过头来看的时候，就能很快识别出表的内容。title需要一个字符串。

• bins：直方图的bin宽度。bin需要一个值的列表或类似列表序列(例如， bins=np.arange(2,8,0.25))

• xlim/ylim： 轴的最大和最小默认值。xlim和ylim都最好有一个元组(例如， xlim=(0,5))

下面来快速浏览一下不同类型的图。

(1) 垂直条形图：

data[data['Year']==2018].set_index('Countryname')['LifeLadder'].nlargest(15).plot(kind='bar',figsize=(12,8))

2023年：芬兰位居15个最幸福国家之首

(2) 水平条形图：

np.exp(data[data['Year']==2018].groupby('Continent')['LogGDPpercapita']\.mean()).sort_values().plot(kind='barh',figsize=(12,8))

澳大利亚和新西兰2011年人均GDP(美元)明显领先

(3) 盒型图

data['LifeLadder'].plot(kind='box',figsize=(12,8))

人生阶梯分布的方框图显示平均值在5.5左右，范围为3~8。

(4) 散点图

data[['Healthylifeexpectancyatbirth','GapminderLifeExpectancy']].plot(kind='scatter',x='Healthylifeexpectancyatbirth',y='GapminderLifeExpectancy',figsize=(12,8))

该散点图显示了《世界幸福报告》的预期寿命与Gapminder的预期寿命两者之间的高度相关性

(5) Hexbin图

data[data['Year']==2018].plot(kind='hexbin',x='Healthylifeexpectancyatbirth',y='Generosity',C='LifeLadder',gridsize=20,figsize=(12,8),cmap="Blues",#defaultstogreenishsharex=False#requiredtogetridofabug)

2023年：Hexbin图，表示人的平均寿命与慷慨程度之间的关系。格子的颜色表示每个格子的平均寿命。

(6) 饼状图

data[data['Year']==2018].groupby(['Continent'])['GapminderPopulation'].sum().plot(kind='pie',figsize=(12,8),cmap="Blues_r",#defaultstoorangish)

2023年：按大洲划分的总人口数饼状图

(7) 堆积面积图

data.groupby(['Year','Continent'])['GapminderPopulation'].sum().unstack().plot(kind='area',figsize=(12,8),cmap="Blues",#defaultstoorangish)

全球人口数量正在增长

(8) 折线图

data[data['Countryname']=='Germany'].set_index('Year')['LifeLadder'].plot(kind='line',figsize=(12,8))

表示德国幸福指数发展的折线图

(9) 关于Pandas绘图的总结

用pandas绘图很方便。易于访问，速度也快。只是图表外观相当丑，几乎不可能偏离默认值。不过这没关系，因为有其他工具来制作更美观的图表。

5. 美观：使用Seaborn进行高级绘图

Seaborn使用的是默认绘图。要确保运行结果与本文一致，请运行以下命令。

sns.reset_defaults()sns.set(rc={'figure.figsize':(7,5)},style="white"#nicerlayout)

(1) 绘制单变量分布

如前所述，我非常喜欢分布。直方图和核密度分布都是可视化特定变量关键特征的有效方法。下面来看看如何在一个图表中生成单个变量或多个变量分布。

左图：2023年亚洲国家人生阶梯直方图和核密度估算;

右图：五组人均GDP人生阶梯的核心密度估算——体现了金钱与幸福指数的关系

(2) 绘制二元分布

每当我想要直观地探索两个或多个变量之间的关系，总是用到某种形式的散点图和分布评估。在概念上相似的图表有三种变体。在每个图中，中心图(散点图，二元KDE，hexbin)有助于理解两个变量之间的联合频率分布。此外，在中心图的右边界和上边界，描述了各自变量的边际单变量分布(用KDE或直方图表示)。

sns.jointplot(x='LogGDPpercapita',y='LifeLadder',datadata=data,kind='scatter'#or'kde'or'hex')

Seaborn双标图，散点图、二元KDE和Hexbin图都在中心图中，边缘分布在中心图的左侧和顶部

(3) 散点图

散点图是一种可视化两个变量联合密度分布的方法。可以通过添加色度来添加第三个变量，通过添加尺寸参数来添加第四个变量。

sns.scatterplot(x='LogGDPpercapita',y='LifeLadder',datadata=data[data['Year']==2018],hue='Continent',size='GapminderPopulation')#both,hueandsizeareoptionalsns.despine()#prettierlayout

人均GDP与生活阶梯的关系，不同颜色表示不同大洲和人口规模

(4) 小提琴图

小提琴图结合了盒状图和核密度估计值。它的作用类似于盒状图，显示了定量数据在分类变量之间的分布，以便对这些分布进行比较。

sns.set(rc={'figure.figsize':(18,6)},style="white")sns.violinplot(x='Continent',y='LifeLadder',hue='MeanLogGDPpercapita',datadata=data)sns.despine()

小提琴图在绘制大洲与生活阶梯的关系图时，用人均GDP的平均值对数据进行分组。人均GDP越高，幸福指数就越高。

(5) 配对图

Seaborn配对图是在一个大网格中绘制双变量散点图的所有组合。我通常觉得这有点信息过载，但它有助于发现规律。

sns.set(style="white",palette="muted",color_codes=True)sns.pairplot(data[data.Year==2018][['LifeLadder','LogGDPpercapita','Socialsupport','Healthylifeexpectancyatbirth','Freedomtomakelifechoices','Generosity','Perceptionsofcorruption','Positiveaffect','Negativeaffect','Confidenceinnationalgovernment','MeanLogGDPpercapita']].dropna(),hue='MeanLogGDPpercapita')

Seaborn散点图网格中，所有选定的变量都分散在网格的下半部分和上半部分，对角线包含Kde图。

(6) FacetGrids

对我来说，Seaborn的FacetGrid是证明它好用最有说服力的证据之一，因为它能轻而易举地创建多图表。通过配对图，我们已经看到了FacetGrid的一个示例。它可以创建多个按变量分组的图表。例如，行可以是一个变量(人均GDP的类别)，列是另一个变量(大洲)。

它确实还需要适应客户需求(即使用matplotlib)，但是它仍然是令人信服。

(7) FacetGrid— 折线图

g=sns.FacetGrid(data.groupby(['MeanLogGDPpercapita','Year','Continent'])['LifeLadder'].mean().reset_index(),row='MeanLogGDPpercapita',col='Continent',margin_titles=True)g=(g.map(plt.plot,'Year','LifeLadder'))

y轴代表生活阶梯，x轴代表年份。网格的列代表大洲，网格的行代表不同水平的人均GDP。总体而言，北美人均GDP平均值较低的国家和欧洲人均GDP平均值中等或较高的国家，情况似乎有所好转。

(8) FacetGrid— 直方图

g=sns.FacetGrid(data,col="Continent",col_wrap=3,height=4)g=(g.map(plt.hist,"LifeLadder",bins=np.arange(2,9,0.5)))

按大洲划分的生活阶梯直方图

(9) FacetGrid— 带注释的KDE图

还可以向网格中的每个图表添加特定的注释。以下示例将平均值和标准偏差以及在平均值处绘制的垂直线相加(代码如下)。

基于大洲的生命阶梯核密度估计值，注释为均值和标准差

defvertical_mean_line(x,**kwargs):plt.axvline(x.mean(),linestyle="--",color=kwargs.get("color","r"))txkw=dict(size=15,color=kwargs.get("color","r"))label_x_pos_adjustment=0.08#thisneedscustomizationbasedonyourdatalabel_y_pos_adjustment=5#thisneedscustomizationbasedonyourdataifx.mean()<6:#thisneedscustomizationbasedonyourdatatx="mean:{:.2f}\n(std:{:.2f})".format(x.mean(),x.std())plt.text(x.mean()+label_x_pos_adjustment,label_y_pos_adjustment,tx,**txkw)else:tx="mean:{:.2f}\n(std:{:.2f})".format(x.mean(),x.std())plt.text(x.mean()-1.4,label_y_pos_adjustment,tx,**txkw)_=data.groupby(['Continent','Year'])['LifeLadder'].mean().reset_index()g=sns.FacetGrid(_,col="Continent",height=4,aspect=0.9,col_wrap=3,margin_titles=True)g.map(sns.kdeplot,"LifeLadder",shade=True,color='royalblue')g.map(vertical_mean_line,"LifeLadder")

annotate_facet_grid.py hostedwith ❤ by GitHub

画一条垂直的平均值线并添加注释。

(10) FacetGrid— 热图

我最喜欢的一种绘图类型就是FacetGrid的热图，即每一个网格都有热图。这种类型的绘图有助于在一个图中可视化四维和度量。代码有点麻烦，但是可以根据使用者的需要快速调整。需要注意的是，这种图表不能很好地处理缺失的值，所以需要大量的数据或适当的分段。

Facet热图，外层的行显示在一年内，外层的列显示人均GDP，内层的行显示政治清廉，内层的列显示大洲。我们看到幸福指数朝着右上方向增加(即，高人均GDP和高政治清廉)。时间的影响还不确定，一些大洲(欧洲和北美)似乎比其他大洲(非洲)更幸福。

heatmap_facetgrid.py

defdraw_heatmap(data,inner_row,inner_col,outer_row,outer_col,values,vmin,vmax):sns.set(font_scale=1)fg=sns.FacetGrid(data,row=outer_row,col=outer_col,margin_titles=True)position=left,bottom,width,height=1.4,.2,.1,.6cbar_ax=fg.fig.add_axes(position)fg.map_dataframe(draw_heatmap_facet,x_col=inner_col,y_col=inner_row,valuesvalues=values,cbar_axcbar_ax=cbar_ax,vminvmin=vmin,vmaxvmax=vmax)fg.fig.subplots_adjust(right=1.3)plt.show()defdraw_heatmap_facet(*args,**kwargs):data=kwargs.pop('data')x_col=kwargs.pop('x_col')y_col=kwargs.pop('y_col')values=kwargs.pop('values')d=data.pivot(index=y_col,columns=x_col,valuesvalues=values)annot=round(d,4).valuescmap=sns.color_palette("Blues",30)+sns.color_palette("Blues",30)[0::2]#cmap=sns.color_palette("Blues",30)sns.heatmap(d,**kwargs,annotannot=annot,center=0,cmapcmap=cmap,linewidth=.5)#Datapreparation_=data.copy()_['Year']=pd.cut(_['Year'],bins=[2006,2008,2012,2018])_['GDPperCapita']=_.groupby(['Continent','Year'])['LogGDPpercapita'].transform(pd.qcut,q=3,labels=(['Low','Medium','High'])).fillna('Low')_['Corruption']=_.groupby(['Continent','GDPperCapita'])['Perceptionsofcorruption'].transform(pd.qcut,q=3,labels=(['Low','Medium','High']))__=_[_['Continent']!='Oceania'].groupby(['Year','Continent','GDPperCapita','Corruption'])['LifeLadder'].mean().reset_index()_['LifeLadder']=_['LifeLadder'].fillna(-10)draw_heatmap(data=_,outer_row='Corruption',outer_col='GDPperCapita',inner_row='Year',inner_col='Continent',values='LifeLadder',vmin=3,vmax=8,)

heatmap_facetgrid.py hostedwith ❤ by GitHub

6. 精彩：用plotly创造精彩的互动情节

最后, 无需使用matplotlib!Plotly有三个重要特征：

• 悬停：当鼠标悬停在图表上时，会弹出注释

• 交互性：不需要任何额外设置，图表就可以进行交互(例如，一次穿越时间的旅程)

• 漂亮的地理空间图：Plotly已经内置了一些基本的映射功能，另外，还可以使用mapbox集成来制作令人惊叹的图表。

(1) 散点图

通过下列代码来运行plotly图表：

fig=x.<PLOTTYPE>(PARAMS)然后是fig.show()，像这样：fig=px.scatter(datadata_frame=data[data['Year']==2018],x="LogGDPpercapita",y="LifeLadder",size="GapminderPopulation",color="Continent",hover_name="Countryname",size_max=60)fig.show()

(2) 散点图 — 穿越时间的漫步

fig=px.scatter(datadata=data,x="LogGDPpercapita",y="LifeLadder",animation_frame="Year",animation_group="Countryname",size="GapminderPopulation",color="Continent",hover_name="Countryname",facet_col="Continent",size_max=45,category_orders={'Year':list(range(2007,2019))})fig.show()

可视化数年来绘图数据的变化

(3) 平行类别——一个能可视化类别的有趣方式

defq_bin_in_3(col):returnpd.qcut(col,q=3,labels=['Low','Medium','High'])_=data.copy()_['Socialsupport']=_.groupby('Year')['Socialsupport'].transform(q_bin_in_3)_['LifeExpectancy']=_.groupby('Year')['Healthylifeexpectancyatbirth'].transform(q_bin_in_3)_['Generosity']=_.groupby('Year')['Generosity'].transform(q_bin_in_3)_['Perceptionsofcorruption']=_.groupby('Year')['Perceptionsofcorruption'].transform(q_bin_in_3)__=_.groupby(['Socialsupport','LifeExpectancy','Generosity','Perceptionsofcorruption'])['LifeLadder'].mean().reset_index()fig=px.parallel_categories(_,color="LifeLadder",color_continuous_scale=px.colors.sequential.Inferno)fig.show()

并不是所有预期寿命高的国家的人民都很幸福!

(4) 条形图—一个交互式滤波器的示例

fig=px.bar(data,x="Continent",y="GapminderPopulation",color="MeanLogGDPpercapita",barmode="stack",facet_col="Year",category_orders={"Year":range(2007,2019)},hover_name='Countryname',hover_data=["MeanLogGDPpercapita","GapminderPopulation","LifeLadder"])fig.show()

过滤条形图很容易。毫无疑问，韩国是亚洲富裕国家之一。

(5) 等值线图— —幸福指数与时间的关系

fig=px.choropleth(data,locations="ISO3",color="LifeLadder",hover_name="Countryname",animation_frame="Year")fig.show()

可视化不同地域的幸福指数是如何随时间变化的。叙利亚和阿富汗正处于人生阶梯的末端(这不足为奇)。

结束语

展示了如何成为一名真正的Python可视化专家、如何在快速探索时更有效率、以及如何在董事会会议前创建更漂亮的图表、还有如何创建交互式绘图图表，尤其是在绘制地理空间数据时，十分有用。

上述就是小编为大家分享的如何用Python快速制作美观炫酷且有深度的图表了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。