摘要：生成可控的随机数据集合模拟各种分布的数据。数据平滑处理方法卷积滤波等许多方法可以对外部信号源接收到的信号进行平滑处理，这取决于工作的领域和信号的特性。不要做不相关的颜色映射，比如将财务数据映射到表示温度的颜色上去。
第一章：准备工作环境
WinPython-32bit-3.5.2.2Qt5.exe
1.1 设置matplotlib参数
配置模板以方便各项目共享
D:BinWinPython-32bit-3.5.2.2Qt5python-3.5.2Libsite-packagesmatplotlibmpl-data
三种方式：
当前工作目录
用户级 Documents and Setting
安装级配置文件
D:BinWinPython-32bit-3.5.2.2Qt5python-3.5.2Libsite-packagesmatplotlibmpl-data
第二章： 了解数据
导入和导出各种格式的数据，除此之外，还包括清理数据的方式比如归一化、缺失数据的添加、实时数据检查等类。
2.1 从csv文件中导入数据
如果想加载大数据文件，通常用NumPy模块。
import csv
import sys
filename = "E:pythonVisualization2-110qcell.csv"
data = []
try:
with open("E:pythonVisualization2-121.csv") as f:
reader = csv.reader(f, delimiter=",")
data = [row for row in reader]
except csv.Error as e:
sys.exit(-1)
for datarow in data:
print( datarow)
2.2 从excel文件导入数据
import xlrd
import os
import sys
path = "E:pythonVisualization2-3"
file = path + "2-2.xlsx"
wb = xlrd.open_workbook(filename=file)
ws = wb.sheet_by_name("Sheet1") #指定工作表
dataset = []
for r in range(ws.nrows):
col = []
for c in range(ws.ncols):
col.append(ws.cell(r,c).value) #某行某列数值
dataset.append(col)
print(dataset)
2.3 从定宽数据文件导入
import struct
import string
path = "E:pythonVisualization"
file = path + "2-4 est.txt"
mask = "3c4c7c"
with open(file, "r") as f:
for line in f:
fields = struct.unpack_from(mask,line) #3.5.4 上运行失败
print([field.strip() for field in fields])
2.4 从制表符分割的文件中导入
和从csv读取类似，分隔符不一样而已。
2.5 导出数据到csv、excel
示例，未运行
def write_csv(data)
f = StringIO.StringIO()
writer = csv.writer(f)
for row in data:
writer.writerow(row)
return f.getvalue()
2.6 从数据库中导入数据
连接数据库
查询数据
遍历查询到的行
2.7 清理异常值
MAD：median absolute deviation 中位数绝对偏差
box plox: 箱线图
坐标系不同，显示效果的欺骗性：
from pylab import *
x = 1e6*rand(1000)
y = rand(1000)
figure()
subplot(2,1,1)
scatter(x,y)
xlim(1e-6,1e6)
subplot(2,1,2)
scatter(x,y)
xscale("log")
xlim(1e-6,1e6)
show()
2.8 读取大块数据文件
python擅长处理文件及类文件对象的读写。它不会一次性地加载所有内容，而是聪明地按照需要来加载。
并行方法MapReduce，低成本获得更大的处理能力和内存空间；
多进程处理，如thread、multiprocessing、threading；
如果重复的处理大文件，建议建立自己的数据管道，这样每次需要数据以特定的形式输出时，不必再找到数据源进行手动处理。
2.9 生成可控的随机数据集合
模拟各种分布的数据。
2.10 数据平滑处理
方法：卷积滤波等
许多方法可以对外部信号源接收到的信号进行平滑处理，这取决于工作的领域和信号的特性。许多算法都是专门用于某一特定的信号，可能没有一个通用的解决方法普遍适用于所有的情况。
一个重要的问题是：什么时候不应该对信号进行平滑处理？
对于真实信号来说，平滑处理的数据对于真实的信号来说可能是错误的。
第三章 绘制并定制化图表
3.1 柱状图、线形图、堆积柱状图
from matplotlib.pyplot import *
x = [1,2,3,4,5,6]
y = [3,4,6,7,3,2]
#create new figure
figure()
#线
subplot(2,3,1)
plot(x,y)
#柱状图
subplot(2,3,2)
bar(x,y)
#水平柱状图
subplot(2,3,3)
barh(x,y)
#叠加柱状图
subplot(2,3,4)
bar(x,y)
y1=[2,3,4,5,6,7]
bar(x,y1,bottom=y,color="r")
#箱线图
subplot(2,3,5)
boxplot(x)
#散点图
subplot(2,3,6)
scatter(x,y)
show()
3.2 箱线图和直方图
from matplotlib.pyplot import *
figure()
dataset = [1,3,5,7,8,3,4,5,6,7,1,2,34,3,4,4,5,6,3,2,2,3,4,5,6,7,4,3]
subplot(1,2,1)
boxplot(dataset, vert=False)
subplot(1,2,2)
#直方图
hist(dataset)
show()
3.3 正弦余弦及图标
from matplotlib.pyplot import *
import numpy as np
x = np.linspace(-np.pi, np.pi, 256, endpoint=True)
y = np.cos(x)
y1= np.sin(x)
plot(x,y)
plot(x,y1)
#图表名称
title("Functions $sin$ and $cos$")
#x,y轴坐标范围
xlim(-3,3)
ylim(-1,1)
#坐标上刻度
xticks([-np.pi, -np.pi/2,0,np.pi/2,np.pi],
[r"$-pi$", r"$-pi/2$", r"$0$", r"$+pi/2$",r"$+pi$"])
yticks([-1, 0, 1],
[r"$-1$",r"$0$",r"$+1$" ])
#网格
grid()
show()
3.4 设置图表的线型、属性和格式化字符串
from matplotlib.pyplot import *
import numpy as np
x = np.linspace(-np.pi, np.pi, 256, endpoint=True)
y = np.cos(x)
y1= np.sin(x)
#线段颜色，线条风格，线条宽度，线条标记，标记的边缘颜色，标记边缘宽度，标记内颜色，标记大小
plot([1,2],c="r",ls="-",lw=2, marker="D", mec="g",mew=2, mfc="b",ms=30)
plot(x,y1)
#图表名称
title("Functions $sin$ and $cos$")
#x,y轴坐标范围
xlim(-3,3)
ylim(-1,4)
#坐标上刻度
xticks([-np.pi, -np.pi/2,0,np.pi/2,np.pi],
[r"$-pi$", r"$-pi/2$", r"$0$", r"$+pi/2$",r"$+pi$"])
yticks([-1, 0, 1],
[r"$-1$",r"$0$",r"$+1$" ])
grid()
show()
3.5 设置刻度、时间刻度标签、网格
import matplotlib.pyplot as mpl
from pylab import *
import datetime
import numpy as np
fig = figure()
ax = gca()
# 时间区间
start = datetime.datetime(2017,11,11)
stop = datetime.datetime(2017,11,30)
delta = datetime.timedelta(days =1)
dates = mpl.dates.drange(start,stop,delta)
values = np.random.rand(len(dates))
ax.plot_date(dates, values, ls="-")
date_format = mpl.dates.DateFormatter("%Y-%m-%d")
ax.xaxis.set_major_formatter(date_format)
fig.autofmt_xdate()
show()
3.6 添加图例和注释
from matplotlib.pyplot import *
import numpy as np
x1 = np.random.normal(30, 2,100)
plot(x1, label="plot")
#图例
#图标的起始位置，宽度，高度 归一化坐标
#loc 可选，为了图标不覆盖图
#ncol 图例个数
#图例平铺
#坐标轴和图例边界之间的间距
legend(bbox_to_anchor=(0., 1.02, 1., .102),loc = 4,
ncol=1, mode="expand",borderaxespad=0.1)
#注解
# Import data 注释
#（55,30） 要关注的点
#xycoords = ‘data’ 注释和数据使用相同坐标系
#xytest 注释的位置
#arrowprops注释用的箭头
annotate("Import data", (55,30), xycoords="data",
xytext=(5,35),
arrowprops=dict(arrowstyle="->"))
show()
3.7 直方图、饼图
直方图
import matplotlib.pyplot as plt
import numpy as np
mu=100
sigma = 15
x = np.random.normal(mu, sigma, 10000)
ax = plt.gca()
ax.hist(x,bins=30, color="g")
ax.set_xlabel("v")
ax.set_ylabel("f")
ax.set_title(r"$mathrm{Histogram:} mu=%d, sigma=%d$" % (mu,sigma))
plt.show()
饼图
from pylab import *
figure(1, figsize=(6,6))
ax = axes([0.1,0.1,0.8,0.8])
labels ="spring","summer","autumn","winter"
x=[15,30,45,10]
#explode=(0.1,0.2,0.1,0.1)
explode=(0.1,0,0,0)
pie(x, explode=explode, labels=labels, autopct="%1.1f%%", startangle=67)
title("rainy days by season")
show()
3.8 设置坐标轴
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-np.pi, np.pi, 500, endpoint=True)
y = np.sin(x)
plt.plot(x,y)
ax = plt.gca()
#top bottom left right 四条线段框成的
#上下边界颜色
ax.spines["right"].set_color("none")
ax.spines["top"].set_color("r")
#坐标轴位置
ax.spines["bottom"].set_position(("data", 0))
ax.spines["left"].set_position(("data", 0))
#坐标轴上刻度位置
ax.xaxis.set_ticks_position("bottom")
ax.yaxis.set_ticks_position("left")
plt.grid()
plt.show()
3.9 误差条形图
import matplotlib.pyplot as plt
import numpy as np
x = np.arange(0,10,1)
y = np.log(x)
xe = 0.1 * np.abs(np.random.randn(len(y)))
plt.bar(x,y,yerr=xe,width=0.4,align="center",
ecolor="r",color="cyan",label="experimert")
plt.xlabel("x")
plt.ylabel("y")
plt.title("measurements")
plt.legend(loc="upper left") # 这种图例用法更直接
plt.show()
3.10 带填充区域的图表
import matplotlib.pyplot as plt
from matplotlib.pyplot import *
import numpy as np
x = np.arange(0,2,0.01)
y1 = np.sin(2*np.pi*x)
y2=1.2*np.sin(4*np.pi*x)
fig = figure()
ax = gca()
ax.plot(x,y1,x,y2,color="b")
ax.fill_between(x,y1,y2,where = y2>y1, facecolor="g",interpolate=True)
ax.fill_between(x,y1,y2,where = y2
3.11 散点图
import matplotlib.pyplot as plt
import numpy as np
x = np.random.randn(1000)
y1 = np.random.randn(len(x))
y2 = 1.8 + np.exp(x)
ax1 = plt.subplot(1,2,1)
ax1.scatter(x,y1,color="r",alpha=.3,edgecolors="white",label="no correl")
plt.xlabel("no correlation")
plt.grid(True)
plt.legend()
ax1 = plt.subplot(1,2,2)
#alpha透明度 edgecolors边缘颜色 label图例（结合legend使用）
plt.scatter(x,y2,color="g",alpha=.3,edgecolors="gray",label="correl")
plt.xlabel("correlation")
plt.grid(True)
plt.legend()
plt.show()
第四章 更多图表和定制化
4.4 向图表添加数据表
from matplotlib.pyplot import *
import matplotlib.pyplot as plt
import numpy as np
plt.figure()
ax = plt.gca()
y = np.random.randn(9)
col_labels = ["c1","c2","c3"]
row_labels = ["r1","r2","r3"]
table_vals = [[11,12,13],[21,22,23],[31,32,33]]
row_colors = ["r","g","b"]
my_table = plt.table(cellText=table_vals,
colWidths=[0.1]*3,
rowLabels=row_labels,
colLabels=col_labels,
rowColours=row_colors,
loc="upper right")
plt.plot(y)
plt,show()
4.5 使用subplots
from matplotlib.pyplot import *
import matplotlib.pyplot as plt
import numpy as np
plt.figure(0)
#子图的分割规划
a1 = plt.subplot2grid((3,3),(0,0),colspan=3)
a2 = plt.subplot2grid((3,3),(1,0),colspan=2)
a3 = plt.subplot2grid((3,3),(1,2),colspan=1)
a4 = plt.subplot2grid((3,3),(2,0),colspan=1)
a5 = plt.subplot2grid((3,3),(2,1),colspan=2)
all_axex = plt.gcf().axes
for ax in all_axex:
for ticklabel in ax.get_xticklabels() + ax.get_yticklabels():
ticklabel.set_fontsize(10)
plt.suptitle("Demo")
plt.show()
4.6 定制化网格
grid();
color、linestyle 、linewidth等参数可设
4.7 创建等高线图
基于矩阵
等高线标签
等高线疏密
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
def process_signals(x,y):
return (1-(x**2 + y**2))*np.exp(-y**3/3)
x = np.arange(-1.5, 1.5, 0.1)
y = np.arange(-1.5,1.5,0.1)
X,Y = np.meshgrid(x,y)
Z = process_signals(X,Y)
N = np.arange(-1, 1.5, 0.3) #作为等值线的间隔
CS = plt.contour(Z, N, linewidths = 2,cmap = mpl.cm.jet)
plt.clabel(CS, inline=True, fmt="%1.1f", fontsize=10) #等值线标签
plt.colorbar(CS)
plt.show()
4.8 填充图表底层区域
from matplotlib.pyplot import *
import matplotlib.pyplot as plt
import numpy as np
from math import sqrt
t = range(1000)
y = [sqrt(i) for i in t]
plt.plot(t,y,color="r",lw=2)
plt.fill_between(t,y,color="y")
plt.show()
第五章 3D可视化图表
在选择3D之前最好慎重考虑，因为3D可视化比2D更加让人感到迷惑。
5.2 3D柱状图
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
import random
import matplotlib.dates as mdates
from mpl_toolkits.mplot3d import Axes3D
mpl.rcParams["font.size"] =10
fig = plt.figure()
ax = fig.add_subplot(111,projection="3d")
for z in [2015,2016,2017]:
xs = range(1,13)
ys = 1000 * np.random.rand(12)
color = plt.cm.Set2(random.choice(range(plt.cm.Set2.N)))
ax.bar(xs,ys,zs=z,zdir="y",color=color,alpha=0.8)
ax.xaxis.set_major_locator(mpl.ticker.FixedLocator(xs))
ax.yaxis.set_major_locator(mpl.ticker.FixedLocator(ys))
ax.set_xlabel("M")
ax.set_ylabel("Y")
ax.set_zlabel("Sales")
plt.show()
5.3 曲面图
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
import random
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
fig = plt.figure()
ax = fig.add_subplot(111,projection="3d")
n_angles = 36
n_radii = 8
radii = np.linspace(0.125, 1.0, n_radii)
angles = np.linspace(0, 2*np.pi, n_angles, endpoint=False)
angles = np.repeat(angles[..., np.newaxis], n_radii, axis=1)
x = np.append(0, (radii*np.cos(angles)).flatten())
y = np.append(0, (radii*np.sin(angles)).flatten())
z = np.sin(-x*y)
ax.plot_trisurf(x,y,z,cmap=cm.jet, lw=0.2)
plt.show()
5.4 3D直方图
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
import random
from mpl_toolkits.mplot3d import Axes3D
mpl.rcParams["font.size"] =10
fig = plt.figure()
ax = fig.add_subplot(111,projection="3d")
samples = 25
x = np.random.normal(5,1,samples) #x上正态分布
y = np.random.normal(3, .5, samples) #y上正态分布
#xy平面上，按照10*10的网格划分，落在网格内个数hist，x划分边界、y划分边界
hist, xedges, yedges = np.histogram2d(x,y,bins=10)
elements = (len(xedges)-1)*(len(yedges)-1)
xpos,ypos = np.meshgrid(xedges[:-1]+.25,yedges[:-1]+.25)
xpos = xpos.flatten() #多维数组变为一维数组
ypos = ypos.flatten()
zpos = np.zeros(elements)
dx = .1 * np.ones_like(zpos) #zpos一致的全1数组
dy = dx.copy()
dz = hist.flatten()
#每个立体以（xpos,ypos,zpos)为左下角，以（xpos+dx,ypos+dy,zpos+dz）为右上角
ax.bar3d(xpos,ypos,zpos,dx,dy,dz,color="b",alpha=0.4)
plt.show()
第六章 用图像和地图绘制图表
6.3 绘制带图像的图表
6.4 图像图表显示
第七章 使用正确的图表理解数据
为什么要以这种方式展示数据？
7.2 对数图
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(1,10)
y = [10**e1 for e1 in x]
z = [2*e2 for e2 in x]
fig = plt.figure(figsize=(10, 8))
ax1 = fig.add_subplot(2,2,1)
ax1.plot(x, y, color="b")
ax1.set_yscale("log")
#两个坐标轴和主次刻度打开网格显示
plt.grid(b=True, which="both", axis="both")
ax2 = fig.add_subplot(2,2,2)
ax2.plot(x,y,color="r")
ax2.set_yscale("linear")
plt.grid(b=True, which="both", axis="both")
ax3 = fig.add_subplot(2,2,3)
ax3.plot(x,z,color="g")
ax3.set_yscale("log")
plt.grid(b=True, which="both", axis="both")
ax4 = fig.add_subplot(2,2,4)
ax4.plot(x,z,color="magenta")
ax4.set_yscale("linear")
plt.grid(b=True, which="both", axis="both")
plt.show()
7.3 创建火柴杆图
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(1,10)
y = np.sin(x+1) + np.cos(x**2)
bottom = -0.1
hold = False
label = "delta"
markerline, stemlines, baseline = plt.stem(x, y, bottom=bottom,label=label, hold=hold)
plt.setp(markerline, color="r", marker= "o")
plt.setp(stemlines,color="b", linestyle=":")
plt.setp(baseline, color="g",lw=1, linestyle="-")
plt.legend()
plt.show()
7.4 矢量图
7.5 使用颜色表
颜色要注意观察者会对颜色和颜色要表达的信息做一定的假设。不要做不相关的颜色映射，比如将财务数据映射到表示温度的颜色上去。
如果数据没有与红绿有强关联时，尽可能不要使用红绿两种颜色。
import matplotlib.pyplot as plt
import numpy as np
import matplotlib as mpl
red_yellow_green = ["#d73027","#f46d43","#fdae61"]
sample_size = 1000
fig,ax = plt.subplots(1)
for i in range(3):
y = np.random.normal(size=sample_size).cumsum()
x = np.arange(sample_size)
ax.scatter(x, y, label=str(i), lw=0.1, edgecolors="grey",facecolor=red_yellow_green[i])
plt.legend()
plt.show()
7.7 使用散点图和直方图
7.8 两个变量间的互相关图形
7.9 自相关的重要性
第八章 更多的matplotlib知识
8.6 使用文本和字体属性
函数：
test: 在指定位置添加文本
xlabel:x轴标签
ylabel:y轴标签
title:设置坐标轴的标题
suptitle:为图表添加一个居中的标题
figtest:在图表任意位置添加文本，归一化坐标
如果对Python编程、网络爬虫、机器学习、数据挖掘、web开发、人工智能、面试经验交流。感兴趣可以519970686，群内会有不定期的发放免费的资料链接，这些资料都是从各个技术网站搜集、整理出来的，如果你有好的学习资料可以私聊发我，我会注明出处之后分享给大家。
属性：
family:字体类型
size/fontsize:字体大小
style/fontstyle:字体风格
variant:字体变体形式
weight/fontweight:粗细
stretch/fontstretch:拉伸
fontproperties:
8.7 用LaTeX渲染文本
LaTeX 是一个用于生成科学技术文档的高质量的排版系统，已经是事实上的科学排版或出版物的标准。
import matplotlib.pyplot as plt
import numpy as np
t = np.arange(0.0, 1.0+0.01, 0.01)
s = np.cos(4 * np.pi *t) * np.sin(np.pi*t/4) + 2
#plt.rc("text", usetex=True) #未安装Latex
plt.rc("font", **{"family":"sans-serif","sans-serif":["Helvetica"],"size":16})
plt.plot(t, s, alpha=0.55)
plt.annotate(r"$cos(4 imes pi imes {t}) imes sin(pi imes frac{t}{4}) + 2$",xy=(.9, 2.2), xytext=(.5, 2.6),color="r", arrowprops={"arrowstyle":"->"})
plt.text(.01, 2.7, r"$alpha, eta, gamma, Gamma, pi, Pi, phi, varphi, Phi$")
plt.xlabel(r"time (s)")
plt.ylabel(r"y values(W)")
plt.title(r"Hello python visualization.")
plt.subplots_adjust(top=0.8)
plt.show()
可以说这些是《Python数据可视化编程实战》的精华所在了，有需要的可以一读，有什么改进的意见也可评论留言，欢迎大家点赞转发，给技术人一点支持和关爱哈。原文出处（https://www.cnblogs.com/sunyp...）
