直方圖、密度圖、散點圖，python資料視覺化方法，你要的都在這裡

直方圖和密度圖

直方圖

直方圖（histogram）

是一種可以對值頻率進行離散化顯示的柱狀圖。資料點被拆分到離散的、間隔均勻的面元中，繪製的是各面元中資料點的數量。

In ［

165

］： data1=pd。read_csv（‘G：\LPTPython\practice。csv’）

In ［

167

］： data1［‘tip_pct’］=data1［‘tip’］ / data1［‘total_bill’］

In ［

169

］： data1［‘tip_pct’］。hist（bins=50）

密度圖

與此相關的一種圖表型別是密度圖，它是透過計算“可能會產生觀測資料的連續機率分佈的估計”而產生。一般的過程是將該分佈近似為一組核（即諸如正態（高斯）分佈之類的較為簡單的分佈）。因此，密度圖也被稱作KDE圖。呼叫plot時加上kind=’kde’即可生成一張密度圖（標準混合正態分佈KDE）：

In ［

170

］： data1［‘tip_pct’］。plot（kind=‘kde’）

In ［

182

］： values。hist（bins=100，alpha=0。3，color=‘#1d07f5’，normed=True）

In ［

186

］： values。plot（kind=‘kde’，style=‘k——’）

散佈圖（或散點圖）

散佈圖（scatter plot）是觀察兩個一維資料序列之間的關係的有效手段。Matplotlib的scatter方法是繪製散佈圖的主要方法。

In ［

187

］： macro=pd。read_csv（‘G：\LPTPython\macrodata。csv’）

In ［

188

］： data=macro［［‘cpi’，‘m1’，‘tbilrate’，‘unemp’］］

In ［

190

］： trans_data=np。log（data）。diff（）。dropna（）

In ［

191

］： trans_data［-5：］

Out［

191

］：

cpi m1 tbilrate unemp

198 -0。007904 0。045361 -0。396881 0。105361

199 -0。021979 0。066753 -2。277267 0。139762

200 0。002340 0。010286 0。606136 0。160343

201 0。008419 0。037461 -0。200671 0。127339

202 0。008894 0。012202 -0。405465 0。042560

plt。scatter

利用

plt.scatter

即可輕鬆繪製一張簡單的散佈圖：

In ［

192

］： plt。scatter（trans_data［‘m1’］，trans_data［‘unemp’］）

scatter_matrix函式

Pandas提供了一個能從DataFrame建立散佈圖矩陣的scatter_matrix函式。它還支援在對角線上放置各變數的直方圖或密度圖。

In ［

195

］： pd。scatter_matrix（trans_data，diagonal=‘kde’，

c='r'

，alpha=0。3）