精华内容
下载资源
问答
  • How can I subplot 'pie1' in 'fig', so it be located at 'the first' ... this is how I am doing it but it doesn't work outimport pandas as pdimport numpy as npimport seaborn as snsimport plotly.of...

    How can I subplot 'pie1' in 'fig', so it be located at 'the first' position. this is how I am doing it but it doesn't work out

    import pandas as pd

    import numpy as np

    import seaborn as sns

    import plotly.offline as pyp

    import plotly.graph_objs as go

    from plotly import tools

    import plotly.plotly as py

    from plotly.offline import iplot,init_notebook_mode

    from IPython.core.display import HTML

    import plotly.io

    df1=pd.read_excel('file.xlsx',sheet_name='sheet1',index=False)

    con_pivot=pd.pivot_table(con,index='Category',values=('Payment'),aggfunc='sum',margins=True,margins_name='Total')

    fig = tools.make_subplots(rows=2, cols=2, subplot_titles=('The first','3','2','4'))

    pie1=go.Pie(labels=con_pivot.index,values=con_pivot.values)

    fig.append_trace(pie1,1,1)

    pyo.plot(fig)

    Any help help will be appreciated.

    Thank you

    解决方案

    The way to achieve the side by side pie charts using the make_subplots function from plotly would be the following (Many thanks to @Oysiyl for the input data):

    from plotly.subplots import make_subplots

    import plotly.graph_objects as go

    from plotly.offline import plot

    fig = make_subplots(rows=1, cols=2, specs=[[{"type": "pie"}, {"type": "pie"}]])

    fig.add_trace(go.Pie(

    values=[16, 15, 12, 6, 5, 4, 42],

    labels=["US", "China", "European Union", "Russian Federation",

    "Brazil", "India", "Rest of World"

    ],

    domain=dict(x=[0, 0.5]),

    name="GHG Emissions"),

    row=1, col=1)

    fig.add_trace(go.Pie(

    values=[27, 11, 25, 8, 1, 3, 25],

    labels=["US", "China", "European Union", "Russian Federation",

    "Brazil", "India", "Rest of World"

    ],

    domain=dict(x=[0.5, 1.0]),

    name="CO2 Emissions"),

    row=1, col=2)

    plot(fig)

    8XCAK.png

    展开全文
  • plt画空心饼图

    2018-10-17 13:45:00
    plt.figure(figsize=(10, 10)) ...# plt1.plot.pie(autopct='%1.1f%%',colors=sns.color_palette('Paired',10),startangle=90,wedgeprops = { 'linewidth' : 2, 'edgecolor' : 'white' }) plt.pie(plt1.values, lab...
    plt.figure(figsize=(10, 10))
    # plt1.plot.pie(autopct='%1.1f%%',colors=sns.color_palette('Paired',10),startangle=90,wedgeprops = { 'linewidth' : 2, 'edgecolor' : 'white' })
    plt.pie(plt1.values, labels=plt1.index, autopct='%.2f%%', colors=sns.color_palette('Paired',10), explode=[0.07,0,0,0,0,0,0.1],startangle=90, wedgeprops = { 'linewidth' : 2, 'edgecolor' : 'white' })
    plt.title('Dataset Source')
    my_circle = plt.Circle((0, 0), 0.7, color='w')
    p = plt.gcf()
    p.gca().add_artist(my_circle)

     

    转载于:https://www.cnblogs.com/figo-studypath/p/9803648.html

    展开全文
  • 饼图(pie),即在一个圆圈内分成几块,显示不同数据系列的占比大小,这也是我们在日常数据的图形展示中最常用的图形之一。 在python中常用matplotlib的pie来绘制,基本命令如下所示(python3.X版本): vals = [1,...
  • import numpy as np ...import seaborn as sns plt.figure(2) plt.subplot(121) #fig, ax animals = dict([['frogs',15], ['hogs',20], ['dogs',45],['cats',10]]) colors = 'yellowgreen','gold','li
    import numpy as np
    import pandas as pd
    import matplotlib
    import matplotlib.pyplot as plt
    import seaborn as sns
    
    plt.figure(2)
    plt.subplot(121)  #fig, ax
    animals = dict
    展开全文
  • 一.10个可视化例子import 1.散点图plt: plt.scatter(x, y, marker=None) 函数。x、y 是坐标,marker 代表了标记的符号。...snssns.jointplot(x, y, data=None, kind=‘scatter’) 函数。其中 x、y 是 data 中...

    一.10个可视化例子

    import 

    1.散点图

    plt: plt.scatter(x, y, marker=None) 函数。x、y 是坐标,marker 代表了标记的符号。比如“x”、“>”或者“o”。选择不同的 marker,呈现出来的符号样式也会不同。

    sns: sns.jointplot(x, y, data=None, kind=‘scatter’) 函数。其中 x、y 是 data 中的下标。data 就是我们要传入的数据,一般是 DataFrame 类型。kind 这类我们取 scatter,代表散点的意思。当然 kind 还可以取其他值,这个我在后面的视图中会讲到,不同的 kind 代表不同的视图绘制方式。

    matplotlib绘制的视图为矩形,seaborn为方形,且还额外显示x,y的直方图分布

    # 随机1000个点,模拟绘制
    

    96e67cdb902beed3e3214ff28885ac59.png

    dc36585dcdbddf2d0b229ed0a8872848.png

    a4a2d63c6f66f84d40921cabf3dfccc8.png
    #?plt.scatter
    

    b76699c924245e1d354d6677f62a91bb.png

    2.折线图

    表示数据随时间变化趋势

    在 Matplotlib 中,我们可以直接使用 plt.plot() 函数,当然需要提前把数据按照 x 轴的大小进行排序,要不画出来的折线图就无法按照 x 轴递增的顺序展示。

    在 Seaborn 中,我们使用 sns.lineplot (x, y, data=None) 函数。其中 x、y 是 data 中的下标。data 就是我们要传入的数据,一般是 DataFrame 类型。

    这里我们设置了 x、y 的数组。x 数组代表时间(年),y 数组我们随便设置几个取值

    两个库绘制出来结果一致。

    # data
    

    0cca6dc258accf9dc277ad9950d6891e.png
    # use seaborn
    

    a2d58a4fd9cf307b4876a9b48515410b.png

    3. 直方图

    直方图用以查看变量的数值分布。

    在 Matplotlib 中,我们使用 plt.hist(x, bins=10) 函数,其中参数 x 是一维数组,bins 代表直方图中的箱子数量,默认是 10。

    在 Seaborn 中,我们使用 sns.distplot(x, bins=10, kde=True) 函数。其中参数 x 是一维数组,bins 代表直方图中的箱子数量,kde 代表显示核密度估计,默认是 True,我们也可以把 kde 设置为 False,不进行显示。

    核密度估计是通过核函数帮我们来估计概率密度的方法。

    # data
    

    a65551e19160c3fb8e2717c4d2d4f253.png
    # use seaborn
    

    ebd462c438606c2a759cef4edc33ed1a.png

    e657c8e1ff00a66429f642a245a41083.png

    4.条形图

    条形图查看类别特征。

    在条形图中,长条形的长度表示类别的频数,宽度表示类别。

    在 Matplotlib 中,我们使用 plt.bar(x, height) 函数,其中参数 x 代表 x 轴的位置序列,height 是 y 轴的数值序列,也就是柱子的高度。

    在 Seaborn 中,我们使用 sns.barplot(x=None, y=None, data=None) 函数。其中参数 data 为 DataFrame 类型,x、y 是 data 中的变量。

    # data
    

    0a3cdf87f990b8540c4cdbc260a8145a.png
    # use seaborn
    

    df133154f7b1c4dad603986797874c69.png

    5. 箱线图

    箱线图,又称盒式图,它是在 1977 年提出的,由五个数值点组成:最大值 (max)、最小值 (min)、中位数 (median) 和上下四分位数 (Q3, Q1)。

    它可以帮我们分析出数据的差异性、离散程度和异常值等。

    在 Matplotlib 中,我们使用 plt.boxplot(x, labels=None) 函数,其中参数 x 代表要绘制箱线图的数据,labels 是缺省值,可以为箱线图添加标签。

    在 Seaborn 中,我们使用 sns.boxplot(x=None, y=None, data=None) 函数。其中参数 data 为 DataFrame 类型,x、y 是 data 中的变量。

    # data:10*4维度
    

    67c5544171430055d25f321e4ed7aa2b.png
    # use seaborn
    

    35ecf26e566b94d79d7ecf0b0ade4b08.png

    6.饼图

    饼图是常用的统计学模块,可以显示每个部分大小与总和之间的比例。

    在 Python 数据可视化中,它用的不算多。

    我们主要采用 Matplotlib 的 pie 函数实现它。在 Matplotlib 中,我们使用 plt.pie(x, labels=None) 函数,其中参数 x 代表要绘制饼图的数据,labels 是缺省值,可以为饼图添加标签。

    # data
    

    d1af5d5b78db7d085b13a3485bdccd50.png

    7.热力图

    热力图,英文叫 heat map,是一种矩阵表示方法,其中矩阵中的元素值用颜色来代表,不同的颜色代表不同大小的值。

    通过颜色就能直观地知道某个位置上数值的大小。另外你也可以将这个位置上的颜色,与数据集中的其他位置颜色进行比较。

    热力图是一种非常直观的多元变量分析方法。

    我们一般使用 Seaborn 中的 sns.heatmap(data) 函数,其中 data 代表需要绘制的热力图数据。

    # data
    
    monthAprilAugustDecemberFebruaryJanuaryJulyJuneMarchMayNovemberOctoberSeptemberyear
    # use seaborn
    

    2941a454b8ec761649786058908aa5d8.png

    8.蜘蛛图/雷达图

    蜘蛛图是一种显示一对多关系的方法。在蜘蛛图中,一个变量相对于另一个变量的显著性是清晰可见的。

    假设我们想要给王者荣耀的玩家做一个战力图,指标一共包括推进、KDA、生存、团战、发育和输出。那该如何做呢?

    这里我们需要使用 Matplotlib 来进行画图,首先设置两个数组:labels 和 stats。

    他们分别保存了这些属性的名称和属性值。

    因为蜘蛛图是一个圆形,你需要计算每个坐标的角度,然后对这些数值进行设置。

    当画完最后一个点后,需要与第一个点进行连线。

    因为需要计算角度,所以我们要准备 angles 数组;又因为需要设定统计结果的数值,所以我们要设定 stats 数组。并且需要在原有 angles 和 stats 数组上增加一位,也就是添加数组的第一个元素。

    from 

    f9cb3c60a0b949b5f45c3855c0d611a7.png

    9.二元变量分布

    如果我们想要看两个变量之间的关系,就需要用到二元变量分布。

    当然二元变量分布有多种呈现方式,开头给你介绍的散点图就是一种二元变量分布。

    在 Seaborn 里,使用二元变量分布是非常方便的,直接使用 sns.jointplot(x, y, data=None, kind) 函数即可。

    其中用 kind 表示不同的视图类型:“kind=‘scatter’”代表散点图,“kind=‘kde’”代表核密度图,“kind=‘hex’ ”代表 Hexbin 图,它代表的是直方图的二维模拟。

    这里我们使用 Seaborn 中自带的数据集 tips,这个数据集记录了不同顾客在餐厅的消费账单及小费情况。

    代码中 total_bill 保存了客户的账单金额,tip 是该客户给出的小费金额。

    我们可以用 Seaborn 中的 jointplot 来探索这两个变量之间的关系。

    # data
    
    total_billtipsexsmokerdaytimesize
    # 用Seaborn画二元变量分布图(散点图,核密度图,Hexbin图)
    

    f512c77da715feef6cea9b55ad842016.png

    cdb8d8b872a3f4912ab3719f22eefa89.png

    e588469161c7fd9df929648f65fcf8c6.png

    10.成对关系

    如果想要探索数据集中的多个成对双变量的分布,可以直接采用 sns.pairplot() 函数。

    它会同时展示出 DataFrame 中每对变量的关系,另外在对角线上,你能看到每个变量自身作为单变量的分布情况。

    它可以说是探索性分析中的常用函数,可以很快帮我们理解变量对之间的关系

    pairplot 函数的使用,就像在 DataFrame 中使用 describe() 函数一样方便,是数据探索中的常用函数。

    # data
    
    sepal_lengthsepal_widthpetal_lengthpetal_widthspecies
    # use seaborn
    

    31f7433b99a227b0bb5722b115b9222d.png

    二.可视化库一览

    1.seaborn

    官网:http://seaborn.pydata.org/

    github:https://github.com/mwaskom/seaborn

    Seaborn是基于matplotlib的Python数据可视化库。它提供了一个高级界面,用于绘制引人入胜且内容丰富的统计图形。

    类似于:pandas比之numpy。

    案例:

    http://seaborn.pydata.org/examples/index.html

    以下是相关绘制的api。

    • 关系:API | 讲解
    • 分类:API | 讲解
    • 分布:API | 讲解
    • 回归:API | 讲解
    • 倍数:API | 讲解
    • 样式:API | 讲解
    • 颜色:API | 讲解

    2.matplot

    官网:https://matplotlib.org/

    3.scipy

    官网:https://www.scipy.org/

    4.plotly

    官网:https://plotly.com/

    python-doc:https://github.com/plotly/plotly.py/tree/doc-prod/doc

    展开全文
  • 概况: 1、pymysql连接数据库 ...5、获取饼图,先pd.value_counts对关键列表计数去重,得到新的表格后, 获取index作为标签 获取列data作为数据index=result.index.tolist() data=result.data.tolist() matplotli..
  • 百度AIStudio绘制饼图,雷达图以及使用中文字体 今天又是使用百度AIstudio进行实验的一天,不得不说我实在太喜欢百度AIstudio的界面了,我最喜欢它分块的设计,就一个个代码片看着就很舒服。 但是它有一个非常不友好...
  • import seaborn as sns ''' figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True) num:图像编号或名称,数字为编号 ,字符串为名称 figsize:指定figure的宽和高,单位为英寸
  • columns=lables) sns.boxplot(data=df) plt.show() 图形如下 饼图 饼图是我们常见的一种图,能够显示每个模块的占比,但是如果占比相差不大时可能会不明显 这里就直接使用Matplotlib,plt.pie(x,labels=None) #准备...
  • import seaborn as sns 读入数据 df=pd.read_csv("./data/HR.csv") 输出时会发现列显示不完全,中间有省略号代替,如下图所示: 此时我们并不能掌握这个数据中到底包含什么,所以我们要让中间的列显示完全,向
  • using the squarify package (inspired by a post on how to do treemaps): import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import seaborn as sns # ...
  • using the squarify package (inspired by a post on how to do treemaps): import numpy as np import pandas as pd import matplotlib as mpl import matplotlib.pyplot as plt import seaborn as sns # ...
  • 饼图 Pie需要的数据格式: [[x1,y1],[x2,y2],[x3,y3]]或[(x1,y1),(x2,y2)] x_data = ['直接访问','营销推广','博客推广','搜索引擎'] y_data = [830,214,300,1100] data_pair = list(zip(x_data,y_data)) ...
  • spend_company").mean() sns.pointplot(x="time_spend_company",y="left",data=df) #sns.pointplot(sub_df.index,sub_df["left"]) plt.show() 饼图 #饼图 lbs=df["department"].value_counts().index explodes=[0.1 ...
  • 本文要绘制的图形以及如何使用这些图形:散点图、折线图、直方图、条形图、箱线图、饼图、热力图、蜘蛛图、二元变量分布和成对关系。 用R绘图 软件:w10版Rstudio 条形图通过垂直的或水平的条形展示了类别...
  • sns:直方图和密度图、散点图和散点矩阵 df/s.plot()参数 df = pd.read_csv() Series.boxplot() df.plot( 【数据/图类型】: x='col1',y='col2'指定xy,也可以不用 kind='', 无kind则默认折线图 logy, y轴上...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,068
精华内容 427
关键字:

sns饼图