Python数据可视化之条形图和热力图_python热力图有年份,分类和数字

Python数据可视化之条形图和热力图

提示：介绍
简单介绍Pthon可视化的图表使用

---

提示：热力图和条形图

---

前言

提示：这里可以添加本文要记录的大概内容：

与往常一样，我们首先设置编码环境。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、导入数据包

import pandas as pd
pd.plotting.register_matplotlib_converters()
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
print("Setup Complete")
1
2
3
4
5
6

设置完成

二、选择数据集

在本教程中，我们将使用美国交通部跟踪航班延误的数据集。

在 Excel 中打开此 CSV 文件会显示每个月的行（其中 1 = 一月，2 = 二月等）和每个航空公司代码的一列。

每个条目显示不同航空公司和月份（均为 2015 年）的平均到达延迟（以分钟为单位）。 负条目表示（平均）倾向于提前到达的航班。 例如，美国航空公司 1 月份的平均航班（航空公司代码：AA）大约晚点 7 分钟，而阿拉斯加航空公司 4 月份的平均航班（航空公司代码：AS）大约提前 3 分钟到达。

2.加载数据

和以前一样，我们使用 pd.read_csv 命令加载数据集。

# Path of the file to read
flight_filepath = "../input/flight_delays.csv"

# Read the file into a variable flight_data
flight_data = pd.read_csv(flight_filepath, index_col="Month")
1
2
3
4
5

您可能会注意到代码比我们在上一个教程中使用的代码略短。 在这种情况下，由于行标签（来自“月份”列）与日期不对应，所以我们不在括号中添加 parse_dates=True。 但是，我们像以前一样保留前两段文本，以提供两者：

数据集的文件路径（在本例中为 flight_filepath），以及
将用于索引行的列的名称（在本例中，index_col=“Month”）。

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())
1
2
3

检查数据¶
由于数据集很小，我们可以很容易地打印出它的所有内容。 这是通过编写仅包含数据集名称的一行代码来完成的

# Print the data
flight_data
1
2

条形图
假设我们要创建一个条形图，按月显示 Spirit Airlines（航空公司代码：NK）航班的平均到达延误时间。

# Set the width and height of the figure
plt.figure(figsize=(10,6))

# Add title
plt.title("Average Arrival Delay for Spirit Airlines Flights, by Month")

# Bar chart showing average arrival delay for Spirit Airlines flights by month
sns.barplot(x=flight_data.index, y=flight_data['NK'])

# Add label for vertical axis
plt.ylabel("Arrival delay (in minutes)")
1
2
3
4
5
6
7
8
9
10
11

用于自定义文本（标题和垂直轴标签）和图形大小的命令与之前的教程相似。 创建条形图的代码是新的：

# Bar chart showing average arrival delay for Spirit Airlines flights by month
sns.barplot(x=flight_data.index, y=flight_data['NK'])
1
2

它包含三个主要组件：

sns.barplot - 这告诉笔记本我们要创建一个条形图。
请记住，sns 指的是 seaborn 包，您在本课程中用于创建图表的所有命令都将以此前缀开头。
x=flight_data.index - 这决定了在水平轴上使用什么。 在这种情况下，我们选择了索引行的列（在这种情况下，包含月份的列）。
y=flight_data[‘NK’] - 这会设置数据中用于确定每个条形高度的列。 在这种情况下，我们选择“NK”列。
重要说明：您必须使用 flight_data.index 选择索引列，并且不能使用 flight_data[‘Month’]（这将返回错误）。 这是因为当我们加载数据集时，“月份”列用于索引行。 我们总是必须使用这种特殊的符号来选择索引列。

热图
我们还有另一种绘图类型需要了解：热图！

在下面的代码单元中，我们创建了一个热图来快速可视化 flight_data 中的模式。 每个单元格都根据其对应的值进行颜色编码。

# Set the width and height of the figure
plt.figure(figsize=(14,7))

# Add title
plt.title("Average Arrival Delay for Each Airline, by Month")

# Heatmap showing average arrival delay for each airline by month
sns.heatmap(data=flight_data, annot=True)

# Add label for horizontal axis
plt.xlabel("Airline")
1
2
3
4
5
6
7
8
9
10
11

#创建热图的相关代码如下
# Heatmap showing average arrival delay for each airline by month
sns.heatmap(data=flight_data, annot=True)
1
2
3

此代码包含三个主要组件：

sns.heatmap - 这告诉笔记本我们想要创建一个热图。
data=flight_data - 这告诉笔记本使用 flight_data 中的所有条目来创建热图。
annot=True - 这确保每个单元格的值都出现在图表上。 （忽略它会删除每个单元格中的数字！）
您可以在表中检测到哪些模式？ 例如，如果你仔细观察，年底前的月份（尤其是 9-11 月份）对所有航空公司来说都显得相对黑暗。 这表明航空公司在这几个月里（平均而言）更善于保持航班时刻表！

总结

提示：总结：

以上就是今天要讲的内容，本文仅仅简单介绍了条形图个热力图的使用