当前位置: 首页 > news >正文

学习笔记(32):matplotlib绘制简单图表-数据分布图

学习笔记(32):matplotlib绘制简单图表-数据分布图

1、引用

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

这部分是导入必要的库:

  • seaborn 提供高级数据可视化功能
  • pandas 用于数据处理
  • matplotlib.pyplot 提供基础绘图功能

2、导入数据和创建图

2.1、导入数据

data = pd.read_csv('../../data/data.csv')

使用 pandas 读取 CSV 文件并将数据存储在data变量中。文件路径../../data/data.csv表示向上两级目录后进入 data 文件夹读取 data.csv 文件。

data.csv

name,age,score
Alice,12,66
lisa,15,88
helen,18,78
alisa,12,96
jerry,20,55
Bob,25,70
sally,18,85

2.2、单变量分布

# 单变量分布(直方图+核密度估计)
sns.histplot(data['age'], kde=True)
plt.title('Distribution of age')
plt.xlabel('Age')
plt.ylabel('Density')  # 对于带KDE的直方图
plt.show()

  1. sns.histplot(data['age'], kde=True) - 使用 seaborn 绘制 age 列的直方图,并启用核密度估计 (KDE)
  2. plt.title('Distribution of age') - 设置图表标题
  3. plt.xlabel('Age') 和 plt.ylabel('Density') - 设置坐标轴标签
  4. plt.show() - 显示图表

2.3、多变量联合分布可视化:

# 多变量联合分布
g = sns.jointplot(x='age', y='score', data=data, kind='scatter')
g.fig.suptitle('Age vs Score')  # 添加联合分布图的标题
plt.subplots_adjust(top=0.9)    # 调整标题位置
plt.show()

  1. sns.jointplot(...) - 创建一个联合分布图,展示 age 和 score 两列之间的关系
    • x='age' 和 y='score' - 指定要绘制的两个变量
    • data=data - 指定数据源
    • kind='scatter' - 指定散点图类型

           这段代码类似:sns.jointplot(x=data['age'], y=data['score'], kind='scatter')

  1. g.fig.suptitle('Age vs Score') - 设置整个联合分布图的标题
  2. plt.subplots_adjust(top=0.9) - 调整图表布局,为标题腾出空间
  3. plt.show() - 显示图表

2.4、总结

这段代码通过 seaborn 库实现了两种常见的数据可视化:

  1. 单变量分析 - 展示 age 列的分布情况,使用直方图和核密度估计曲线
  2. 双变量分析 - 展示 age 和 score 之间的关系,使用散点图

这两种可视化方式可以帮助数据分析师快速了解数据的分布特征和变量间的关系。

3、代码和执行结果

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as pltdata = pd.read_csv('../../data/data.csv')# 单变量分布(直方图+核密度估计)
sns.histplot(data['age'], kde=True)
plt.title('Distribution of age')
plt.xlabel('Age')
plt.ylabel('Density')  # 对于带KDE的直方图
plt.show()# 多变量联合分布
g=sns.jointplot(x='age', y='score', data=data, kind='scatter')
g.fig.suptitle('Age vs Score')  # 添加联合分布图的标题
plt.subplots_adjust(top=0.9)    # 调整标题位置
plt.show()

执行结果:

图一:

图二:

http://www.dtcms.com/a/272605.html

相关文章:

  • 入门级别的Transformer模型介绍
  • Rust中Option和Result详解
  • 微调性能赶不上提示工程怎么办?Can Gradient Descent Simulate Prompting?——论文阅读笔记
  • Apache Shiro 框架详解
  • 【三维生成】FlashDreamer:基于扩散模型的单目图像到3D场景
  • Express 入门指南(超详细教程)
  • 机器学习之逻辑回归和k-means算法(六)
  • 32多串300A保护板测试仪:新能源电池安全的核心守护者
  • 生成式人工智能实战 | 自注意力生成对抗网络(Self-Attention Generative Adversarial Network, SAGAN)
  • 深入理解fork():系统调用创建进程的原理与实践
  • 项目部署:nginx的安装和配置
  • 利用Pandas进行条件替换与向前填充
  • Linux中的命令连接符
  • Layui —— select
  • 图解Java数据容器(三):Queue
  • CAS登录工作流程简述
  • 【前端】【Echarts】ECharts 词云图(WordCloud)教学详解
  • Prompt提示词的主要类型和核心原则
  • 在vscode中和obsidian中使用Mermaid
  • Spring AI Alibaba(2)——通过Graph实现工作流
  • Flutter 与 Android 的互通几种方式
  • Linux 中 sed 命令
  • RedisJSON 路径语法深度解析与实战
  • Spring Boot + Javacv-platform:解锁音视频处理的多元场景
  • 【TCP/IP】12. 文件传输协议
  • MySQL索引操作全指南:创建、查看、优化
  • Debian-10编译安装Mysql-5.7.44 笔记250706
  • macOS 上安装 Miniconda + Conda-Forge
  • Jekyll + Chirpy + GitHub Pages 搭建博客
  • 如何使用Java WebSocket API实现客户端和服务器端的通信?