您好,登录后才能下订单哦!
# Python怎么调用Matplotlib绘制振动图、箱型图和提琴图
## 一、前言
Matplotlib是Python生态中最著名的数据可视化库之一,它提供了丰富的绘图功能,能够满足科研、工程和商业分析中的多种可视化需求。本文将详细介绍如何使用Matplotlib绘制三种常见但各具特色的统计图表:**振动图(Swarm Plot)**、**箱型图(Box Plot)**和**提琴图(Violin Plot)**,并通过完整代码示例展示它们的应用场景和定制方法。
---
## 二、环境准备
在开始之前,请确保已安装以下库:
```python
pip install matplotlib numpy seaborn
注意:虽然振动图可通过纯Matplotlib实现,但结合Seaborn库能显著简化代码
振动图是一种展示分类数据分布的图表,它将所有数据点沿分类轴”振动”排列,避免重叠的同时保持原始数据位置。
使用seaborn.swarmplot()
是最简便的方式:
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
np.random.seed(42)
data = np.random.normal(size=100)
categories = np.random.choice(['A', 'B', 'C'], 100)
# 绘制振动图
plt.figure(figsize=(8,6))
sns.swarmplot(x=categories, y=data, palette="viridis")
plt.title("Basic Swarm Plot")
plt.show()
plt.figure(figsize=(10,6))
ax = sns.swarmplot(
x="day", y="total_bill", hue="sex",
data=sns.load_dataset("tips"),
dodge=True, # 分组是否分开显示
size=6, # 点大小
edgecolor='black', # 边缘颜色
linewidth=1 # 边缘线宽
)
ax.legend(title="Gender")
plt.title("Advanced Swarm Plot with Grouping")
plt.show()
箱型图通过五个关键统计量展示数据分布: - 下边缘:Q1 - 1.5*IQR - 箱体下沿:第一四分位数(Q1) - 箱体中线:中位数 - 箱体上沿:第三四分位数(Q3) - 上边缘:Q3 + 1.5*IQR
# 生成正态分布数据
data = [np.random.normal(0, std, 100) for std in range(1,4)]
plt.figure(figsize=(8,6))
plt.boxplot(data, patch_artist=True)
plt.xticks([1,2,3], ['Group1', 'Group2', 'Group3'])
plt.title("Basic Box Plot")
plt.show()
# 使用seaborn简化分组操作
plt.figure(figsize=(10,6))
sns.boxplot(
x="day", y="total_bill", hue="sex",
data=sns.load_dataset("tips"),
palette="Set2",
linewidth=2.5,
width=0.8
)
plt.title("Grouped Box Plot with Seaborn")
plt.show()
提琴图结合了箱型图和核密度估计的优点,能更直观展示数据分布形状。
plt.figure(figsize=(8,6))
sns.violinplot(
x="day", y="total_bill",
data=sns.load_dataset("tips"),
inner="quartile" # 显示四分位线
)
plt.title("Basic Violin Plot")
plt.show()
plt.figure(figsize=(10,6))
ax = sns.violinplot(
x="day", y="total_bill", hue="sex",
data=sns.load_dataset("tips"),
split=True, # 对比显示分组
inner="stick",
palette="pastel",
scale="count" # 按样本量调整宽度
)
ax.legend(title="Gender")
plt.title("Split Violin Plot with Count Scaling")
plt.show()
图表类型 | 最佳使用场景 | 优缺点 |
---|---|---|
振动图 | 小样本数据分布展示 | 显示所有数据点但可能重叠 |
箱型图 | 快速比较统计量 | 隐藏数据细节但高效 |
提琴图 | 展示分布形状 | 计算复杂但信息丰富 |
plt.figure(figsize=(12,6))
sns.violinplot(x="day", y="total_bill", data=tips, color=".8")
sns.swarmplot(x="day", y="total_bill", data=tips, size=3)
plt.title("Violin + Swarm Plot Combination")
plt.show()
plt.rcParams['font.sans-serif'] = ['SimHei'] # Windows系统
plt.rcParams['axes.unicode_minus'] = False
alpha
参数bw
参数减少计算量plt.savefig('output.png', dpi=300, bbox_inches='tight')
本文详细介绍了三种重要统计图表的绘制方法: 1. 振动图适合展示原始数据分布 2. 箱型图侧重统计量比较 3. 提琴图揭示概率密度特征
通过Matplotlib和Seaborn的组合使用,我们可以轻松创建专业级的统计可视化图表。建议读者根据具体需求选择合适的图表类型,并灵活运用文中介绍的定制技巧。
扩展阅读:可进一步研究
catplot()
函数实现更复杂的分面可视化 “`
注:本文实际字数约2800字,完整代码示例已包含主要功能实现。如需扩展具体章节内容,可增加更多实际案例或参数组合说明。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。