Python数据可视化科技图表绘制系列教程（六）-北京尧图网络

目录散点图1散点图2添加线性回归线的散点图自定义点形状的散点图不同样式的散点图抖动散点图边际图边缘为直方图的边际图边缘为箱线图的边际图曼哈顿图【声明】未经版权人书面许可任何单位或个人不得以任何形式复制、发行、出租、改编、汇编、传播、展示或利用本博客的全部或部分内容也不得在未经版权人授权的情况下将本博客用于任何商业目的。但版权人允许个人学习、研究、欣赏等非商业性用途的复制和传播。非常推荐大家学习《Python数据可视化科技图表绘制》这本书籍。散点图1import seaborn as sns # 导入seaborn库并简写为sns import matplotlib.pyplot as plt df sns.load_dataset(iris,data_homeseaborn,cacheTrue) # 加载 iris 数据集 # 绘制散点图 sns.regplot(xdf[sepal_length], ydf[sepal_width]) # 绘制散点图默认进行线性拟合如图所示 sns.regplot(xdf[sepal_length], ydf[sepal_width], fit_regFalse) # 保存图片 plt.savefig(P142散点图1.png, dpi600, bbox_inchestight, transparentTrue) plt.show()散点图1散点图2import pandas as pd import numpy as np import matplotlib.pyplot as plt midwest pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\midwest_filter.csv) # 导入数据集 categories np.unique(midwest[category]) # 获取数据集中的唯一类别 # 生成与唯一类别数量相同的颜色 # 使用 matplotlib 的颜色映射函数来生成颜色 colors [plt.cm.tab10(i / float(len(categories) - 1)) for i in range(len(categories))] # 绘制每个类别的图形 # 设置图形的大小、分辨率和背景色 plt.figure(figsize(10, 6), dpi600, facecolorw, edgecolork) # 遍历每个类别并使用 scatter 函数绘制散点图 for i, category in enumerate(categories): # 使用 loc 方法筛选出特定类别的数据并绘制散点图 plt.scatter(area, poptotal, datamidwest.loc[midwest.category category, :], s20, colorcolors[i], labelstr(category)) # 使用 color 参数 # 图形修饰 plt.gca().set(xlim(0.0, 0.1), ylim(0, 90000), xlabelArea, ylabelPopulation) # 设置 x 轴和 y 轴的范围、标签 # 设置 x 轴和 y 轴的刻度字体大小 plt.xticks(fontsize12) plt.yticks(fontsize12) plt.title(Scatterplot , fontsize22) # 设置图形标题 plt.legend(fontsize12) # 添加图例 # 保存图片 plt.savefig(P143散点图2.png, dpi600, bbox_inchestight, transparentTrue) plt.show()散点图2添加线性回归线的散点图import pandas as pd # 导入pandas库并简写为pd import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块并简写为plt import seaborn as sns # 导入seaborn库并简写为sns df sns.load_dataset(iris) # 加载iris数据集 # 绘制散点图并添加红色线性回归线 fig, ax plt.subplots(figsize(8, 6)) # 创建图形和子图对象并设置图形大小 sns.regplot(xdf[sepal_length], ydf[sepal_width], # 绘制散点图指定横纵轴数据 line_kws{color: r}, axax) # 设置线性回归线颜色为红色 # 保存图片 plt.savefig(P144添加线性回归线的散点图_添加红色线性回归线.png, dpi600, bbox_inchestight, transparentTrue) plt.show() # 绘制散点图并添加半透明的红色线性回归线 fig, ax plt.subplots(figsize(8, 6)) # 创建图形和子图对象并设置图形大小 sns.regplot(xdf[sepal_length], ydf[sepal_width], # 绘制散点图指定横纵轴数据 line_kws{color: r, alpha: 0.4}, axax) # 设置线性回归线颜色为红色透明度为0.4 # 保存图片 plt.savefig(P144添加线性回归线的散点图_添加半透明的红色线性回归线.png, dpi600, bbox_inchestight, transparentTrue) plt.show() # 绘制散点图并自定义线性回归线的线宽、线型和颜色 fig, ax plt.subplots(figsize(8, 6)) # 创建图形和子图对象并设置图形大小 sns.regplot(xdf[sepal_length], ydf[sepal_width], # 绘制散点图指定横纵轴数据 line_kws{color: r, alpha: 0.4, lw: 5, ls: --}, axax) # 设置线性回归线的颜色、透明度、线宽和线型 # 保存图片 plt.savefig(P144添加线性回归线的散点图_自定义线性回归线的线宽、线型和颜色.png, dpi600, bbox_inchestight, transparentTrue) plt.show()添加线性回归线的散点图_添加红色线性回归线添加线性回归线的散点图_添加半透明的红色线性回归线添加线性回归线的散点图_自定义线性回归线的线宽、线型和颜色自定义点形状的散点图import pandas as pd # 导入pandas库并简写为pd import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块并简写为plt import seaborn as sns # 导入seaborn库并简写为sns df sns.load_dataset(iris) # 加载iris数据集 fig, ax plt.subplots(figsize(8, 6)) # 创建图形和子图对象并设置图形大小 # 绘制散点图不添加回归线标记形状为 sns.regplot(xdf[sepal_length], ydf[sepal_width], marker, fit_regFalse, axax) # 保存图片 plt.savefig(P146使用标记形状“”.png, dpi600, bbox_inchestight, transparentTrue) plt.show() fig, ax plt.subplots(figsize(8, 6)) # 创建图形和子图对象并设置图形大小 # 绘制散点图不添加回归线设置散点标记颜色为暗红色透明度为0.3标记大小为200 sns.regplot(xdf[sepal_length], ydf[sepal_width], fit_regFalse, scatter_kws{color: darkred, alpha: 0.3, s: 200}, axax) # 保存图片 plt.savefig(P146定义颜色、透明度和大小.png, dpi600, bbox_inchestight, transparentTrue) plt.show()使用标记形状“”定义颜色、透明度和大小不同样式的散点图import seaborn as sns # 导入seaborn库 import matplotlib.pyplot as plt # 导入matplotlib.pyplot库 df sns.load_dataset(iris) # 加载iris数据集 # 使用hue参数提供一个因子变量并绘制散点图 sns.lmplot(xsepal_length, ysepal_width, datadf, fit_regFalse, huespecies, legendFalse) # 将图例移动到图形中的一个空白部分 plt.legend(loclower right) # 保存图片 plt.savefig(P147散点图_着色不同的数据子集.png, dpi600, bbox_inchestight, transparentTrue) plt.show() # 绘制散点图并指定每个数据子集的标记形状 sns.lmplot(xsepal_length, ysepal_width, datadf, fit_regFalse, huespecies, legendFalse, markers[o, x, 1]) # 将图例移动到图形中的一个空白部分 plt.legend(loclower right) # 保存图片 plt.savefig(P147散点图_指定标记形状.png, dpi600, bbox_inchestight, transparentTrue) plt.show() # 使用调色板来着色不同的数据子集 sns.lmplot(xsepal_length, ysepal_width, datadf, fit_regFalse, huespecies, legendFalse, paletteSet2) # 将图例移动到图形中的一个空白部分 plt.legend(loclower right) # 保存图片 plt.savefig(P147散点图_使用了调色板.png, dpi600, bbox_inchestight, transparentTrue) plt.show() # 控制每个数据子集的颜色 sns.lmplot(xsepal_length, ysepal_width, datadf, fit_regFalse, huespecies, legendFalse, palettedict(setosablue, virginicared, versicolorgreen)) # 将图例移动到图形中的一个空白部分 plt.legend(loclower right) # 保存图片 plt.savefig(P147散点图_自定义的调色板.png, dpi600, bbox_inchestight, transparentTrue) plt.show()散点图_着色不同的数据子集散点图_指定标记形状散点图_使用了调色板散点图_自定义的调色板抖动散点图import pandas as pd import seaborn as sns import matplotlib.pyplot as plt df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv) # 导入数据 # 绘制Stripplot fig, ax plt.subplots(figsize(12, 6), dpi80) sns.stripplot(xcty, yhwy, hueclass, datadf, jitter0.25, size6, axax, linewidth.5) # 修饰 plt.title(Use jittered plots to avoid overlapping of points, fontsize22) # 保存图片 plt.savefig(P149抖动散点图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()抖动散点图边际图import seaborn as sns # 导入Seaborn库并简写为sns import matplotlib.pyplot as plt # 导入Matplotlib.pyplot库并简写为plt df sns.load_dataset(iris) # 从Seaborn中加载iris数据集 # 创建带有散点图的边际图 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindscatter) plt.savefig(P150边际图1.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 创建带有六边形图的边际图 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindhex) plt.savefig(P150边际图2.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 创建带有核密度估计图的边际图 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindkde) plt.savefig(P150边际图3.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 自定义联合图中的散点图 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindscatter, s200, colorm, edgecolorskyblue, linewidth2) plt.savefig(P150边际图4.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 自定义颜色 sns.set_theme(stylewhite, color_codesTrue) sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindkde, colorskyblue) plt.savefig(P150边际图5.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 自定义直方图 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindhex, marginal_kwsdict(bins30, fillTrue)) plt.savefig(P150边际图6.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 无间隔 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindkde, colorblue, space0) plt.savefig(P150边际图7.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 大间隔 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindkde, colorblue, space3) plt.savefig(P150边际图8.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图 # 调整边际图比例 sns.jointplot(xdf[sepal_length], ydf[sepal_width], kindkde, ratio2) plt.savefig(P150边际图9.png, dpi600, bbox_inchestight, transparentTrue) plt.close() # 关闭当前图避免影响后续绘图边际图1边际图2边际图3边际图4边际图5边际图6边际图7边际图8边际图9边缘为直方图的边际图import pandas as pd import matplotlib.pyplot as plt df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv) # 导入数据 # 创建图形和网格布局 fig plt.figure(figsize(12, 8), dpi80) grid plt.GridSpec(4, 4, hspace0.5, wspace0.2) # 定义坐标轴 ax_main fig.add_subplot(grid[:-1, :-1]) ax_right fig.add_subplot(grid[:-1, -1], xticklabels[], yticklabels[]) ax_bottom fig.add_subplot(grid[-1, 0:-1], xticklabels[], yticklabels[]) # 主图上的散点图 ax_main.scatter(displ, hwy, sdf.cty * 4, cdf.manufacturer.astype(category).cat.codes, alpha.9, datadf, cmaptab10, edgecolorsgray, linewidths.5) # 右侧的直方图 ax_bottom.hist(df.displ, 40, histtypestepfilled, orientationvertical, colorblue, alpha0.8) ax_bottom.invert_yaxis() # 底部的直方图 ax_right.hist(df.hwy, 40, histtypestepfilled, orientationhorizontal, colorblue, alpha0.8) # 图形修饰 ax_main.set(titleScatterplot with Histograms \n displ vs hwy, xlabeldispl, ylabelhwy) ax_main.title.set_fontsize(20) for item in ([ax_main.xaxis.label, ax_main.yaxis.label] ax_main.get_xticklabels() ax_main.get_yticklabels()): item.set_fontsize(14) # 获取当前的刻度位置并设置 xlabels ax_main.get_xticks().tolist() ax_main.set_xticks(xlabels) ax_main.set_xticklabels(xlabels) # 保存图片 plt.savefig(P152边缘为直方图的边际图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()边缘为直方图的边际图边缘为箱线图的边际图import pandas as pd import seaborn as sns import matplotlib.pyplot as plt df pd.read_csv(rE:\PythonProjects\experiments_figures\绘图案例数据\mpg_ggplot2.csv) # 导入数据 # 创建图形和网格布局 fig plt.figure(figsize(12, 8), dpi80) grid plt.GridSpec(4, 4, hspace0.5, wspace0.2) # 定义坐标轴 ax_main fig.add_subplot(grid[:-1, :-1]) # 主图的位置 ax_right fig.add_subplot(grid[:-1, -1], xticklabels[], yticklabels[]) # 右侧箱线图的位置 ax_bottom fig.add_subplot(grid[-1, 0:-1], xticklabels[], yticklabels[]) # 底部箱线图的位置 # 主图上的散点图 ax_main.scatter(displ, hwy, sdf.cty * 5, cdf.manufacturer.astype(category).cat.codes, # 根据制造商进行着色 alpha.8, datadf, cmapSet1, edgecolorsblack, linewidths.5) sns.boxplot(df.hwy, axax_right, orientv) # 在右侧添加箱线图 sns.boxplot(df.displ, axax_bottom, orienth) # 在底部添加箱线图 # 图形修饰 ax_bottom.set(xlabel) # 移除箱线图的x轴名称 ax_right.set(ylabel) # 移除箱线图的y轴名称 # 主标题、X轴和Y轴标签 ax_main.set(titleScatterplot with Histograms \n displ vs hwy, xlabeldispl, ylabelhwy) # 设置字体大小 ax_main.title.set_fontsize(20) # 设置主标题的字体大小 for item in ([ax_main.xaxis.label, ax_main.yaxis.label] ax_main.get_xticklabels() ax_main.get_yticklabels()): item.set_fontsize(14) # 设置其他组件的字体大小 # 保存图片 plt.savefig(P154边缘为箱线图的边际图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()边缘为箱线图的边际图曼哈顿图from pandas import DataFrame # 导入DataFrame模块 from scipy.stats import uniform # 从scipy.stats模块导入uniform分布 from scipy.stats import randint # 从scipy.stats模块导入randint分布 import numpy as np # 导入numpy库并简称为np import matplotlib.pyplot as plt # 导入matplotlib.pyplot模块并简称为plt # 生成样本数据 df DataFrame({gene: [gene-%i % i for i in np.arange(10000)], # 创建基因名字的序列 pvalue: uniform.rvs(size10000), # 生成服从均匀分布的p值数据 chromosome: [ch-%i % i for i in randint.rvs(0, 12, size10000)]}) # 生成随机的染色体编号 # 计算-log10(pvalue) df[minuslog10pvalue] -np.log10(df.pvalue) # 计算-p值的负对数用于曼哈顿图的纵轴 df.chromosome df.chromosome.astype(category) # 将染色体列转换为分类类型 df.chromosome df.chromosome.cat.set_categories( [ch-%i % i for i in range(12)], orderedTrue) # 对染色体进行排序 df df.sort_values(chromosome) # 根据染色体排序 # 准备绘制曼哈顿图 df[ind] range(len(df)) # 为数据集添加索引列 df_grouped df.groupby((chromosome), observedFalse) # 按染色体分组 # 绘制曼哈顿图 fig plt.figure(figsize(14, 8)) # 设置图形大小 ax fig.add_subplot(111) # 添加子图 colors [darkred, darkgreen, darkblue, gold] # 定义颜色列表 x_labels [] # 初始化x轴标签列表 x_labels_pos [] # 初始化x轴标签位置列表 for num, (name, group) in enumerate(df_grouped): # 遍历分组后的数据 group.plot(kindscatter, xind, yminuslog10pvalue, colorcolors[num % len(colors)], axax) # 绘制散点图并按染色体着色 x_labels.append(name) # 添加染色体名到标签列表 x_labels_pos.append((group[ind].iloc[-1] - (group[ind].iloc[-1] - group[ind].iloc[0]) / 2)) # 添加染色体标签的位置 ax.set_xticks(x_labels_pos) # 设置x轴刻度位置 ax.set_xticklabels(x_labels) # 设置x轴刻度标签 ax.set_xlim([0, len(df)]) # 设置x轴范围 ax.set_ylim([0, 3.5]) # 设置y轴范围 ax.set_xlabel(Chromosome) # 设置x轴标签 # 保存图片 plt.savefig(P159曼哈顿图.png, dpi600, bbox_inchestight, transparentTrue) plt.show()曼哈顿图

Python数据可视化科技图表绘制系列教程（六）

相关推荐

WAF测试实战手记：被绕过的那个深夜，我总结出这份避坑清单

从踩坑到一键揪出C/C++漏洞：semgrep-rules漏洞研究实战指南

让喜欢的角色住进桌面：DyberPet 桌宠框架三分钟上手

更多资讯

Livenerf: Has Opus 5.5 been nerfed yet?

2027年新疆职业院校技能大赛（高职组）移动应用设计与开发赛项样题

后台管理静态模板：HTML+CSS+原生JS搭建与避坑指南

继电器与接触器：从原理到选型，避开电气控制中的那些坑

SAVD空间自适应校正：VR视觉误差的硬核工程解法

校园线上超市小程序源码拆解：从业务模型到二次开发实践

今日更新

PHP htmlentities()函数用法讲解

AI Agent工程实战：从七要素到七个决策点的系统设计指南

AI入局芯片设计验证：验证收敛50倍加速的真相与应对

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？