以下是整理后的内容，方便查阅：

地图、华夫饼、词云和 Seaborn

1. Folium（地图）

2. PyWaffle（华夫饼图）

3. 词云（WordCloud）

4. Seaborn（数据可视化）

使用 Python 进行数据可视化

使用 Pandas 进行 Matplotlib 绘图

直接使用 Matplotlib 进行绘图

这样整理后，内容更清晰，查找更方便！🚀

Matplotlib 子图（Subplots）解析

子图（Subplots）可以帮助我们在 同一个画布（figure） 上绘制多个不同的图表，方便进行 数据对比 或 展示多个视角 的数据。

1. 什么是 figure 和 subplot

• figure：整个 画布（canvas），包含一个或多个子图。
• subplot：画布上的 单个子图，可以包含不同类型的图表。

在 Matplotlib 中，我们可以使用 plt.subplots() 来创建多个子图：

1

fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))

• nrows=1, ncols=2：表示 创建 1 行 2 列的子图（即两个并排的图）。
• figsize=(12, 6)：设置 整体画布大小。

2. 子图示例

我们以 中国（China）和印度（India）的移民数据 为例，绘制：

1. 箱线图（Boxplot）
2. 折线图（Line plot）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

import matplotlib.pyplot as plt

# 创建画布，1 行 2 列的子图
fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))

# 绘制箱线图（左侧子图）
df[['China', 'India']].plot(kind='box', ax=axes[0], color='blue')
axes[0].set_title('Box plot of China & India Immigration')

# 绘制折线图（右侧子图）
df[['China', 'India']].plot(kind='line', ax=axes[1])
axes[1].set_title('Line plot of China & India Immigration')

# 调整布局，使图表不重叠
plt.tight_layout()

# 显示图表
plt.show()

3. 代码解析

(1) 创建 1 行 2 列的子图

1

fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(12, 6))

• nrows=1, ncols=2：创建 一行两列 的子图布局。
• figsize=(12, 6)：设置 画布大小。

(2) 绘制箱线图

1
2

df[['China', 'India']].plot(kind='box', ax=axes[0], color='blue')
axes[0].set_title('Box plot of China & India Immigration')

• ax=axes[0]：指定绘制到 第 1 个子图（左侧）。
• set_title()：设置 子图标题。

(3) 绘制折线图

1
2

df[['China', 'India']].plot(kind='line', ax=axes[1])
axes[1].set_title('Line plot of China & India Immigration')

• ax=axes[1]：指定绘制到 第 2 个子图（右侧）。

(4) 调整布局

1

plt.tight_layout()

• 这个函数 自动调整子图的间距，避免重叠。

(5) 显示图表

1

plt.show()

4. 结果

✅ 左侧子图（箱线图）：显示中国和印度移民数量的分布情况。
✅ 右侧子图（折线图）：显示移民数量的变化趋势。
✅ 整体布局清晰、易读，适用于数据对比。

5. 其他子图布局

除了 1x2 的布局，我们还可以使用其他布局：

(1) 2x2 子图

1

fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 8))

这将创建一个 2 行 2 列的网格布局，适合显示 4 个图。

(2) 不规则布局（GridSpec）

如果想要 不同大小的子图，可以用 GridSpec：

1
2
3
4
5
6
7
8

import matplotlib.gridspec as gridspec

fig = plt.figure(figsize=(10, 8))
gs = gridspec.GridSpec(2, 2, height_ratios=[2, 1])

ax1 = plt.subplot(gs[0, :])  # 第 1 行，占满 2 列
ax2 = plt.subplot(gs[1, 0])  # 第 2 行，左侧
ax3 = plt.subplot(gs[1, 1])  # 第 2 行，右侧

• 上方大图，下方两张小图。

总结

• plt.subplots() 可以创建多个子图，便于 数据对比。
• ax=axes[i] 指定不同的子图位置。
• plt.tight_layout() 避免子图重叠。
• GridSpec 适用于 不规则子图布局。

这样，我们可以 高效可视化 数据！ 🎉

每种 kind 类型的 plot() 方法的示例代码，每个示例都展示了一种不同的绘图方式。

1. bar - 垂直柱状图

1
2
3
4
5
6
7
8
9
10

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

data = pd.DataFrame({'Category': ['A', 'B', 'C'], 'Values': [10, 20, 15]})
data.set_index('Category', inplace=True)

data.plot(kind='bar', color='skyblue')
plt.title("Bar Plot")
plt.show()

效果：显示 A、B、C 三个类别的值，以垂直柱状图呈现。

2. barh - 水平柱状图

1
2
3

data.plot(kind='barh', color='green')
plt.title("Horizontal Bar Plot")
plt.show()

效果：与 bar 类似，但方向变为水平。

3. hist - 直方图

1
2
3
4

data_hist = pd.DataFrame({'Values': np.random.randn(1000)})  # 生成 1000 个随机数
data_hist.plot(kind='hist', bins=30, color='purple', alpha=0.7)
plt.title("Histogram")
plt.show()

效果：展示数据分布情况，通常用于查看数据集中值的分布模式。

4. box - 箱型图

1
2
3
4

data_box = pd.DataFrame({'A': np.random.randn(50), 'B': np.random.randn(50) + 2})
data_box.plot(kind='box')
plt.title("Box Plot")
plt.show()

效果：展示数据的四分位数、异常值和中位数情况。

5. kde（或 density）- 核密度估计图

1
2
3
4

data_kde = pd.DataFrame({'Values': np.random.randn(1000)})
data_kde.plot(kind='kde', color='red')
plt.title("KDE Plot")
plt.show()

效果：显示数据的概率密度，适用于观察数据的分布趋势。

6. area - 面积图

1
2
3
4

data_area = pd.DataFrame({'A': np.random.rand(10), 'B': np.random.rand(10)}, index=range(1, 11))
data_area.plot(kind='area', alpha=0.5)
plt.title("Area Plot")
plt.show()

效果：类似折线图，但填充了颜色，适合展示不同系列之间的对比。

7. pie - 饼图

1
2
3
4
5

data_pie = pd.Series([10, 20, 30], index=['A', 'B', 'C'])
data_pie.plot(kind='pie', autopct='%1.1f%%', colors=['blue', 'orange', 'green'])
plt.title("Pie Chart")
plt.ylabel("")  # 隐藏默认的 y 轴标签
plt.show()

效果：显示各部分占比，适用于展示比例关系。

8. scatter - 散点图

1
2
3
4

data_scatter = pd.DataFrame({'X': np.random.rand(50), 'Y': np.random.rand(50)})
data_scatter.plot(kind='scatter', x='X', y='Y', color='blue')
plt.title("Scatter Plot")
plt.show()

效果：用于展示两个变量之间的关系，常见于回归分析。

9. hexbin - 六边形箱图

1
2
3
4

data_hexbin = pd.DataFrame({'X': np.random.randn(1000), 'Y': np.random.randn(1000)})
data_hexbin.plot(kind='hexbin', x='X', y='Y', gridsize=25, cmap='Blues')
plt.title("Hexbin Plot")
plt.show()

效果：适用于大数据量散点分布，通过颜色深浅显示点的密度。

这些示例涵盖了 pandas 支持的各种常见图表类型，具体选择哪种取决于数据特点和分析需求。

Matplotlib 提供的所有可用样式（style）及其特点介绍：

1. 经典风格

• classic：Matplotlib 旧版的默认风格，颜色较淡，线条较细，适合习惯早期 Matplotlib 风格的用户。
• _classic_test_patch：一个用于测试的经典风格，与 classic 类似，主要用于 Matplotlib 内部测试。

2. 现代流行风格

• ggplot：模仿 R 语言的 ggplot2 主题，使用柔和的颜色，带有网格线，适用于数据分析和统计图表。
• fivethirtyeight：模仿 FiveThirtyEight 网站的数据可视化风格，线条较粗，颜色鲜明，背景为浅灰色，适合数据新闻或高对比度展示。
• bmh（Bayesian Methods for Hackers）：
  • 适合统计分析，背景较浅，网格线清晰，线条较粗。
  • 适用于数据科学、统计建模和机器学习可视化。
• fast：
  • 牺牲部分视觉效果，提升渲染速度，适用于大规模数据集的快速可视化。

3. 深色主题

• dark_background：
  • 黑色背景，适合夜间模式或需要高对比度的可视化展示。
  • 适用于投影仪演示或屏幕展示。
• seaborn-v0_8-dark：
  • Seaborn 主题，深色背景，适合夜间模式的可视化。
• seaborn-v0_8-dark-palette：
  • 深色背景，搭配 Seaborn 颜色方案，颜色较丰富，适合数据展示。
• seaborn-v0_8-darkgrid：
  • 深色背景 + 网格线，适用于数据趋势分析。

4. 浅色主题

• seaborn-v0_8-white：
  • 纯白背景，无网格线，适合简洁风格。
• seaborn-v0_8-whitegrid：
  • 白色背景，带网格线，适合统计数据可视化。

5. 论文、报告风格

• seaborn-v0_8-paper：
  • 适用于学术论文格式，配色简洁，适合黑白打印。
• seaborn-v0_8-notebook：
  • 适用于 Jupyter Notebook 环境，可读性强。
• seaborn-v0_8-poster：
  • 适用于海报或大屏幕展示，字号较大，线条较粗。
• seaborn-v0_8-talk：
  • 适用于演讲或 PPT 展示，增强了对比度和字体大小。

6. 适合出版或色盲友好的风格

• grayscale：
  • 所有颜色变成灰阶，适合黑白打印或研究色彩对比。
• tableau-colorblind10：
  • 适用于色盲用户的 Tableau 颜色方案，提高可读性。

7. Seaborn 主题系列

这些风格都属于 Seaborn 主题，可用于增强 Matplotlib 的可视化美观性：

• seaborn-v0_8（默认 Seaborn 主题）。
• seaborn-v0_8-bright（明亮色彩）。
• seaborn-v0_8-colorblind（色盲友好）。
• seaborn-v0_8-deep（更深的颜色）。
• seaborn-v0_8-muted（柔和色调）。
• seaborn-v0_8-pastel（淡色）。
• seaborn-v0_8-ticks（适用于带刻度的图表）。

示例：对比不同风格

你可以使用以下代码来快速查看不同风格的效果：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import matplotlib.pyplot as plt
import numpy as np

x = np.linspace(0, 10, 100)
y = np.sin(x)

styles = ['ggplot', 'fivethirtyeight', 'seaborn-v0_8-darkgrid', 'dark_background']

for style in styles:
    plt.style.use(style)
    plt.figure()
    plt.plot(x, y, label=f"Style: {style}")
    plt.legend()
    plt.title(f"Matplotlib Style: {style}")
    plt.show()