大家好，我是小F～
数据可视化是数据科学中关键的一步。
在以图形方式表现某些数据时，Python能够提供很大的帮助。
不过有些小伙伴也会遇到不少问题，比如选择何种图表，以及如何制作，代码如何编写，这些都是问题！
今天给大家介绍一个Python图表大全，40个种类，总计约400个示例图表。
分为7个大系列，分布、关系、排行、局部整体、时间序列、地理空间、流程。
文档地址
GitHub地址
给大家提供了示例及代码，几分钟内就能构建一个你所需要的图表。
下面就给大家介绍一下～
01. 小提琴图
小提琴图可以将一组或多组数据的数值变量分布可视化。
相比有时会隐藏数据特征的箱形图相比，小提琴图值得更多关注。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.violinplot(x=df["species"], y=df["sepal_length"])plt.show()使用Seaborn的violinplot()进行绘制，结果如下。
02. 核密度估计图
核密度估计图其实是对直方图的一个自然拓展。
可以可视化一个或多个组的数值变量的分布，非常适合大型数据集。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.kdeplot(df['sepal_width'])plt.show()使用Seaborn的kdeplot()进行绘制，结果如下。
03. 直方图
直方图，可视化一组或多组数据的分布情况。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.distplot(a=df["sepal_length"], hist=True, kde=False, rug=False)plt.show()使用Seaborn的distplot()进行绘制，结果如下。
04. 箱形图
箱形图，可视化一组或多组数据的分布情况。
可以快速获得中位数、四分位数和异常值，但也隐藏数据集的各个数据点。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.boxplot(x=df["species"], y=df["sepal_length"])plt.show()使用Seaborn的boxplot()进行绘制，结果如下。
05. 山脊线图
山脊线图，总结几组数据的分布情况。
每个组都表示为一个密度图，每个密度图相互重叠以更有效地利用空间。
import plotly.graph_objects as goimport numpy as npimport pandas as pd# 读取数据temp = pd.read_csv('2016-weather-data-seattle.csv')# 数据处理, 时间格式转换temp['year'] = pd.to_datetime(temp['Date']).dt.year# 选择几年的数据展示即可year_list = [1950, 1960, 1970, 1980, 1990, 2000, 2010]temp = temp[temp['year'].isin(year_list)]# 绘制每年的直方图，以年和平均温度分组，并使用'count'函数进行汇总temp = temp.groupby(['year', 'Mean_TemperatureC']).agg({'Mean_TemperatureC': 'count'}).rename(columns={'Mean_TemperatureC': 'count'}).reset_index()# 使用Plotly绘制脊线图，每个轨迹对应于特定年份的温度分布# 将每年的数据(温度和它们各自的计数)存储在单独的数组，并将其存储在字典中以方便检索array_dict = {}for year in year_list: # 每年平均温度 array_dict[f'x_{year}'] = temp[temp['year'] == year]['Mean_TemperatureC'] # 每年温度计数 array_dict[f'y_{year}'] = temp[temp['year'] == year]['count'] array_dict[f'y_{year}'] = (array_dict[f'y_{year}'] - array_dict[f'y_{year}'].min()) \ / (array_dict[f'y_{year}'].max() - array_dict[f'y_{year}'].min())# 创建一个图像对象fig = go.Figure()for index, year in enumerate(year_list): # 使用add_trace()绘制轨迹 fig.add_trace(go.Scatter( x=[-20, 40], y=np.full(2, len(year_list) - index), mode='lines', line_color='white')) fig.add_trace(go.Scatter( x=array_dict[f'x_{year}'], y=array_dict[f'y_{year}'] + (len(year_list) - index) + 0.4, fill='tonexty', name=f'{year}')) # 添加文本 fig.add_annotation( x=-20, y=len(year_list) - index, text=f'{year}', showarrow=False, yshift=10)# 添加标题、图例、xy轴参数fig.update_layout( title='1950年～2010年西雅图平均温度', showlegend=False, xaxis=dict(title='单位: 摄氏度'), yaxis=dict(showticklabels=False))# 跳转网页显示fig.show()Seaborn没有专门的函数来绘制山脊线图，可以多次调用kdeplot()来制作。
结果如下。
06. 散点图
散点图，显示2个数值变量之间的关系。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.regplot(x=df["sepal_length"], y=df["sepal_width"])plt.show()使用Seaborn的regplot()进行绘制，结果如下。
07. 矩形热力图
矩形热力图，矩阵中的每个值都被表示为一个颜色数据。
import seaborn as snsimport pandas as pdimport numpy as np# Create a datasetdf = pd.DataFrame(np.random.random((5,5)), columns=["a","b","c","d","e"])# Default heatmapp1 = sns.heatmap(df)使用Seaborn的heatmap()进行绘制，结果如下。
08. 相关性图
相关性图或相关矩阵图，分析每对数据变量之间的关系。
相关性可视化为散点图，对角线用直方图或密度图表示每个变量的分布。
import seaborn as snsimport matplotlib.pyplot as plt# 加载数据df = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 绘图显示sns.pairplot(df)plt.show()使用Seaborn的pairplot()进行绘制，结果如下。
09. 气泡图
气泡图其实就是一个散点图，其中圆圈大小被映射到第三数值变量的值。
import matplotlib.pyplot as pltimport seaborn as snsfrom gapminder import gapminder# 导入数据data = gapminder.loc[gapminder.year == 2007]# 使用scatterplot创建气泡图sns.scatterplot(data=data, x="gdpPercap", y="lifeExp", size="pop", legend=False, sizes=(20, 2000))# 显示plt.show()使用Seaborn的scatterplot()进行绘制，结果如下。
10. 连接散点图
连接散点图就是一个线图，其中每个数据点由圆形或任何类型的标记展示。
import matplotlib.pyplot as pltimport numpy as npimport pandas as pd# 创建数据df = pd.DataFrame({'x_axis': range(1, 10), 'y_axis': np.random.randn(9) * 80 + range(1, 10)})# 绘制显示plt.plot('x_axis', 'y_axis', data=df, linestyle='-', marker='o')plt.show()使用Matplotlib的plot()进行绘制，结果如下。
11. 二维密度图
二维密度图或二维直方图，可视化两个定量变量的组合分布。
它们总是在X轴上表示一个变量，另一个在Y轴上，就像散点图。
然后计算二维空间特定区域内的次数，并用颜色渐变表示。
形状变化：六边形a hexbin chart，正方形a 2d histogram，核密度2d density plots或contour plots。
import numpy as npimport matplotlib.pyplot as pltfrom scipy.stats import kde# 创建数据, 200个点data = np.random.multivariate_normal([0, 0], [[1, 0.5], [0.5, 3]], 200)x, y = data.T# 创建画布, 6个子图fig, axes = plt.subplots(ncols=6, nrows=1, figsize=(21, 5))# 第一个子图, 散点图axes[0].set_title('Scatterplot')axes[0].plot(x, y, 'ko')# 第二个子图, 六边形nbins = 20axes[1].set_title('Hexbin')axes[1].hexbin(x, y, gridsize=nbins, cmap=plt.cm.BuGn_r)# 2D 直方图axes[2].set_title('2D Histogram')axes[2].hist2d(x, y, bins=nbins, cmap=plt.cm.BuGn_r)# 高斯kdek = kde.gaussian_kde(data.T)xi, yi = np.mgrid[x.min():x.max():nbins * 1j, y.min():y.max():nbins * 1j]zi = k(np.vstack([xi.flatten(), yi.flatten()]))# 密度图axes[3].set_title('Calculate Gaussian KDE')axes[3].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='auto', cmap=plt.cm.BuGn_r)# 添加阴影axes[4].set_title('2D Density with shading')axes[4].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)# 添加轮廓axes[5].set_title('Contour')axes[5].pcolormesh(xi, yi, zi.reshape(xi.shape), shading='gouraud', cmap=plt.cm.BuGn_r)axes[5].contour(xi, yi, zi.reshape(xi.shape))plt.show()使用Matplotlib和scipy进行绘制，结果如下。
12. 条形图
条形图表示多个明确的变量的数值关系。每个变量都为一个条形。条形的大小代表其数值。
import numpy as npimport matplotlib.pyplot as plt# 生成随机数据height = [3, 12, 5, 18, 45]bars = ('A', 'B', 'C', 'D', 'E')y_pos = np.arange(len(bars))# 创建条形图plt.bar(y_pos, height)# x轴标签plt.xticks(y_pos, bars)# 显示plt.show()使用Matplotlib的bar()进行绘制，结果如下。
13. 雷达图
雷达图，可以可视化多个定量变量的一个或多个系列的值。
每个变量都有自己的轴，所有轴都连接在图形的中心。
import matplotlib.pyplot as pltimport pandas as pdfrom math import pi# 设置数据df = pd.DataFrame({ 'group': ['A', 'B', 'C', 'D'], 'var1': [38, 1.5, 30, 4], 'var2': [29, 10, 9, 34], 'var3': [8, 39, 23, 24], 'var4': [7, 31, 33, 14], 'var5': [28, 15, 32, 14]})# 目标数量categories = list(df)[1:]N = len(categories)# 角度angles = [n / float(N) * 2 * pi for n in range(N)]angles += angles[:1]# 初始化ax = plt.subplot(111, polar=True)# 设置第一处ax.set_theta_offset(pi / 2)ax.set_theta_direction(-1)# 添加背景信息plt.xticks(angles[:-1], categories)ax.set_rlabel_position(0)plt.yticks([10, 20, 30], ["10", "20", "30"], color="grey", size=7)plt.ylim(0, 40)# 添加数据图# 第一个values = df.loc[0].drop('group').values.flatten().tolist()values += values[:1]ax.plot(angles, values, linewidth=1, linestyle='solid', label="group A")ax.fill(angles, values, 'b', alpha=0.1)# 第二个values = df.loc[1].drop('group').values.flatten().tolist()values += values[:1]ax.plot(angles, values, linewidth=1, linestyle='solid', label="group B")ax.fill(angles, values, 'r', alpha=0.1)# 添加图例plt.legend(loc='upper right', bbox_to_anchor=(0.1, 0.1))# 显示plt.show()使用Matplotlib进行绘制，结果如下。
14. 词云图
词云图是文本数据的视觉表示。
单词通常是单个的，每个单词的重要性以字体大小或颜色表示。
from wordcloud import WordCloudimport matplotlib.pyplot as plt# 添加词语text=("Python Python Python Matplotlib Chart Wordcloud Boxplot")# 创建词云对象wordcloud = WordCloud(width=480, height=480, margin=0).generate(text)# 显示词云图plt.imshow(wordcloud, interpolation='bilinear')plt.axis("off")plt.margins(x=0, y=0)plt.show()使用wordcloud进行绘制，结果如下。
15. 平行座标图
一个平行座标图，能够比较不同系列相同属性的数值情况。
Pandas可能是绘制平行坐标图的最佳方式。
import seaborn as snsimport matplotlib.pyplot as pltfrom pandas.plotting import parallel_coordinates# 读取数据data = sns.load_dataset('iris', data_home='seaborn-data', cache=True)# 创建图表parallel_coordinates(data, 'species', colormap=plt.get_cmap("Set2"))# 显示plt.show()使用Pandas的parallel_coordinates()进行绘制，结果如下。
16. 棒棒糖图
棒棒糖图其实就是柱状图的变形，显示一个线段和一个圆。
import matplotlib.pyplot as pltimport pandas as pdimport numpy as np# 创建数据df = pd.DataFrame({'group': list(map(chr, range(65, 85))), 'values': np.random.uniform(size=20) })# 排序取值ordered_df = df.sort_values(by='values')my_range = range(1, len(df.index)+1)# 创建图表plt.stem(ordered_df['values'])plt.xticks(my_range, ordered_df['group'])# 显示plt.show()使用Matplotlib的stem()进行绘制，结果如下。
17. 径向柱图
径向柱图同样也是条形图的变形，但是使用极坐标而不是直角坐标系。
绘制起来有点麻烦，而且比柱状图准确度低，但更引人注目。
import pandas as pdimport matplotlib.pyplot as pltimport numpy as np# 生成数据df = pd.DataFrame( { 'Name': ['item ' + str(i) for i in list(range(1, 51)) ], 'Value': np.random.randint(low=10, high=100, size=50) })# 排序df = df.sort_values(by=['Value'])# 初始化画布plt.figure(figsize=(20, 10))ax = plt.subplot(111, polar=True)plt.axis('off')# 设置图表参数upperLimit = 100lowerLimit = 30labelPadding = 4# 计算最大值max = df['Value'].max()# 数据下限10, 上限100slope = (max - lowerLimit) / maxheights = slope * df.Value + lowerLimit# 计算条形图的宽度width = 2*np.pi / len(df.index)# 计算角度indexes = list(range(1, len(df.index)+1))angles = [element * width for element in indexes]# 绘制条形图bars = ax.bar( x=angles, height=heights, width=width, bottom=lowerLimit, linewidth=2, edgecolor="white", color="#61a4b2",)# 添加标签for bar, angle, height, label in zip(bars,angles, heights, df["Name"]): # 旋转 rotation = np.rad2deg(angle) # 翻转 alignment = "" if angle >= np.pi/2 and angle < 3*np.pi/2: alignment = "right" rotation = rotation + 180 else: alignment = "left" # 最后添加标签 ax.text( x=angle, y=lowerLimit + bar.get_height() + labelPadding, s=label, ha=alignment, va='center', rotation=rotation, rotation_mode="anchor")plt.show()使用Matplotlib进行绘制，结果如下。
18. 矩形树图
矩形树图是一种常见的表达『层级数据』『树状数据』的可视化形式。
它主要用面积的方式，便于突出展现出『树』的各层级中重要的节点。
import matplotlib.pyplot as pltimport squarifyimport pandas as pd# 创建数据df = pd.DataFrame({'nb_people': [8, 3, 4, 2], 'group': ["group A", "group B", "group C", "group D"]})# 绘图显示squarify.plot(sizes=df['nb_people'], label=df['group'], alpha=.8 )plt.axis('off')plt.show()使用squarify库进行绘制，结果如下。
19. 维恩图
维恩图，显示不同组之间所有可能的关系。
import matplotlib.pyplot as pltfrom matplotlib_venn import venn2# 创建图表venn2(subsets=(10, 5, 2), set_labels=('Group A', 'Group B'))# 显示plt.show()使用matplotlib_venn库进行绘制，结果如下。
20. 圆环图
圆环图，本质上就是一个饼图，中间切掉了一个区域。
import matplotlib.pyplot as plt# 创建数据size_of_groups = [12, 11, 3, 30]# 生成饼图plt.pie(size_of_groups)# 在中心添加一个圆, 生成环形图my_circle = plt.Circle((0, 0), 0.7, color='white')p = plt.gcf()p.gca().add_artist(my_circle)plt.show()使用Matplotlib进行绘制，结果如下。
21. 饼图
饼图，最常见的可视化图表之一。
将圆划分成一个个扇形区域，每个区域代表在整体中所占的比例。
import matplotlib.pyplot as plt# 创建数据size_of_groups = [12, 11, 3, 30]# 生成饼图plt.pie(size_of_groups)plt.show()使用Matplotlib进行绘制，结果如下。
22. 树图
树图主要用来可视化树形数据结构，是一种特殊的层次类型，具有唯一的根节点，左子树，和右子树。
import pandas as pdfrom matplotlib import pyplot as pltfrom scipy.cluster.hierarchy import dendrogram, linkage# 读取数据df = pd.read_csv('mtcars.csv')df = df.set_index('model')# 计算每个样本之间的距离Z = linkage(df, 'ward')# 绘图dendrogram(Z, leaf_rotation=90, leaf_font_size=8, labels=df.index)# 显示plt.show()使用Scipy进行绘制，结果如下。
23. 气泡图
气泡图，表示层次结构及数值大小。
import circlifyimport matplotlib.pyplot as plt# 创建画布, 包含一个子图fig, ax = plt.subplots(figsize=(14, 14))# 标题ax.set_title('Repartition of the world population')# 移除坐标轴ax.axis('off')# 人口数据data = [{'id': 'World', 'datum': 6964195249, 'children': [ {'id': "North America", 'datum': 450448697, 'children': [ {'id': "United States", 'datum': 308865000}, {'id': "Mexico", 'datum': 107550697}, {'id': "Canada", 'datum': 34033000} ]}, {'id': "South America", 'datum': 278095425, 'children': [ {'id': "Brazil", 'datum': 192612000}, {'id': "Colombia", 'datum': 45349000}, {'id': "Argentina", 'datum': 40134425} ]}, {'id': "Europe", 'datum': 209246682, 'children': [ {'id': "Germany", 'datum': 81757600}, {'id': "France", 'datum': 65447374}, {'id': "United Kingdom", 'datum': 62041708} ]}, {'id': "Africa", 'datum': 311929000, 'children': [ {'id': "Nigeria", 'datum': 154729000}, {'id': "Ethiopia", 'datum': 79221000}, {'id': "Egypt", 'datum': 77979000} ]}, {'id': "Asia", 'datum': 2745929500, 'children': [ {'id': "China", 'datum': 1336335000}, {'id': "India", 'datum': 1178225000}, {'id': "Indonesia", 'datum': 231369500} ]} ]}]# 使用circlify()计算, 获取圆的大小, 位置circles = circlify.circlify( data, show_enclosure=False, target_enclosure=circlify.Circle(x=0, y=0, r=1))lim = max( max( abs(circle.x) + circle.r, abs(circle.y) + circle.r, ) for circle in circles)plt.xlim(-lim, lim)plt.ylim(-lim, lim)for circle in circles: if circle.level != 2: continue x, y, r = circle ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="lightblue"))for circle in circles: if circle.level != 3: continue x, y, r = circle label = circle.ex["id"] ax.add_patch(plt.Circle((x, y), r, alpha=0.5, linewidth=2, color="#69b3a2")) plt.annotate(label, (x, y), ha='center', color="white")for circle in circles: if circle.level != 2: continue x, y, r = circle label = circle.ex["id"] plt.annotate(label, (x, y), va='center', ha='center', bbox=dict(facecolor='white', edgecolor='black', boxstyle='round', pad=.5))plt.show()使用Circlify进行绘制，结果如下。
24. 折线图
折线图是最常见的图表类型之一。
将各个数据点标志连接起来的图表，用于展现数据的变化趋势。
import matplotlib.pyplot as pltimport numpy as np# 创建数据values = np.cumsum(np.random.randn(1000, 1))# 绘制图表plt.plot(values)plt.show()使用Matplotlib进行绘制，结果如下。
25. 面积图
面积图和折线图非常相似，区别在于和x坐标轴间是否被颜色填充。
import matplotlib.pyplot as plt# 创建数据x = range(1, 6)y = [1, 4, 6, 8, 4]# 生成图表plt.fill_between(x, y)plt.show()使用Matplotlib的fill_between()进行绘制，结果如下。
26. 堆叠面积图
堆叠面积图表示若干个数值变量的数值演变。
每个显示在彼此的顶部，易于读取总数，但较难准确读取每个的值。
import matplotlib.pyplot as plt# 创建数据x = range(1, 6)y1 = [1, 4, 6, 8, 9]y2 = [2, 2, 7, 10, 12]y3 = [2, 8, 5, 10, 6]# 生成图表plt.stackplot(x, y1, y2, y3, labels=['A', 'B', 'C'])plt.legend(loc='upper left')plt.show()使用Matplotlib的stackplot()进行绘制，结果如下。
27. 河流图
河流图是一种特殊的流图, 它主要用来表示事件或主题等在一段时间内的变化。
围绕着中心轴显示，且边缘是圆形的，从而形成流动的形状。
import matplotlib.pyplot as pltimport numpy as npfrom scipy import stats# 添加数据x = np.arange(1990, 2020)y = [np.random.randint(0, 5, size=30) for _ in range(5)]def gaussian_smooth(x, y, grid, sd): """平滑曲线""" weights = np.transpose([stats.norm.pdf(grid, m, sd) for m in x]) weights = weights / weights.sum(0) return (weights * y).sum(1)# 自定义颜色COLORS = ["#D0D1E6", "#A6BDDB", "#74A9CF", "#2B8CBE", "#045A8D"]# 创建画布fig, ax = plt.subplots(figsize=(10, 7))# 生成图表grid = np.linspace(1985, 2025, num=500)y_smoothed = [gaussian_smooth(x, y_, grid, 1) for y_ in y]ax.stackplot(grid, y_smoothed, colors=COLORS, baseline="sym")# 显示plt.show()先使用Matplotlib绘制堆积图，设置stackplot()的baseline参数，可将数据围绕x轴展示。
再通过scipy.interpolate平滑曲线，最终结果如下。
28. 时间序列图
时间序列图是指能够展示数值演变的所有图表。
比如折线图、柱状图、面积图等等。
import numpy as npimport seaborn as snsimport pandas as pdimport matplotlib.pyplot as plt# 创建数据my_count = ["France", "Australia", "Japan", "USA", "Germany", "Congo", "China", "England", "Spain", "Greece", "Marocco", "South Africa", "Indonesia", "Peru", "Chili", "Brazil"]df = pd.DataFrame({ "country": np.repeat(my_count, 10), "years": list(range(2000, 2010)) * 16, "value": np.random.rand(160)})# 创建网格g = sns.FacetGrid(df, col='country', hue='country', col_wrap=4, )# 添加曲线图g = g.map(plt.plot, 'years', 'value')# 面积图g = g.map(plt.fill_between, 'years', 'value', alpha=0.2).set_titles("{col_name} country")# 标题g = g.set_titles("{col_name}")# 总标题plt.subplots_adjust(top=0.92)g = g.fig.suptitle('Evolution of the value of stuff in 16 countries')# 显示plt.show()下面以一个时间序列面积图为例，显示多组数据，结果如下。
29. 地图
所有的地理空间数据分析应该都离不开地图吧！
import pandas as pdimport folium# 创建地图对象m = folium.Map(location=[20, 0], tiles="OpenStreetMap", zoom_start=2)# 创建图标数据data = pd.DataFrame({ 'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5], 'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97], 'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'], 'value': [10, 12, 40, 70, 23, 43, 100, 43]}, dtype=str)# 添加信息for i in range(0,len(data)): folium.Marker( location=[data.iloc[i]['lat'], data.iloc[i]['lon']], popup=data.iloc[i]['name'], ).add_to(m)# 保存m.save('map.html')使用Folium绘制谷歌地图风格的地图，结果如下。
30. 等值域地图
等值域地图，相同数值范围，着色相同。
import pandas as pdimport folium# 创建地图对象m = folium.Map(location=[40, -95], zoom_start=4)# 读取数据state_geo = f"us-states.json"state_unemployment = f"US_Unemployment_Oct2012.csv"state_data = pd.read_csv(state_unemployment)folium.Choropleth( geo_data=state_geo, name="choropleth", data=state_data, columns=["State", "Unemployment"], key_on="feature.id", fill_color="YlGn", fill_opacity=0.7, line_opacity=.1, legend_name="Unemployment Rate (%)",).add_to(m)folium.LayerControl().add_to(m)# 保存m.save('choropleth-map.html')使用Folium的choropleth()进行绘制，结果如下。
31. 网格地图
Hexbin地图，美国大选投票经常看见。
import pandas as pdimport geopandas as gpdimport matplotlib.pyplot as plt# 读取数据file = "us_states_hexgrid.geojson.json"geoData = gpd.read_file(file)geoData['centroid'] = geoData['geometry'].apply(lambda x: x.centroid)mariageData = pd.read_csv("State_mariage_rate.csv")geoData['state'] = geoData['google_name'].str.replace(' \(United States\)','')geoData = geoData.set_index('state').join(mariageData.set_index('state'))# 初始化fig, ax = plt.subplots(1, figsize=(6, 4))# 绘图geoData.plot( ax=ax, column="y_2015", cmap="BuPu", norm=plt.Normalize(vmin=2, vmax=13), edgecolor='black', linewidth=.5);# 不显示坐标轴ax.axis('off')# 标题, 副标题,作者ax.annotate('Mariage rate in the US', xy=(10, 340), xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=14, color='black')ax.annotate('Yes, people love to get married in Vegas', xy=(10, 320), xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=11, color='#808080')ax.annotate('xiao F', xy=(400, 0), xycoords='axes pixels', horizontalalignment='left', verticalalignment='top', fontsize=8, color='#808080')# 每个网格for idx, row in geoData.iterrows(): ax.annotate( s=row['iso3166_2'], xy=row['centroid'].coords[0], horizontalalignment='center', va='center', color="white" )# 添加颜色sm = plt.cm.ScalarMappable(cmap='BuPu', norm=plt.Normalize(vmin=2, vmax=13))fig.colorbar(sm, orientation="horizontal", aspect=50, fraction=0.005, pad=0 );# 显示plt.show()使用geopandas和matplotlib进行绘制，结果如下。
32. 变形地图
故名思义，就是形状发生改变的地图。
其中每个区域的形状，会根据数值发生扭曲变化。
这里没有相关的代码示例，直接上个图好了。
33. 连接映射地图
连接地图可以显示地图上几个位置之间的连接关系。
航空上经常用到的飞线图，应该是这个的升级版。
from mpl_toolkits.basemap import Basemapimport matplotlib.pyplot as pltimport pandas as pd# 数据cities = { 'city': ["Paris", "Melbourne", "Saint.Petersburg", "Abidjan", "Montreal", "Nairobi", "Salvador"], 'lon': [2, 145, 30.32, -4.03, -73.57, 36.82, -38.5], 'lat': [49, -38, 59.93, 5.33, 45.52, -1.29, -12.97]}df = pd.DataFrame(cities, columns=['city', 'lon', 'lat'])# 创建地图m = Basemap(llcrnrlon=-179, llcrnrlat=-60, urcrnrlon=179, urcrnrlat=70, projection='merc')m.drawmapboundary(fill_color='white', linewidth=0)m.fillcontinents(color='#f2f2f2', alpha=0.7)m.drawcoastlines(linewidth=0.1, color="white")# 循环建立连接for startIndex, startRow in df.iterrows(): for endIndex in range(startIndex, len(df.index)): endRow = df.iloc[endIndex] m.drawgreatcircle(startRow.lon, startRow.lat, endRow.lon, endRow.lat, linewidth=1, color='#69b3a2');# 添加城市名称for i, row in df.iterrows(): plt.annotate(row.city, xy=m(row.lon + 3, row.lat), verticalalignment='center')plt.show()使用basemap绘制，结果如下。
34. 气泡地图
气泡地图，使用不同尺寸的圆来表示该地理坐标的数值。
import foliumimport pandas as pd# 创建地图对象m = folium.Map(location=[20,0], tiles="OpenStreetMap", zoom_start=2)# 坐标点数据data = pd.DataFrame({ 'lon': [-58, 2, 145, 30.32, -4.03, -73.57, 36.82, -38.5], 'lat': [-34, 49, -38, 59.93, 5.33, 45.52, -1.29, -12.97], 'name': ['Buenos Aires', 'Paris', 'melbourne', 'St Petersbourg', 'Abidjan', 'Montreal', 'Nairobi', 'Salvador'], 'value': [10, 12, 40, 70, 23, 43, 100, 43]}, dtype=str)# 添加气泡for i in range(0, len(data)): folium.Circle( location=[data.iloc[i]['lat'], data.iloc[i]['lon']], popup=data.iloc[i]['name'], radius=float(data.iloc[i]['value'])*20000, color='crimson', fill=True, fill_color='crimson' ).add_to(m)# 保存m.save('bubble-map.html')使用Folium的Circle()进行绘制，结果如下。
35. 和弦图
和弦图表示若干个实体(节点)之间的流或连接。
每个实体(节点)有圆形布局外部的一个片段表示。
然后在每个实体之间绘制弧线，弧线的大小与流的关系成正比。
from chord import Chordmatrix = [ [0, 5, 6, 4, 7, 4], [5, 0, 5, 4, 6, 5], [6, 5, 0, 4, 5, 5], [4, 4, 4, 0, 5, 5], [7, 6, 5, 5, 0, 4], [4, 5, 5, 5, 4, 0],]names = ["Action", "Adventure", "Comedy", "Drama", "Fantasy", "Thriller"]# 保存Chord(matrix, names).to_html("chord-diagram.html")使用Chord库进行绘制，结果如下。
36. 网状图
网状图显示的是一组实体之间的连接关系。
每个实体由一个节点表示，节点之间通过线段连接。
import pandas as pdimport numpy as npimport networkx as nximport matplotlib.pyplot as plt# 创建数据ind1 = [5, 10, 3, 4, 8, 10, 12, 1, 9, 4]ind5 = [1, 1, 13, 4, 18, 5, 2, 11, 3, 8]df = pd.DataFrame( {'A': ind1, 'B': ind1 + np.random.randint(10, size=(10)), 'C': ind1 + np.random.randint(10, size=(10)), 'D': ind1 + np.random.randint(5, size=(10)), 'E': ind1 + np.random.randint(5, size=(10)), 'F': ind5, 'G': ind5 + np.random.randint(5, size=(10)), 'H': ind5 + np.random.randint(5, size=(10)), 'I': ind5 + np.random.randint(5, size=(10)), 'J': ind5 + np.random.randint(5, size=(10))})# 计算相关性corr = df.corr()# 转换links = corr.stack().reset_index()links.columns = ['var1', 'var2', 'value']# 保持相关性超过一个阈值, 删除自相关性links_filtered = links.loc[(links['value'] > 0.8) & (links['var1'] != links['var2'])]# 生成图G = nx.from_pandas_edgelist(links_filtered, 'var1', 'var2')# 绘制网络nx.draw(G, with_labels=True, node_color='orange', node_size=400, edge_color='black', linewidths=1, font_size=15)# 显示plt.show()使用NetworkX库进行绘制，结果如下。
37. 桑基图
桑基图是一种特殊的流图。
它主要用来表示原材料、能量等如何从初始形式经过中间过程的加工、转化到达最终形式。
Plotly可能是创建桑基图的最佳工具，通过Sankey()在几行代码中获得一个图表。
import plotly.graph_objects as goimport json# 读取数据with open('sankey_energy.json') as f: data = json.load(f)# 透明度opacity = 0.4# 颜色data['data'][0]['node']['color'] = ['rgba(255,0,255, 0.8)' if color == "magenta" else color for color in data['data'][0]['node']['color']]data['data'][0]['link']['color'] = [data['data'][0]['node']['color'][src].replace("0.8", str(opacity)) for src in data['data'][0]['link']['source']]fig = go.Figure(data=[go.Sankey( valueformat=".0f", valuesuffix="TWh", # 点 node=dict( pad=15, thickness=15, line=dict(color = "black", width = 0.5), label=data['data'][0]['node']['label'], color=data['data'][0]['node']['color'] ), # 线 link=dict( source=data['data'][0]['link']['source'], target=data['data'][0]['link']['target'], value=data['data'][0]['link']['value'], label=data['data'][0]['link']['label'], color=data['data'][0]['link']['color']))])fig.update_layout(title_text="Energy forecast for 2050<br>Source: Department of Energy & Climate Change, Tom Counsell via <a href='库进行绘制，结果如下。
38. 弧线图
弧线图是一种特殊的网络图。
由代表实体的节点和显示实体之间关系的弧线组成的。
在弧线图中，节点沿单个轴显示，节点间通过圆弧线进行连接。
目前还不知道如何通过Python来构建弧线图，不过可以使用R或者D3.js。
下面就来看一个通过js生成的弧线图。
39. 环形布局关系图
可视化目标之间的关系，可以减少复杂网络下观察混乱。
和弧线图一样，也只能通R或者D3.js绘制。
D3.js绘制的示例如下。
40. 动态图表
动态图表本质上就是显示一系列静态图表。
可以描述目标从一种状态到另一种状态的变化。
import imageioimport pandas as pdimport matplotlib.pyplot as plt# 读取数据data = pd.read_csv('gapminderData.csv')# 更改格式data['continent'] = pd.Categorical(data['continent'])# 分辨率dpi = 96filenames = []# 每年的数据for i in data.year.unique(): # 关闭交互式绘图 plt.ioff() # 初始化 fig = plt.figure(figsize=(680 / dpi, 480 / dpi), dpi=dpi) # 筛选数据 subsetData = data[data.year == i] # 生成散点气泡图 plt.scatter( x=subsetData['lifeExp'], y=subsetData['gdpPercap'], s=subsetData['pop'] / 200000, c=subsetData['continent'].cat.codes, cmap="Accent", alpha=0.6, edgecolors="white", linewidth=2) # 添加相关信息 plt.yscale('log') plt.xlabel("Life Expectancy") plt.ylabel("GDP per Capita") plt.title("Year: " + str(i)) plt.ylim(0, 100000) plt.xlim(30, 90) # 保存 filename = './images/' + str(i) + '.png' filenames.append(filename) plt.savefig(fname=filename, dpi=96) plt.gca() plt.close(fig)# 生成GIF动态图表with imageio.get_writer('result.gif', mode='I', fps=5) as writer: for filename in filenames: image = imageio.imread(filename) writer.append_data(image)以一个动态散点气泡图为例，
先用matplotlib绘制图表图片，再通过imageio生成GIF，结果如下。
好了，本期的分享就到此结束了。
其中使用到的可视化库，大部分通过pip install即可完成安装。
相关代码及文件已上传，评论区回复「可视化图表」即可获取。
有兴趣的小伙伴，可以自行去实践学习一下！
