文总结了在数据分析和可视化中最有用的 50 个 Matplotlib 图表。这些图表列表允许您使用 python 的 matplotlib 和 seaborn 库选择要显示的可视化对象。
这些图表根据可视化目标的 7 个不同情景进行分组。例如，如果要想象两个变量之间的关系，请查看“关联”部分下的图表。或者，如果您想要显示值如何随时间变化，请查看“变化”部分，依此类推。
image
有效图表的重要特征：
在不歪曲事实的情况下传达正确和必要的信息。
设计简单，您不必太费力就能理解它。
从审美角度支持信息而不是掩盖信息。
信息没有超负荷。
01 关联（Correlation）
关联图表用于可视化 2 个或更多变量之间的关系。也就是说，一个变量如何相对于另一个变化。
1. 散点图（Scatter plot）
散点图是用于研究两个变量之间关系的经典的和基本的图表。如果数据中有多个组，则可能需要以不同颜色可视化每个组。您可以使用 plt.scatterplot() 方便地执行此操作。
image
2. 带边界的气泡图（Bubble plot with Encircling）
有时，您希望在边界内显示一组点以强调其重要性。在这个例子中，你从数据框中获取记录，并用 encircle() 来使边界显示出来。
image
3. 带线性回归最佳拟合线的散点图（Scatter plot with linear regression line of best fit）
如果你想了解两个变量如何相互改变，那么最佳拟合线就是常用的方法。下图显示了数据中各组之间最佳拟合线的差异。要禁用分组并仅为整个数据集绘制一条最佳拟合线，请从 sns.lmplot() 调用中删除 hue ='cyl' 参数。
image
针对每列绘制线性回归线或者，可以在其每列中显示每个组的最佳拟合线。可以通过在 sns.lmplot() 中设置 col=groupingcolumn 参数来实现，如下：
image
4. 抖动图（Jittering with stripplot）
通常，多个数据点具有完全相同的 X 和 Y 值。结果，多个点绘制会重叠并隐藏。为避免这种情况，请将数据点稍微抖动，以便您可以直观地看到它们。
使用 seaborn 的 stripplot() 很方便实现这个功能。
image
5. 计数图（Counts Plot）
避免点重叠问题的另一个选择是增加点的大小，这取决于该点中有多少点。因此，点的大小越大，其周围的点的集中度越高。
image
6. 边缘直方图（Marginal Histogram）
边缘直方图具有沿 X 和 Y 轴变量的直方图。这用于可视化 X 和 Y 之间的关系以及单独的 X 和 Y 的单变量分布。这种图经常用于探索性数据分析（EDA）。
image
7. 边缘箱形图（Marginal Boxplot）
边缘箱图与边缘直方图具有相似的用途。然而，箱线图有助于精确定位 X 和 Y 的中位数、第 25 和第 75 百分位数。
image
8. 相关图（Correllogram）
相关图用于直观地查看给定数据框（或二维数组）中所有可能的数值变量对之间的相关度量。
image
9. 矩阵图（Pairwise Plot）
矩阵图是探索性分析中的最爱，用于理解所有可能的数值变量对之间的关系。它是双变量分析的必备工具。
image
image
02 偏差（Deviation）
10. 发散型条形图（Diverging Bars）
如果您想根据单个指标查看项目的变化情况，并可视化此差异的顺序和数量，那么散型条形图（Diverging Bars）是一个很好的工具。它有助于快速区分数据中组的性能，并且非常直观，并且可以立即传达这一点。
image
11. 发散型文本（Diverging Texts）
发散型文本（Diverging Texts）与发散型条形图（Diverging Bars）相似，如果你想以一种漂亮和可呈现的方式显示图表中每个项目的价值，就可以使用这种方法。
image
12. 发散型包点图（Diverging Dot Plot）
发散型包点图（Diverging Dot Plot）也类似于发散型条形图（Diverging Bars）。然而，与发散型条形图（Diverging Bars）相比，条的缺失减少了组之间的对比度和差异。
image
13. 带标记的发散型棒棒糖图（Diverging Lollipop Chart with Markers）
带标记的棒棒糖图通过强调您想要引起注意的任何重要数据点并在图表中适当地给出推理，提供了一种对差异进行可视化的灵活方式。
image
14. 面积图（Area Chart）
通过对轴和线之间的区域进行着色，面积图不仅强调峰和谷，而且还强调高点和低点的持续时间。高点持续时间越长，线下面积越大。
image
03 排序（Ranking）
15. 有序条形图（Ordered Bar Chart）
有序条形图有效地传达了项目的排名顺序。但是，在图表上方添加度量标准的值，用户可以从图表本身获取精确信息。
image
16. 棒棒糖图（Lollipop Chart）
棒棒糖图表以一种视觉上令人愉悦的方式提供与有序条形图类似的目的。
image
17. 包点图（Dot Plot）
包点图表传达了项目的排名顺序，并且由于它沿水平轴对齐，因此您可以更容易地看到点彼此之间的距离。
image
18. 坡度图（Slope Chart）
坡度图最适合比较给定人/项目的“前”和“后”位置。
image
19. 哑铃图（Dumbbell Plot）
哑铃图表传达了各种项目的“前”和“后”位置以及项目的等级排序。如果您想要将特定项目/计划对不同对象的影响可视化，那么它非常有用。
image
04 分布（Distribution）
20. 连续变量的直方图（Histogram for Continuous Variable）
直方图显示给定变量的频率分布。下面的图表示基于类型变量对频率条进行分组，从而更好地了解连续变量和类型变量。
image
21. 类型变量的直方图（Histogram for Categorical Variable）
类型变量的直方图显示该变量的频率分布。通过对条形图进行着色，可以将分布与表示颜色的另一个类型变量相关联。
image
22. 密度图（Density Plot）
密度图是一种常用工具，用于可视化连续变量的分布。通过“响应”变量对它们进行分组，您可以检查 X 和 Y 之间的关系。以下情况用于表示目的，以描述城市里程的分布如何随着汽缸数的变化而变化。
image
23. 直方密度线图（Density Curves with Histogram）
带有直方图的密度曲线汇集了两个图所传达的集体信息，因此您可以将它们放在一个图中而不是两个图中。
image
24. Joy Plot
Joy Plot 允许不同组的密度曲线重叠，这是一种可视化大量分组数据的彼此关系分布的好方法。它看起来很悦目，并清楚地传达了正确的信息。它可以使用基于 matplotlib 的 joypy 包轻松构建。
注：需要安装 joypy 库
image
25. 分布式包点图（Distributed Dot Plot）
分布式包点图显示按组分割的点的单变量分布。点数越暗，该区域的数据点集中度越高。通过对中位数进行不同着色，组的真实定位立即变得明显。
image
26. 箱形图（Box Plot）
箱形图是一种可视化分布的好方法，记住中位数、第 25 个第 45 个四分位数和异常值。但是，您需要注意解释可能会扭曲该组中包含的点数的框的大小。因此数据可视化效果图，手动提供每个框中的观察数量可以帮助克服这个缺点。
例如，左边的前两个框具有相同大小的框，即使它们的值分别是 5 和 47。因此，写入该组中的观察数量是必要的。
image
27. 包点+箱形图（Dot+Box Plot）
包点+箱形图（Dot+Box Plot）传达类似于分组的箱形图信息。此外，这些点可以了解每组中有多少数据点。
image
28. 小提琴图（Violin Plot）
小提琴图是箱形图在视觉上令人愉悦的替代品。小提琴的形状或面积取决于它所持有的观察次数。但是，小提琴图可能更难以阅读，并且在专业设置中不常用。
image
29. 人口金字塔（Population Pyramid）
人口金字塔可用于显示由数量排序的组的分布。或者它也可以用于显示人口的逐级过滤，因为它在下面用于显示有多少人通过营销渠道的每个阶段。
image
30. 分类图（Categorical Plots）
由 seaborn 库 提供的分类图可用于可视化彼此相关的 2 个或更多分类变量的计数分布。
image
image
image
05 组成（Composition）
31. 华夫饼图（Waffle Chart）
可以使用 pywaffle 包 创建华夫饼图，并用于显示更大群体中的组的组成。
注：需要安装 pywaffle 库
image
32. 饼图（Pie Chart）
饼图是显示组成的经典方式。然而，现在通常不建议使用它，因为馅饼部分的面积有时会变得误导。因此，如果您要使用饼图，强烈建议明确记下饼图每个部分的百分比或数字。
image
image
33. 树形图（Treemap）
树形图类似于饼图，它可以更好地完成工作而不会误导每个组的贡献。
注：需要安装 squarify 库
image
34. 条形图（Bar Chart）
条形图是基于计数或任何给定指标可视化项目的经典方式。在下面的图表中，我为每个项目使用了不同的颜色，但您通常可能希望为所有项目选择一种颜色，除非您按组对其进行着色。
image
06 变化（Change）
35. 时间序列图（Time Series Plot）
时间序列图用于显示给定度量随时间变化的方式。在这里，您可以看到 1949 年 至 1969 年间航空客运量的变化情况。
image
36. 带波峰波谷标记的时序图（Time Series with Peaks and Troughs Annotated）
下面的时间序列绘制了所有峰值和低谷，并注释了所选特殊事件的发生。
image
37. 自相关和部分自相关图（Autocorrelation (ACF) and Partial Autocorrelation (PACF) Plot）
自相关图（ACF图）显示时间序列与其自身滞后的相关性。每条垂直线（在自相关图上）表示系列与滞后 0 之间的滞后之间的相关性。图中的蓝色阴影区域是显着性水平。那些位于蓝线之上的滞后是显着的滞后。
那么如何解读呢?
对于空乘旅客，我们看到多达 14 个滞后跨越蓝线数据可视化效果图，因此非常重要。这意味着，14 年前的航空旅客交通量对今天的交通状况有影响。
PACF 在另一方面显示了任何给定滞后（时间序列）与当前序列的自相关，但是删除了滞后的贡献。
image
38. 交叉相关图（Cross Correlation plot）
交叉相关图显示了两个时间序列相互之间的滞后。
image
39. 时间序列分解图（Time Series Decomposition Plot）
时间序列分解图显示时间序列
来源【首席数据官】，更多内容/合作请关注「辉声辉语」公众号，送10G营销资料！
版权声明：本文内容来源互联网整理，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 jkhui22@126.com举报，一经查实，本站将立刻删除。
