[PYTHON] Datenvisualisierungsmethode mit Matplotlib (+ Pandas) (3)
[Matplotlib](http: // matplotlib. Wir werden uns auf die Datenvisualisierung mit org /) konzentrieren. Ab diesem Zeitpunkt handelt es sich um eine Kombinationstechnik in Kombination mit pandas.
Liniendiagramm
Beim Zeichnen von Objekten in einer Serie oder einem Datenrahmen wird standardmäßig ein Knickdiagramm verwendet.
import numpy as np
from pandas import *
from pylab import *
import matplotlib.pyplot as plt
from numpy.random import randn
#Serie einfaches Plotten
s = Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10))
s.plot()
plt.show()
plt.savefig("image.png ")
#Einfaches Zeichnen von Datenrahmen
df = DataFrame(np.random.randn(10, 4).cumsum(0),
columns=['A','B','C','D'],
index=np.arange(0, 100, 10))
df.plot()
plt.show()
plt.savefig("image2.png ")
Die meisten Methoden zum Plotten in Pandas können optional ein Subplot-Objekt von matplotlib im ax-Parameter angeben.
Eine Liste der Optionen, die Sie für das Diagramm angeben können, finden Sie in der folgenden offiziellen Dokumentation.
pandas.DataFrame.plot http://pandas.pydata.org/pandas-docs/version/0.13.1/generated/pandas.DataFrame.plot.html
Balkendiagramm
Am häufigsten wird kind verwendet, mit dem Sie einen Linientyp angeben können. Wenn kind = 'bar' ist, handelt es sich um ein Balkendiagramm.
#Visualisieren Sie die Serie
data = Series(np.random.randn(16), index=list('abcdefghijklmnop'))
#Vertikales Balkendiagramm
data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7)
#Horizontales Balkendiagramm
data.plot(kind='barh', ax=axes[1], color='r', alpha=0.6)
plt.show()
plt.savefig("image3.png ")
Wenn Sie den Datenrahmen zu einem Balkendiagramm machen, werden die Werte in jeder Zeile zusammengefasst.
#Visualisieren Sie den Datenrahmen
df = DataFrame(np.random.randn(6, 4),
index=['1','2','3','4','5','6'],
columns=Index(['A','B','C','D'], name='Genus'))
print( df )
# =>
# Genus A B C D
# 1 -0.350817 -0.017378 -0.991230 -0.223608
# 2 0.478712 -0.472764 0.677484 -0.852312
# 3 1.402219 0.381440 0.370080 0.682125
# 4 -1.733590 0.296124 -0.014841 1.140705
# 5 0.373399 1.150718 1.341984 1.040759
# 6 -0.013301 -0.202793 -1.367493 -0.572954
df.plot()
plt.show()
plt.savefig("image4.png ")
df.plot(kind='bar') #Erstellen Sie ein Balkendiagramm
plt.show(grid=False, alpha=0.8)
plt.savefig("image5.png ")
df.plot(kind='barh', stacked=True, alpha=0.5) #Erstellen Sie ein gestapeltes Balkendiagramm(gestapelte Option)
plt.show()
plt.savefig("image6.png ")
Finanzdaten visualisieren
Zurück [Analyse von Finanzdaten und deren Visualisierung](http://qiita.com/ynakayama/items/32b1ca2a108876f889cc Versuchen Sie, mit Pandas + Matplotlib mit der in) verwendeten CSV zu zeichnen.
df = read_csv('stock_px.csv') #Lesen Sie CSV
print( df.head(10) ) #Der Beginn des Datenrahmens
# =>
# [6 rows x 4 columns]
# Unnamed: 0 AAPL MSFT XOM SPX
# 0 2003-01-02 00:00:00 7.40 21.11 29.22 909.03
# 1 2003-01-03 00:00:00 7.45 21.14 29.24 908.59
# 2 2003-01-06 00:00:00 7.45 21.52 29.96 929.01
# 3 2003-01-07 00:00:00 7.43 21.93 28.95 922.93
# 4 2003-01-08 00:00:00 7.28 21.31 28.83 909.93
# 5 2003-01-09 00:00:00 7.34 21.93 29.44 927.57
# 6 2003-01-10 00:00:00 7.36 21.97 29.03 927.57
# 7 2003-01-13 00:00:00 7.32 22.16 28.91 926.26
# 8 2003-01-14 00:00:00 7.30 22.39 29.17 931.66
# 9 2003-01-15 00:00:00 7.22 22.11 28.77 918.22
df.plot()
plt.show()
plt.savefig("image7.png ")
Es war sehr einfach, die CSV-Daten zu visualisieren.
Recommended Posts