matplotlib
是python中最常用的数据可视化工具，只要涉及到数据处理，都免不了或多或少和
Numpy
以及
Matplotlib
打交道，而且这两个工具笔者常常使用chatgpt大法来写，但是为了提高效率，常用图片还是最好记忆下来以便快速使用。
数据直方图
数据直方图(Histogram)通过将数据划分为区间或分段，并表示每个分段内的数据点数量，让我们可以检查数据的频率和分布情况。x 轴代表数值范围，y 轴代表频率或计数。
import
matplotlib.pyplot
as
plt
import
numpy
as
np
# Generating random data
data
=
np
.
random
.
normal(loc
=
0
, scale
=
1
, size
=
1000
)
# Creating a histogram
plt
.
hist(data, bins
=
30
, alpha
=
0.7
, color
=
'blue'
)
plt
.
title(
'Histogram of Normally Distributed Data'
)
plt
.
xlabel(
'Value'
)
plt
.
ylabel(
'Frequency'
)
plt
.
grid(
True
)
plt
.
show()
箱形图（Box Plots）提供了数据集分布的简明摘要。它们分别显示最小值、第一四分位数 ($Q_1$)、中位数 ($Q_2$)、第三四分位数 ($Q_3$) 和最大值。方框表示四分位数间距 (IQR)，即第一$Q_1$和第三$Q_3$四分位数之间的范围。方框的高度表示中间50%数据的范围。
import
matplotlib.pyplot
as
plt
import
seaborn
as
sns
import
numpy
as
np
# Generating random data
data
=
np
.
random
.
normal(loc
=
0
, scale
=
1
, size
=
(
100
,
3
))
# Creating a box plot
sns
.
boxplot(data
=
data, orient
=
'h'
, palette
=
"Set2"
)
plt
.
title(
'Box Plot of Randomly Generated Data'
)
plt
.
show()
核密度估计图
核密度估计 (KDE) 是一种非参数技术，用于估计数据集的概率密度函数。通过提供近似分布的平滑曲线，KDE 有助于发现潜在的模式。KDE 图可与直方图结合使用，以更清晰地直观显示分布情况。
import
matplotlib.pyplot
as
plt
import
seaborn
as
sns
import
numpy
as
np
# Generating random data
data
=
np
.
random
.
normal(loc
=
0
, scale
=
1
, size
=
1000
)
# Creating a KDE plot
sns
.
kdeplot(data, shade
=
True
, color
=
'green'
)
plt
.
title(
'Kernel Density Estimation of Data'
)
plt
.
xlabel(
'Value'
)
plt
.
ylabel(
'Density'
)
plt
.
show()
小提琴图结合了箱形图和核密度函数估计图的优点。它们通过在箱形图中央的两侧显示镜像密度图来紧凑地表示分布。小提琴图可以简明地显示分布的形状、数据集中程度和任何潜在的异常值。
import
matplotlib.pyplot
as
plt
import
seaborn
as
sns
import
numpy
as
np
# Generating random data
data
=
np
.
random
.
normal(loc
=
0
, scale
=
1
, size
=
(
100
,
2
))
# Creating a violin plot
sns
.
violinplot(data
=
data, inner
=
"quartile"
, palette
=
"Set3"
)
plt
.
title(
'Violin Plot of Randomly Generated Data'
)
plt
.
show()
蜂群图可以有效直观地显示分类数据和单个数据点的分布情况。它水平显示每个数据点，并在数据点重叠时进行抖动，从而更容易查看每个类别内的分布情况。当类别数量较少且每个类别内有大量数据点时，蜂群图尤其有用。
import
seaborn
as
sns
import
matplotlib.pyplot
as
plt
# Generating random categorical data
categories
=
[
'A'
,
'B'
,
'C'
]
data
=
sns
.
load_dataset(
"iris"
)
# Creating a swarm plot
sns
.
swarmplot(x
=
'species'
, y
=
'petal_length'
, data
=
data)
plt
.
title(
'Swarm Plot of Iris Petal Length'
)
plt
.
show()
Quantile-Quantile图又叫做QQ图，它主要用于评估分布与理论分布（如正态分布）的拟合程度。QQ 图将观测数据的量值与理论分布的预期量值进行比较。偏离直线表示偏离假定分布，有助于识别偏离正态分布或其他假定分布的情况。
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt
# Generating random data
data = np.random.normal(loc=0, scale=1, size=100)
# Creating QQ plot
stats.probplot(data, dist="norm", plot=plt)
plt.title('QQ Plot')
plt.show()
# Creating a heatmap
sns.heatmap(data, annot=True, cmap='coolwarm')
plt.title('Heatmap of Random Data')
plt.show()
