5.1 作图的重要性
在分析一个数据之前, 我们首先要对数据进行检查, 在统计上看一下汇总统计, 比如最大值, 最小值, 中位数, 平均值, 方差, 标准差, 变异系数等等.直方图, 看一下数据的分布情况
箱线图, 看一下数据的分布, 有无异常值
所谓一图胜千言.
python中的作图工具
5.2 散点图
# Import standard packages
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import scipy.stats as stats
import seaborn as sns
这里生成了500个随机数, 使用plot进行作图
# Generate the data
x = np.random.randn(500)
# Plot-command start ---------------------
plt.plot(x, '.')
# Plot-command end -----------------------
# Show plot
a2 = plt.show()
5.3 直方图
a3 = plt.hist(x,bins=25)
5.4 箱线图
a4 = plt.boxplot(x);
练习corn.csv
corn是R包agridat中的smith.corn.uniformity玉米数据, 我们来看一下如何对其可视化?
row col plot year yield
1 20 1 101 95 30.0
2 19 1 102 95 29.1
3 18 1 103 95 25.7
4 17 1 104 95 26.3
5 16 1 105 95 30.3
6 15 1 106 95 31.1
首先, 在R中将其保存为corn.csv, 保存到D盘根目录(方便读取)
library(agridat)
data(smith.corn.uniformity)
dat = smith.corn.uniformity
head(dat)
write.csv(dat,"d:/corn.csv",row.names = F)
用python读取数据, 使用pandas包
import pandas as pd
corn = pd.read_csv("d:/corn.csv")
查看前六行
corn.head()
row col plot year yield 0 20 1 101 95 30.0 1 19 1 102 95 29.1 2 18 1 103 95 25.7 3 17 1 104 95 26.3 4 16 1 105 95 30.3
对产量yield作图
import matplotlib.pyplot as plt
c1 = plt.plot(corn["yield"],".")
c2 = plt.hist(corn["yield"])
c3 = plt.boxplot(corn["yield"])
