dexplot 0.0.9

dexplot的Python项目详细描述

importpandasaspdimportdexplotasdxp

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

按部门绘制平均工资

agg参数非常重要，它是将要聚合的内容（通过单点统计进行汇总，如平均值或中值）。它是第一个参数，也是您必须指定的唯一参数（除了data）。如果此列是数字，则默认情况下，将计算其平均值。在这里，我们指定了groupby参数，它的唯一值构成独立的组并标记x轴。

dxp.aggplot(agg='salary',groupby='dept',data=emp)

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

<matplotlib.axes._subplots.AxesSubplot at 0x1192f7160>

>

控制图形大小

dexplot的目标之一是不要深入了解matplotlib的细节。我们可以使用figsize参数来更改绘图的大小。

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h',figsize=(8,4))

<matplotlib.axes._subplots.AxesSubplot at 0x119377b00>

使用色调添加另一个维度

色调参数可用于进一步细分分组方式列中的每个唯一值。请注意，长刻度标签是自动包装的。

dxp.aggplot(agg='salary',groupby='dept',data=emp,hue='gender')

importpandasaspdimportdexplotasdxp

0

聚合字符串/分类列

可以使用字符串/分类列作为聚合变量。在此实例中，将返回该列的唯一值的计数。因为这已经在执行groupby，所以不能在此实例中指定groupby列。让我们按种族统计雇员人数。

importpandasaspdimportdexplotasdxp

1

importpandasaspdimportdexplotasdxp

2

对字符串/分类列使用色调

在聚合字符串/分类列时，不允许使用groupby。但是，我们仍然可以通过指定hue

importpandasaspdimportdexplotasdxp

3

importpandasaspdimportdexplotasdxp

4

使用normalize获取相对频率百分比

通过将值传递给normalize，可以将原始计数转换为百分比。让我们按种族找出所有雇员的百分比。

importpandasaspdimportdexplotasdxp

5

importpandasaspdimportdexplotasdxp

6

可以对任何变量进行规格化

参数normalize可以是传递给参数'agg'、'hue'、'row'、'col'的值之一，也可以是包含任意数量或'all'的元组。例如，在下面的图中，您可以通过race或dept

importpandasaspdimportdexplotasdxp

7

importpandasaspdimportdexplotasdxp

8

按种族规范化的数据

如您所见，数据是按种族标准化的。例如，从图表中，我们可以看出大约30%的黑人雇员是警察部门的成员。我们也可以按部门正常化。从图中可以看出，大约10%的卫生和公共服务员工是亚洲人。

importpandasaspdimportdexplotasdxp

9

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

0

堆积条形图

所有使用色调变量的条形图都可以堆叠。在这里，我们将最高工资按部门按种族分组。

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

1

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

2

叠加计数

按经验级别列出的每个部门的原始计数在此堆叠。

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

3

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

4

叠加相对频率

按种族和经验水平划分的各部门的相对频率。

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

5

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

6

其他类型的绘图line，box，hist和kde

aggplot能够生成其他四种类型的绘图。行图与条形图非常相似，但只是将值连接在一起。让我们回到一个数字列，按部门计算每个性别的薪资中位数。

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

7

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

8

aggfunc可以接受pandas可以接受的任何字符串值

aggfunc可以接受十多个字符串值。这些只是传递给pandasgroupby进行聚合的方法。

所有绘图都可以是垂直和水平的

我们可以用方向旋转所有绘图

emp=pd.read_csv('notebooks/data/employee.csv')emp.head()

9

dxp.aggplot(agg='salary',groupby='dept',data=emp)

0

方块图

与方框图绘制的数据相同。这实际上不是一个聚合，因此这里的aggfunc参数没有意义。相反，将绘制特定组的所有值。

dxp.aggplot(agg='salary',groupby='dept',data=emp)

1

dxp.aggplot(agg='salary',groupby='dept',data=emp)

2

直方图和kde

与boxplots一样，直方图和kde不与aggfunc一起工作，因为它们不是聚合而是简单地为我们显示所有数据。此外，不可能在这些绘图中同时使用groupby和agg。

dxp.aggplot(agg='salary',groupby='dept',data=emp)

3

dxp.aggplot(agg='salary',groupby='dept',data=emp)

4

dxp.aggplot(agg='salary',groupby='dept',data=emp)

5

dxp.aggplot(agg='salary',groupby='dept',data=emp)

6

分割成单独的图

行和列参数可用于将数据分割成单独的绘图。行或列的每个唯一值将创建一个新的绘图。返回一个由整个数字组成的单项元组。

dxp.aggplot(agg='salary',groupby='dept',data=emp)

7

dxp.aggplot(agg='salary',groupby='dept',data=emp)

8

使用wrap参数创建新行/列

将wrap参数设置为整数，以确定新行/列的形成位置。

dxp.aggplot(agg='salary',groupby='dept',data=emp)

9

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

0

wrap对行或列都有效

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

1

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

2

对整个网格同时使用行和列

通过同时使用行和列，可以最大化将数据划分为的变量数。

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

3

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

4

由多个变量规格化

在这之前，我们只用一个变量来规范化。可以用一个元组通过多个变量进行规范化。在这里，我们按部门和性别进行正常化。将每个部门的所有蓝色条加起来应该等于1。

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

5

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

6

用三个变量规格化

在这里，我们按种族、经验水平和性别进行正常化。每个图中的每组橙色/蓝色条将加1。

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

7

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

8

imgalt="png" src="https://warehouse camo.cmh1.psfhosted.org/3123d5276c219892a3e2d5e44ab0bcd336239c1/68747470733a2f72f7261772e676974756275736572636f6e74656e742e636f6d2e646578706c6f2f646578706c6f742f6d617365722f696d616765732f6f757075745f34395f312e706e67" />

联合图

joinplot的工作方式与aggplot不同，因为不进行聚合。它在两个变量之间绘制原始值。它可以使用色调、行和列将数据分成组或新的绘图。默认绘图是散点图，但您也可以为kind参数提供字符串值，以生成线条、kde或条形图。

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

9

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

0

使用色调在同一绘图中分割数据

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

1

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

2

通过设置fit_reg等于true绘制回归线

默认情况下，它在平均值周围绘制95%的置信区间。

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

3

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

4

>

用行和列

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

5

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

0

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

7

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

4

使用s参数更改每个标记的大小

设s等于包含数值的列名，以分别设置每个标记大小。我们需要先创建另一个数值变量，因为数据集只包含两个。

dxp.aggplot(agg='salary',groupby='dept',data=emp,orient='h')

9

<matplotlib.axes._subplots.AxesSubplot at 0x1192f7160>

0

<matplotlib.axes._subplots.AxesSubplot at 0x1190d2128>

0

线条图

<matplotlib.axes._subplots.AxesSubplot at 0x1192f7160>

2 < div > <；样式范围>； .dataframe tbody tr th:仅为{ 垂直对齐：中间； }

<matplotlib.axes._subplots.AxesSubplot at 0x1192f7160>

3 <；/样式>； <表><广告>< T/>日期 关闭符号增益百分比 年 月< /广告><正文>< 0 >2013年10月7日63.7997AAPL2013年 ＜1＜/th>2013年10月7日96.6579 CVX 2013年 ＜2＜/th>2013年10月7日35.0541 txn2013年 ＜3＜/th>2013年10月7日19.4912CSCO2013年1042013年10月7日 310.0300AMZN0.02013年10<表>