不用Seaborn，这个工具也能绘制超炫的统计图形···

DataCharm

发布于 2023-10-19 15:04:47

1970

发布于 2023-10-19 15:04:47

前言

今天是我的可视化课程上线的第202天，目前学员403人，每篇原创公众号都会记录这个人数，用来督促和激励我的原创内容。目前课程的主要方向是科研、统计、地理相关的学术性图形绘制方法，后续也会增加商务插图、机器学等、数据分析等方面的课程。
参与课程的你将获取到：学员答疑、可视化资源分享、可视化技巧补充、可视化业务代做(学员和甲方对接)、副业交流、提升认知等等。

Python-grplot包包介绍

今天给大家介绍一个Python语言中不常用但非常好用的统计分析可视化包-grplot，它可以快速帮助使用者构建出好看的统计插图，基于 numpy、scipy、matplotlib、seaborn、squarify以及pandas等拓展库，只需一行代码，就能绘制出完整、美观的统计图。

安装依赖

grplot 支持 Python 3.6 以上版本。

安装时需要使用 numpy、scipy、matplotlib、pandas 和 ipython。如果安装了 statsmodels，某些函数将选择使用 statsmodels。

安装方式你可以使用 pip 或conda命令来安装 grplot：

pip install grplot
#或者
conda install -c conda-forge grplot

可视化案例

1.lineplot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


flights = gs.load_dataset('flights')
ax = plot2d(plot='lineplot',
            df=flights,
            x='year',
            y='passengers',
            sep={'passengers':'.', 'year':None},
            text=True,
            ystatdesc='count+unique',
            title='passengers vs year',
            legend_loc='upper left',
            ci=95)

lineplot

histplot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


tips = gs.load_dataset('tips')
ax = plot2d(plot='histplot',
            df=tips,
            x='total_bill',
            xsep='.c',
            ysep='.',
            statdesc={'total_bill':'general'},
            xtick_add='Rp(_)',
            ytext='h',
            title='Histogram Count vs total_bill',
            kde=True,
            alpha=0.75)

histplot

KDE plot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


tips = gs.load_dataset('tips')
ax = plot2d(plot='kdeplot',
            df=tips,
            x='total_bill',
            xsep='.c',
            ysep='.',
            statdesc={'total_bill':'general'},
            xtick_add='Rp(_)',
            title='KDE Density vs total_bill')

KDE plot

Rug plot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


tips = gs.load_dataset('tips')
ax = plot2d(plot='kdeplot+rugplot',
            df=tips,
            x='total_bill',
            xsep='.c',
            ysep='.',
            statdesc={'total_bill':'general'},
            xtick_add='Rp(_)',
            title='KDE-Rug Density vs total_bill')

rug plot

Swarm plot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


tips = gs.load_dataset('tips')
ax = plot2d(plot='boxplot+swarmplot',
            df=tips,
            x='total_bill',
            y='day',
            figsize=[10,6],
            sep='.c',
            xstatdesc='general',
            xtick_add='Rp(_)',
            title='Box-Swarm day vs total_bill')

Swarm plot

Point plot

from grplot import plot2d
import grplot_seaborn as gs
import pandas as pd
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


iris = gs.load_dataset('iris')
iris = pd.melt(iris, 'species', var_name='measurement')
ax = plot2d(plot='stripplot+pointplot',
            df=iris,
            x='value',
            y='measurement',
            sep='.',
            title='measurement vs value',
            hue='species')

Point plot

7.Pareto plot

from grplot import plot2d
import grplot_seaborn as gs
gs.set_theme(context='notebook', style='darkgrid', palette='deep')


tips = gs.load_dataset('tips')
ax = plot2d(plot='paretoplot',
            df=tips,
            x='day',
            y='total_bill',
            sep='.c',
            ytick_add='Rp(_)',
            ytext='h+i',
            title='Pareto total_bill vs day')

Pareto plot

除了上述介绍的图形之外，grplot包还可以绘制二维多姿图样式，可视化结果如下：

更多关于grplot包的语法和其他案例，可参考：grplot包官网[1]

另：本人编写的《科研论文配图绘制指南-基于Python》一书也在修正和新增内容中(已上市，各个平台都有售卖)，也会增加更多统计科研图形的案例。

如何快速掌握科研绘图技巧？

如何快速掌握科研绘图技巧？可以考虑以下几点：

学习基本工具和软件: 先熟悉常用的科研绘图工具和软件，例如Python或者R语言等，选择一款适合你的工具。
参考教程和指南: 在线教程、视频教程和指南是学习的好资源。
模仿和实践: 查看优秀的科研绘图范例，模仿它们的风格和技巧。同时，勤练手，多做练习，实践是提高技能的关键。
了解图表类型和用途: 了解不同类型的科研图表，例如折线图、柱状图、散点图等，以及它们在传达信息方面的优缺点。
注重细节和清晰性: 细节决定成败，确保图表的字体清晰、线条精细、标签明了，避免视觉混乱。
遵循学术规范: 遵循学术期刊或机构对图表的规定和要求，包括字体大小、图表标题、坐标轴标签等。
请教专家或同事: 有条件的同学可以跟随一个大佬进行系统学习，向他们寻求指导和建议，可以加速你的学习过程。

这里笔者建议，在资金允许的前提下，可以报名一个长期有效的可视化课程，别报名那种合集资料、没后期服务的课程。建议参加那种作者本人录制视频、有详细代码和数据、有后期服务、有观课平台(如果这个都没有，真的不建议大家购买，说的再好都不要购买)。如果课程持续更新的最好，最好课程本人有一定影响力(比如出书或者大V），那样自己的权益也会受到保障。感兴趣的读者可以看下我们自己的课程介绍，可视化系列课程推文。完美满足我说的那几个条件····

系统学习可视化

当然，在学习数据可视化的道路上，你也有很多问题得不到解答，也可以加入我们的可视化课程(可视化系列课程推文)后，在学员群里和大家一起谈论，一起进步，或者直接向我提问。如果我觉得你的问题很具有普适性，我会把它写成文章发布在公众号上，让更多人看到，有关我们数据可视化系列课程的服务内容，可以参考下面的阅读原文。