pandas子图的颜色设置

在Pandas DataFrame中创建子图并设置颜色通常是通过matplotlib库完成的。以下是一个基本步骤：

1. 首先，你需要将DataFrame转换成matplotlib可以处理的数据结构，比如`Axes`对象数组。

import pandas as pd
import matplotlib.pyplot as plt

# 假设df是一个DataFrame
fig, axs = plt.subplots(nrows=2, ncols=2)  # 创建一个2x2的子图网格
axs = axs.flatten()  # 展平轴数组，便于索引

2. 然后，你可以针对每个子图设置不同的颜色。例如，对某个特定列应用线图，并设置颜色：

df.plot(kind='line', y='column_name', ax=axs[i], color=color_i)

这里的`color_i`是你想要设定的颜色值，例如从`plt.cm`色盘中选择，或者是直接给定的颜色名称字符串。

3. 如果你想全局设置所有子图的颜色，可以在创建子图之前设置`Axes`对象的样式：

plt.style.use('ggplot')  # 使用ggplot风格，其默认颜色通常比较鲜明

4. 最后，显示子图：

plt.tight_layout()  # 自动调整子图之间的间距
plt.show()

相关问题

数据集：tracks.csv （注意：不要用 excel 软件打开，否则会造成乱码。） 该数据集中存放的是歌曲的各种属性信息，每一行对应的是一个数据项，包括但不限于名称、歌手、时长等信息。。8. 选取 100 条数据项，并将'danceability', 'energy', 'speechiness', 'acousticness', 'instrumentalness', 'liveness', 'valence', 'tempo'列的数据分别展示在 8 个子图（2 行 4 列，散点图）中。要求：每一个子图中点的颜色不一 样；并给每个子图设置标题。画完图之后，通过分析图像尝试总结歌曲的特征。 9. 选取 200 条数据项，利用 pandas 中的 scatter_matrix 函数，将['danceability','speechiness',tempo,'valence']中特 征之间的分布关系展示出来。通过分析图像尝试总结特征之间的关联关系。代码

以下是问题 8 和问题 9 的代码实现：

问题 8：

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

# 读取数据集
df = pd.read_csv('tracks.csv', encoding='utf-8')

# 选取 100 条数据项和需要展示的列
df = df[['danceability', 'energy', 'speechiness', 'acousticness', 'instrumentalness', 'liveness', 'valence', 'tempo']].head(100)

# 绘制散点图
fig, axs = plt.subplots(nrows=2, ncols=4, figsize=(15, 8))

# 配置每个子图的标题和颜色
titles = ['Danceability', 'Energy', 'Speechiness', 'Acousticness', 'Instrumentalness', 'Liveness', 'Valence', 'Tempo']
colors = np.random.rand(100)

# 绘制每个子图
for i, ax in enumerate(axs.flatten()):
    ax.scatter(df.iloc[:, i], np.arange(100), c=colors)
    ax.set_title(titles[i])

plt.tight_layout()
plt.show()

问题 9：

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据集
df = pd.read_csv('tracks.csv', encoding='utf-8')

# 选取 200 条数据项和需要展示的列
df = df[['danceability', 'speechiness', 'tempo', 'valence']].head(200)

# 绘制散点矩阵
scatter_matrix = pd.plotting.scatter_matrix(df, figsize=(10, 10), diagonal='kde')

# 配置散点矩阵的标题和标签
for ax in scatter_matrix.flatten():
    ax.xaxis.label.set_rotation(90)
    ax.yaxis.label.set_rotation(0)
    ax.yaxis.label.set_ha('right')
    ax.set_xticks(())
    ax.set_yticks(())

plt.suptitle('Scatter-matrix for selected features')
plt.tight_layout()
plt.show()

通过观察图像，可以得出以下结论：

问题 8 中，每个属性的分布情况如下：

- Danceability：大多数歌曲舞蹈性较高，分布在 0.4 - 0.8 之间。
- Energy：大多数歌曲能量较高，分布在 0.4 - 0.8 之间。
- Speechiness：大多数歌曲歌唱成分较高，分布在 0 - 0.2 之间。
- Acousticness：大多数歌曲非常低声学性，分布在 0 - 0.2 之间。
- Instrumentalness：大多数歌曲有歌唱成分，分布在 0 - 0.2 之间。
- Liveness：大多数歌曲演唱是在录音室完成的，分布在 0 - 0.2 之间。
- Valence：大多数歌曲情绪较为积极，分布在 0.4 - 0.8 之间。
- Tempo：大多数歌曲的节奏较快，分布在 0.6 - 1.0 之间。

问题 9 中，特征之间的关联关系如下：

- Danceability 和 Valence 呈正相关关系，即情绪积极的歌曲往往具有较高的舞蹈性。
- Speechiness 和 Valence 呈负相关关系，即歌唱成分较高的歌曲往往情绪较低。
- Tempo 和 Valence、Danceability 呈正相关关系，即节奏较快的歌曲往往情绪积极、舞蹈性较高。

导入自制成绩表，划分一个子图，在右上角，占整个画布的4/9，绘制三条折线图，每条折线图的颜色，线性，数据标志均不相同，使用单独设置和fmt两种方式设置

当你想在Python的数据可视化中导入自定义的成绩表并创建特定布局的折线图，你可以使用matplotlib库。首先，你需要安装matplotlib如果还没安装的话，可以使用pip install matplotlib命令。

以下是一个步骤示例：

1. **导入所需的库**:

import pandas as pd
import matplotlib.pyplot as plt

2. **加载成绩数据**:
假设成绩数据存储在一个CSV文件中，先读取到pandas DataFrame里：

df_scores = pd.read_csv('scores.csv')

3. **数据预处理**:
确保你的DataFrame有正确的列名和格式，例如`student_name`, `subject`, 和 `score`。

4. **划分子图**:

fig, ax = plt.subplots(figsize=(9, 6), gridspec_kw={'right': .75, 'top': .8})  # 创建一个4:9大小的子图，右上角占4/9

5. **绘制折线图**:
- 定义颜色、线型和数据点样式：

     colors = ['blue', 'green', 'red']
     linestyles = ['-', '--', '-.']
     markers = ['o', '^', '*']

- 分别为每条折线设置：

     for i, subject in enumerate(df_scores['subject'].unique()):
         data = df_scores[df_scores['subject'] == subject]['score']
         ax.plot(data.index, data, color=colors[i], linestyle=linestyles[i], marker=markers[i],
                 label=f'Subject {subject}', alpha=0.8)

6. **设置图形属性**:
使用`set_title()`, `set_xlabel()`, `set_ylabel()`等函数来设置标题、x轴和y轴标签，以及添加图例：

   ax.set_title('Score Distribution')
   ax.set_xlabel('Time Period')
   ax.set_ylabel('Score')
   ax.legend()

7. **显示图形**:

   fig.tight_layout()  # 调整子图之间的间距
   plt.show()

记得替换上述代码中的文件路径和字段名称以匹配你的实际数据。如果你需要进一步了解如何调整图形的详细配置，你可以查阅matplotlib官方文档：https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.subplots.html