python統計繪圖,python 做圖 酷炫 統計

本文目錄一覽：

• 1、Python氣象數據處理與繪圖(2)：常用數據計算方法
• 2、03_Python 使用Matplotlib繪圖
• 3、Python 數據可視化：數據分布統計圖和熱圖
• 4、python繪圖小結（2）

Python氣象數據處理與繪圖(2)：常用數據計算方法

對於氣象繪圖來講，第一步是對數據的處理，通過各類公式，或者統計方法將原始數據處理為目標數據。

按照氣象統計課程的內容，我給出了一些常用到的統計方法的對應函數：

在計算氣候態，區域平均時均要使用到求均值函數，對應NCL中的dim_average函數，在python中通常使用np.mean()函數

numpy.mean(a, axis, dtype)

假設a為[time,lat,lon]的數據，那麼

需要特別注意的是，氣象數據中常有缺測，在NCL中，使用求均值函數會自動略過，而在python中，當任意一數與缺測(np.nan)計算的結果均為np.nan，比如求[1,2,3,4，np.nan]的平均值，結果為np.nan

因此，當數據存在缺測數據時，通常使用np.nanmean()函數，用法同上，此時[1,2,3,4，np.nan]的平均值為(1+2+3+4)/4 = 2.5

同樣的，求某數組最大最小值時也有np.nanmax(), np.nanmin()函數來補充np.max(), np.min()的不足。

其他很多np的計算函數也可以通過在前邊加‘nan’來使用。

另外，

也可以直接將a中缺失值全部填充為0。

np.std(a, axis, dtype)

用法同np.mean()

在NCL中有直接求數據標準化的函數dim_standardize()

其實也就是一行的事，根據需要指定維度即可。

皮爾遜相關係數：

相關可以說是氣象科研中最常用的方法之一了，numpy函數中的np.corrcoef(x, y)就可以實現相關計算。但是在這裡我推薦scipy.stats中的函數來計算相關係數：

這個函數缺點和有點都很明顯，優點是可以直接返回相關係數R及其P值，這避免了我們進一步計算置信度。而缺點則是該函數只支持兩個一維數組的計算，也就是說當我們需要計算一個場和一個序列的相關時，我們需要循環來實現。

其中a[time,lat,lon]，b[time]

(NCL中為regcoef()函數)

同樣推薦Scipy庫中的stats.linregress(x,y)函數：

slop: 回歸斜率

intercept：回歸截距

r_value： 相關係數

p_value： P值

std_err： 估計標準誤差

直接可以輸出P值，同樣省去了做置信度檢驗的過程，遺憾的是仍需同相關係數一樣循環計算。

03_Python 使用Matplotlib繪圖

不知不覺，已經進入第12周了，Python數據分析的學習現今也已經進入了中後期，在繼上周進行了Numpy的康威生命遊戲的編寫之後；緊接着進行的學習就是利用Python的Matplotlib模塊來練習繪圖。 這次由於涉及到圖像，所以引用了一些丁燁老師的pdf的截圖。主要是進行用Matplotlib模塊來進行MATLAB能做的數據分析繪圖工作，並結合Numpy和Matplotlib來做一個掃雷小遊戲。

matplotlib官網

Python 數據可視化：數據分布統計圖和熱圖

本課將繼續介紹 Seaborn 中的統計圖。一定要牢記，Seaborn 是對 Matplotlib 的高級封裝，它優化了很多古老的做圖過程，因此才會看到一個函數解決問題的局面。

在統計學中，研究數據的分布情況，也是一個重要的工作，比如某些數據是否為正態分布——某些機器學習模型很在意數據的分布情況。

在 Matplotlib 中，可以通過繪製直方圖將數據的分布情況可視化。在 Seaborn 中，也提供了繪製直方圖的函數。

輸出結果：

sns.distplot 函數即實現了直方圖，還順帶把曲線畫出來了——曲線其實代表了 KDE。

除了 sns.distplot 之外，在 Seaborn 中還有另外一個常用的繪製數據分布的函數 sns.kdeplot，它們的使用方法類似。

首先看這樣一個示例。

輸出結果：

① 的作用是設置所得圖示的背景顏色，這樣做的目的是讓下面的 ② 繪製的圖像顯示更清晰，如果不設置 ①，在顯示的圖示中看到的就是白底圖像，有的部分看不出來。

② 最終得到的是坐標網格，而且在圖中分為三部分，如下圖所示。

相對於以往的坐標網格，多出了 B 和 C 兩個部分。也就是說，不僅可以在 A 部分繪製某種統計圖，在 B 和 C 部分也可以繪製。

繼續操作：

輸出結果：

語句 ③ 實現了在坐標網格中繪製統計圖的效果，jp.plot 方法以兩個繪圖函數為參數，分別在 A 部分繪製了回歸統計圖，在 B 和 C 部分繪製了直方圖，而且直方圖分別表示了對應坐標軸數據的分布，即：

我們把有語句 ② 和 ③ 共同實現的統計圖，稱為聯合統計圖。除了用 ② ③ 兩句可以繪製這種圖之外，還有一個函數也能夠“兩步並作一步”，具體如下：

輸出結果：

python繪圖小結（2）

#例題1繪製一個四葉草

import turtle

turtle.color(“green”,”green”)

turtle.setheading(90)

turtle.begin_fill()

for i in range(4):

    turtle.circle(-100,180)

    turtle.left(90)

turtle.end_fill()

turtle.done()

#例題2繪製一個四角星

import turtle

turtle.color(“yellow”,”yellow”)

turtle.begin_fill()

for i in range(4):

    turtle.circle(100,90)

    turtle.right(180)

turtle.end_fill()

turtle.done()

#例題3繪製一個四葉花瓣

import turtle

turtle.color(“pink”,”pink”)

turtle.begin_fill()

turtle.circle(-100,90)

turtle.right(90)

turtle.circle(-100,90)

turtle.circle(100, 90)

turtle.right(90)

turtle.circle(-100, -90)

turtle.right(90)

turtle.circle(-100, 90)

turtle.right(90)

turtle.circle(-100, 90)

turtle.circle(100, 90)

turtle.right(90)

turtle.circle(-100, -90)

turtle.end_fill()

turtle.done()

#例題4輸入一個數字，繪製以該數字為邊數的正多邊形

import turtle

a=int(turtle.textinput(“繪製正多邊形”,”請輸入邊數：”))

turtle.circle(100,360,a)

turtle.done()