python箱線圖
❶ python做箱形圖怎麼設置不同欄位不同顏色
df.boxplot(sym='r*'，vert=False，patch_artist=True，meanline=False，showmeans=True)。
箱線圖，又稱箱形圖（boxplot）或盒式圖，不同於一般的折線圖、柱狀圖或餅圖等傳統圖表，只是數據大小、佔比、趨勢等等的呈現，其包含一些統計學的均值、分位數、極值等等統計量。
該圖信息量較大，不僅能夠分析不同類別數據平均水平差異（需在箱線圖中加入均值點），還能揭示數據間離散程度、異常值、分布差異等等。
❷ Python箱線圖橫坐標錯位
箱線圖可以判斷是左偏還是右偏
箱線圖中,異常值集中在較小值一側,判斷為左偏態,異常值集中在較大值一側,判斷為右偏態。
❸ 如何使用python數據特徵分析與可視化
如何評價利用python製作數據採集，計算，可視化界面
1、為什麼用Python做數據分析
首先因為Python可以輕松地集成C、C++、Fortran代碼，一些底層用C寫的演算法封裝在python包里後性能非常高效。並且Python與Ruby都有大量的Web框架，因此用於網站的建設，另一方面個人覺得因為Python作為解釋性語言相對編譯型語言更為簡單，可以通過簡單的腳本處理大量的數據。而組織內部統一使用的語言將大大提高工作效率。
2、為什麼用R做數據分析
R的優勢在於有包羅萬象的統計函數可以調用，特別是在時間序列分析方面（主要用在金融分析與趨勢預測）無論是經典還是前沿的方法都有相應的包直接使用；相比python在這方面貧乏不少。另外R語言具有強大的可視化功能，一個散點圖箱線圖可以用一條程序搞定，相比Excel更加簡單。
在使用環境方面，SAS在企業、政府及軍事機構使用較多，因其權威認證；SPSS、R大多用於科研機構，企業級應用方面已有大量的商業化R軟體，同時可結合（具體怎麼結合，尚未搞明白）Hadoop進行數據挖掘。
❹ python箱線圖為什麼沒有了
要用到matplotlib：
from matplotlib import pyplot as plta=range(1,10)
plt.boxplot((a,a),labels=('Mon','Tue'))
plt.show()1234
❺ Python數據可視化 箱線圖
Python數據可視化：箱線圖
一、箱線圖概念
箱形圖（Box-plot）又稱為盒須圖、盒式圖或箱線圖，是一種用作顯示一組數據分散情況資料的統計圖。
計算過程：
（1）計算上四分位數（Q3），中位數，下四分位數（Q1）
（2）計算上四分位數和下四分位數之間的差值，即四分位數差（IQR，interquartile range）Q3-Q1
（3）繪制箱線圖的上下范圍，上限為上四分位數，下限為下四分位數。在箱子內部中位數的位置繪制橫線。
（4）大於上四分位數1.5倍四分位數差的值，或者小於下四分位數1.5倍四分位數差的值，劃為異常值（outliers）。
（5）異常值之外，最靠近上邊緣和下邊緣的兩個值處，畫橫線，作為箱線圖的觸須。
（6）極端異常值，即超出四分位數差3倍距離的異常值，用實心點表示；較為溫和的異常值，即處於1.5倍-3倍四分位數差之間的異常值，用空心點表示。
（7）為箱線圖添加名稱，數軸等
二、四分位數的計算
分位數根據其將數列等分的形式不同可以分為中位數，四分位數，十分位數、百分位數等等。四分位數作為分位數的一種形式，在統計中有著十分重要的意義和作用，而大多數的統計學原理教材只介紹其基本含義，對其具體計算，尤其是由組距數列計算都不作介紹，成為統計學原理教材中的空白。那麼，如何根據數列計算四分位數呢？一般來講，視資料是否分組而定。
1、根據未分組的資料計算四分位數
第一步：確定四分位數的位置
四分位數是將數列等分成四個部分的數，一個數列有三個四分位數，設下分位數、中分位數和上分位式中n表示資料的項數
第二步:根據第一步所確定的四分位數的位置，確定其相應的四分位數。
例1：某車間某月份的工人生產某產品的數量分別為13、13.5、13.8、13.9、14、14.6、14.8、15、15.2、15.4、15.7公斤，則三個四分位數的位置分別為：
即變數數列中的第三個、第六個、第九個工人的某種產品產量分別為下四分位數、中位 數和上四分位數。即：
Q1 =13.8公斤、Q2=14.6公斤、Q3=15.2公斤
上例中（n+1）恰好為4的倍數，所以確定四分數較簡單，如果（n+1）不為4的整數倍數，按上述分式計算出來的四分位數位置就帶有小數，這時，有關的四分位數就應該是與該小數相鄰的兩個整數位置上的標志值的平均數，權數的大小取決於兩個整數位置距離的遠近，距離越近，權數越大，距離越遠，權數越小,權數之和等於1。
例2：某車間某月份的工人生產某產品的數量分別為13、13.5、13.8、13.9、14、14.6、14.8、15、15.2、15.4公斤，則三個四分位數的位置分別為：
即變數數列中的第2.75項、第5.5項、第8.25項工人的某種產品產量分別為下四分位 數、中位數和上四分位數。即：
在實際資料中，由於標志值序列中的相鄰標志值往往是相同的，因而不一定要通過計算才能得到有關的四分位數。
2、由組距式數列確定四分位數
第一步，向上或向下累計次數.
第二步，根據累計次數確定四分位數的位置.
（1）、當採用向上累計次數的資料確定四分位數時，四分位數位置的公式是：
（2）、當採用向下累計次數的資料確定四分位數時，四分位數位置的公式是：
第三步，根據四分位數的位置算出各四分位數.
（1）、當累計次數是向上累計時，按下限公式計算各四分位數.
（2）、當累計次數是向下累計時，按上限公式計算各四分位數.
例3：某企業職工按月工資的分組資料如下：
根據上述資料確定某企業職工的月工資的三個四分位數如下：
（1）、採用向上累計職工人數的資料得月工資四分位數的位置為:
（2）、採用向下累計職工人數的資料得月工資四分位數的位置為:
3、異常值
異常值：限制線以外的數據全部為異常值
三、畫圖
# Python
import plotly.plotly
import plotly.graph_objs as go
data = [
go.Box(
y=[0, 1, 1, 2, 3, 5, 8, 13, 21] # 9個數據
)
]
plotly.offline.plot(data) # 離線繪圖
❻ 如何評價利用python製作數據採集,計算,可視化界面呢
先來設置兩個url地址，第一個用於第一次訪問，這樣可以獲得網站伺服器發來的cookie，第二個網址是用於登陸的地址
引入兩個模塊，cookielib和urllib2
接著，我們安裝一個cookie處理器，代碼如下，這個代碼很多人不太能讀懂，其實你會用就可以了，他們就是這個固定的形式，頂多改改變數的名字。你復制下來以後自己用就可以了，用多了，你再去看代碼的意義，你就都懂了。
然後我們先訪問一下網站，獲得一個cookie，你不用管這個cookie該怎麼弄，前面設置的cookie處理器會自動處理。
接著，我們寫一下postdata，也就是你要post的數據，因為我們打算登陸網站，所以postdata里肯定有用戶名和密碼，那麼怎麼知道該怎麼寫postdata呢？看你抓包得到的post數據。下面第一幅圖是httpwatch抓包截圖，點擊postdata，看到post的數據，然後我們看第二幅圖，就是python的寫法。你自己感受一下。
寫完postdata以後，我們 要將postdata轉碼一下，讓伺服器可以解讀postdata數據
接著設置headers信息，headers也是抓包得到的。同樣的方式，你去寫header內的信息
然後我們通過request方法來登陸網站，並返回數據，返回的數據存儲在request中
通過rulopen方法和read方法來讀取數據，並列印出來。
我們看到輸出的結果，這說明我們雖然正確的模擬了登陸網站需要的post信息，但是沒有考慮到登陸網站是需要驗證碼的，後期我們會看到如何處理驗證碼，如果你拿這個教程去處理沒有驗證碼的登陸問題，那麼你現在已經成功了。
❼ python matplotlib 同時畫箱線圖和折線圖的問題
因為boxplot的x坐標默認從1開始！
❽ python中怎麼畫箱線圖
如下灰色框里的就是箱形圖（英文：Box plot）：又稱為盒須圖、盒式圖、盒狀圖或箱線圖，是一種用作顯示一組數據分散情況資料的統計圖。因型狀如箱子而得名。
箱形圖最大的優點就是不受異常值的影響，可以以一種相對穩定的方式描述數據的離散分布情況。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = [1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000, 2100]
df = pd.DataFrame(data)
df.plot.box(title="hua tu")
plt.grid(linestyle="--", alpha=0.3)
plt.show()
❾ 在python中如何繪制畫兩組箱形圖
授人以魚不如授人以漁，想畫什麼圖就去matplotlib官網找有沒有類似的，把對應代碼改一改，完美解決
❿ 為什麼要使用Python進行數據分析
我使用python這門語言也有三年了，被其簡潔、易讀、強大的庫所折服，我已經深深愛上了python。其pythonic語言特性，對人極其友好，可以說，一個完全不懂編程語言的人，看懂python語言也不是難事。
在數據分析和交互、探索性計算以及數據可視化等方面，相對於R、MATLAB、SAS、Stata等工具，Python都有其優勢。近年來，由於Python庫的不斷發展（如pandas），使其在數據挖掘領域嶄露頭角。結合其在通用編程方面的強大實力，我們完全可以只使用Python這一種語言去構建以數據為中心的應用程序。
由於python是一種解釋性語言，大部分編譯型語言都要比python代碼運行速度快，有些同學就因此鄙視python。但是小編認為，python是一門高級語言，其生產效率更高，程序員的時間通常比CPU的時間值錢，因此為了權衡利弊，考慮用python是值得的。
Python強大的計算能力依賴於其豐富而強大的庫：
Numpy
Numerical Python的簡稱，是Python科學計算的基礎包。其功能：
1. 快速高效的多維數組對象ndarray。
2. 用於對數組執行元素級計算以及直接對數組執行數學運算的函數。
3. 線性代數運算、傅里葉變換，以及隨機數生成。
4. 用於將C、C++、Fortran代碼集成到Python的工具。
除了為Python提供快速的數組處理能力，NumPy在數據分析方面還有另外一個主要作用，即作為在演算法之間傳遞數據的容器。對於數值型數據，NumPy數組在存儲和處理數據時要比內置的Python數據結構高效得多。此外，由低級語言（比如C和Fortran）編寫的庫可以直接操作NumPy數組中的數據，無需進行任何數據復制工作。
SciPy
是一組專門解決科學計算中各種標准問題域的包的集合，主要包括下面這些包：
1. scipy.integrate：數值積分常式和微分方程求解器。
2. scipy.linalg：擴展了由numpy.linalg提供的線性代數常式和矩陣分解功能。
3. scipy.optimize：函數優化器（最小化器）以及根查找演算法。
4. scipy.signal：信號處理工具。
5. scipy.sparse：稀疏矩陣和稀疏線性系統求解器。
6. scipy.special：SPECFUN（這是一個實現了許多常用數學函數（如伽瑪函數）的Fortran庫）的包裝器。
7. scipy.stats：標准連續和離散概率分布（如密度函數、采樣器、連續分布函數等）、各種統計檢驗方法，以及更好的描述統計法。
8. scipy.weave：利用內聯C++代碼加速數組計算的工具。
註：NumPy跟SciPy的有機結合完全可以替代MATLAB的計算功能（包括其插件工具箱）。
SymPy
是python的數學符號計算庫，用它可以進行數學表達式的符號推導和演算。
pandas
提供了使我們能夠快速便捷地處理結構化數據的大量數據結構和函數。你很快就會發現，它是使Python成為強大而高效的數據分析環境的重要因素之一。
pandas兼具NumPy高性能的數組計算功能以及電子表格和關系型資料庫(如SQL)靈活的數據處理功能。它提供了復雜精細的索引功能，以便更為便捷地完成重塑、切片和切塊、聚合以及選取數據子集等操作。
對於使用R語言進行統計計算的用戶，肯定不會對DataFrame這個名字感到陌生，因為它源自於R的data.frame對象。但是這兩個對象並不相同。R的data.frame對象所提供的功能只是DataFrame對象所提供的功能的一個子集。也就是說pandas的DataFrame功能比R的data.frame功能更強大。
matplotlib
是最流行的用於繪制數據圖表的Python庫。它最初由John D. Hunter（JDH）創建，目前由一個龐大的開發人員團隊維護。它非常適合創建出版物上用的圖表。它跟IPython（馬上就會講到）結合得很好，因而提供了一種非常好用的互動式數據繪圖環境。繪制的圖表也是互動式的，你可以利用繪圖窗口中的工具欄放大圖表中的某個區域或對整個圖表進行平移瀏覽。
TVTK
是python數據三維可視化庫，是一套功能十分強大的三維數據可視化庫，它提供了Python風格的API，並支持Trait屬性(由於Python是動態編程語言，其變數沒有類型，這種靈活性有助於快速開發，但是也有缺點。而Trait庫可以為對象的屬性添加檢校功能，從而提高程序的可讀性，降低出錯率。) 和NumPy數組。此庫非常龐大，因此開發公司提供了一個查詢文檔，用戶可以通過下面語句運行它：
>>> from enthought.tvtk.toolsimport tvtk_doc
>>> tvtk_doc.main()
Scikit-Learn
是基於python的機器學習庫，建立在NumPy、SciPy和matplotlib基礎上，操作簡單、高效的數據挖掘和數據分析。其文檔、實例都比較齊全。
小編建議：初學者使用python(x, y)，其是一個免費的科學和工程開發包，提供數學計算、數據分析和可視化展示。非常方便！