数据可视化|世界杯球迷统计

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

前言

一、Pandas读取数据

二、处理数据

三、使用Matplotlib绘图

1.柱状图

2.绘制散点图

3.绘制散点图和折线图

总结

---

前言

前面学习了Numpy、matplotlib、pandas还没有进行一些练习和训练，这里分享我对于数据可视化的一些练习 此次代码和数据我会打包上传，感兴趣的uu可以去下载

---

提示:此处所以编译均在jupyter notebook执行（jupyter 下载可以看我前面博客）

一、Pandas读取数据

Pandas：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

import pandas as pd
data=pd.read_csv("FIFA World Cup.csv",encoding="ansi")
data

部分结果

二、处理数据

数据都是英文，不方便处理时观看，先将英文转为中文

代码如下（示例）：

此处采用的是复制后删除原数据

data['平均出售率']=data['Averageattendance']
data['最高出席人数']=data['highest attendence of Number']
data['场地最高出席次数']=data['highest attendence of Venue']
data['最高比赛上座率']=data['highest attendence of Game(s)']
data.pop('Venues/Cities')
data.pop('highest attendence of Number')
data.pop('highest attendence of Venue')
data.pop('highest attendence of Game(s)')
data.pop('Averageattendance')
data.pop('Totalattendance 鈥?Matches')
data.pop('Unnamed: 8')
data

结果

 Hosts是举办方，此处不使用，也就保留了

三、使用Matplotlib绘图

1.柱状图

from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
fig=plt.figure()
ax=fig.add_axes([0,0,1,1])
ax.bar(data['Year']-1900,data['最高出席人数'])
ax.set_title("每届世界杯单场最高出席人数")
ax.set_xlabel('年份')
ax.set_ylabel('人数')
ax.set_xticks(data['Year']-1900)
fig.show()

运行结果

 

 此处将1900年为起点（0）开始

2.绘制散点图

from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
fig=plt.figure()
ax=fig.add_axes([0,0,1.5,1])
ax.scatter(data['Year'],data['场地最高出席次数'])  #绘制散点图
#ax.scatter(data['Year'],data['平均出售率'],color='g')
ax.set_title("每届世界杯票数平均出售率")
ax.set_xlabel('年份')
ax.set_ylabel('平均出售率')
ax.set_xticks(data['Year'])
fig.show()

运行结果：

3.绘制散点图和折线图

from matplotlib import pyplot as plt
plt.rcParams["font.sans-serif"]=["SimHei"] #设置字体
plt.rcParams["axes.unicode_minus"]=False #该语句解决图像中的“-”负号的乱码问题
fig=plt.figure()
ax=fig.add_axes([0,0,1.5,1])
ax.plot(data['Year'],data['平均出售率'],color='g')  #绘制折线图
ax.scatter(data['Year'],data['平均出售率'])         #绘制散点图
ax.set_title("每届世界杯票数平均出售率")
ax.set_xlabel('年份')
ax.set_ylabel('平均出售率')
ax.set_xticks(data['Year'])
fig.show()

运行结果：

 同时绘制散点图+折线图，更直观看出图像数据

---

总结

此次例子是小型数据而已，面对大量数据和小量数据处理方式不同，对于小量数据更希望直观看出数据，对于大量数据更想看出规律