import pandas as pd
from pyecharts.charts import *
from pyecharts.commons.utils import JsCode
from pyecharts import options as opts
pyecharts 没有的话需要安装一下
3.2 Pandas数据处理
3.21 读取数据
df = pd.read_csv(‘dcd.csv’, encoding = ‘utf-8’)
df.head()
3.22 查看表格数据描述
df.describe()
一共有10000条数据
3.23 查看表格是否有数据缺失
df.isnull().sum()
3.3 Pyecharts可视化
3.31 Pyecharts可视化
counts = df.groupby(‘城市’)[‘品牌’].count().sort_values(ascending=False).head(20)
bar=(
Bar(init_opts=opts.InitOpts(height=‘500px’,width=‘1000px’,theme=‘dark’))
.add_xaxis(counts.index.tolist())
.add_yaxis(
‘城市二手车数量’,
counts.values.tolist(),
label_opts=opts.LabelOpts(is_show=True,position=‘top’),
itemstyle_opts=opts.ItemStyleOpts(
color=JsCode(“”"new echarts.graphic.LinearGradient(
0, 0, 0, 1,[{offset: 0,color: ‘rgb(255,99,71)’}, {offset: 1,color: ‘rgb(32,178,170)’}])
“”"
)
)
)
.set_global_opts(
title_opts=opts.TitleOpts(
title=‘各个城市二手车数量柱状图’),
xaxis_opts=opts.AxisOpts(name=‘书籍名称’,
type_=‘category’,
axislabel_opts=opts.LabelOpts(rotate=90),
),
yaxis_opts=opts.AxisOpts(
name=‘数量’,
min_=0,
max_=1400.0,
splitline_opts=opts.SplitLineOpts(is_show=True,linestyle_opts=opts.LineStyleOpts(type_=‘dash’))
),
tooltip_opts=opts.TooltipOpts(trigger=‘axis’,axis_pointer_type=‘cross’)
)
.set_series_opts(
markline_opts=opts.MarkLineOpts(
data=[
opts.MarkLineItem(type_=‘average’,name=‘均值’),
opts.MarkLineItem(type_=‘max’,name=‘最大值’),
opts.MarkLineItem(type_=‘min’,name=‘最小值’),
]
)
)
)
bar.render_notebook()
可以看到成都的二手车数量是最多的,远超第二。
3.32 各省市二手车平均价格柱状图
means = df.groupby(‘城市’)[‘售价(万元)’].mean().astype(‘int64’).head(20)
bar=(
Bar(init_opts=opts.InitOpts(height=‘500px’,width=‘1000px’,theme=‘dark’))
.add_xaxis(means.index.tolist())
.add_yaxis(
‘城市二手车平均价格’,
means.values.tolist(),
label_opts=opts.LabelOpts(is_show=True,position=‘top’),
itemstyle_opts=opts.ItemStyleOpts(
color=JsCode(“”"new echarts.graphic.LinearGradient(
0, 0, 0, 1,[{offset: 0,color: ‘rgb(255,99,71)’}, {offset: 1,color: ‘rgb(32,178,170)’}])
“”"
)
)
)
.set_global_opts(
title_opts=opts.TitleOpts(
title=‘各个城市二手车平均价格柱状图’),
xaxis_opts=opts.AxisOpts(name=‘城市名称’,
type_=‘category’,
axislabel_opts=opts.LabelOpts(rotate=90),
),
yaxis_opts=opts.AxisOpts(
name=‘平均价格’,
min_=0,
max_=40.0,
splitline_opts=opts.SplitLineOpts(is_show=True,linestyle_opts=opts.LineStyleOpts(type_=‘dash’))
),
tooltip_opts=opts.TooltipOpts(trigger=‘axis’,axis_pointer_type=‘cross’)
)
.set_series_opts(
markline_opts=opts.MarkLineOpts(
data=[
opts.MarkLineItem(type_=‘average’,name=‘均值’),
opts.MarkLineItem(type_=‘max’,name=‘最大值’),
opts.MarkLineItem(type_=‘min’,name=‘最小值’),
]
)
)
)
bar.render_notebook()
不过价格的话,成都就比较平均,帝都遥遥领先。
3.33 二手车品牌占比情况
dcd_pinpai = df[‘品牌’].apply(lambda x:x.split(’ ')[0])
df[‘品牌’] = dcd_pinpai
pinpai = df[‘品牌’].value_counts()
pinpai = pinpai[:5]
datas_pair_1 = [[i, int(j)] for i, j in zip(pinpai.index, pinpai.values)]
datas_pair_1
pie1 = (
Pie(init_opts=opts.InitOpts(theme=‘dark’,width=‘1000px’,height=‘600px’))
.add(‘’, datas_pair_1, radius=[‘35%’, ‘60%’])
.set_series_opts(label_opts=opts.LabelOpts(formatter=“{b}:{d}%”))
.set_global_opts(
title_opts=opts.TitleOpts(
title=“懂车帝二手车\n\n数量占比区间”,
pos_left=‘center’,
pos_top=‘center’,
title_textstyle_opts=opts.TextStyleOpts(
color=‘#F0F8FF’,
font_size=20,
font_weight=‘bold’
),
)
)
)
pie1.render_notebook()
以宝马奥迪这几款车型来看,二手车品牌占比情况,宝马比奥迪胜出一筹。
2.34 二手车里程区间
def tranform_price(x):
if x <= 5.0:
return ‘0~5万公里’
elif x <= 10.0:
return ‘5~10万公里’
elif x <= 15.0:
return ‘10~15万公里’
elif x <= 20.0:
return ‘15~20万公里’
else:
return ‘20万公里以上’
df[‘里程分级’] = df[‘里程(万公里)’].apply(lambda x:tranform_price(x))
price_1 = df[‘里程分级’].value_counts()
datas_pair_1 = [(i, int(j)) for i, j in zip(price_1.index, price_1.values)]
pie1 = (
Pie(init_opts=opts.InitOpts(theme=‘dark’,width=‘1000px’,height=‘600px’))
.add(‘’, datas_pair_1, radius=[‘35%’, ‘60%’])
.set_series_opts(label_opts=opts.LabelOpts(formatter=“{b}:{d}%”))
.set_global_opts(
title_opts=opts.TitleOpts(
title=“懂车帝二手车\n\n里程占比区间”,
pos_left=‘center’,
pos_top=‘center’,
title_textstyle_opts=opts.TextStyleOpts(
color=‘#F0F8FF’,
font_size=20,
font_weight=‘bold’
),
)
)
)
pie1.render_notebook()
基本上都是10公里以内的里程,还是非常有搞头的。看得我都想去冲两台了~
3.4 二手车推荐
k_list = []
the_list = []
keyword = input(‘请输入品牌:’)
data5 = df.loc[df[‘品牌’].str.contains(str(keyword))]
keyword1 = eval(input(‘请输入里程(万公里)上限:’))
data6 = data5[data5[‘里程(万公里)’] <= keyword1]
city = input(‘请输入城市:’)
data7 = data6[data6[‘城市’] == str(city)]
day1 = eval(input(‘请输入售价(万元)下限:’))
day2 = eval(input(‘请输入售价(万元)上限:’))
data8 = data7[(data7[‘售价(万元)’]>=day1)&(data7[‘售价(万元)’]<=day2)]
data8
哈哈 长沙居然没有奥迪 ,不给力啊
最后
Python崛起并且风靡,因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低,但它的晋级路线很多,通过它你能进入机器学习、数据挖掘、大数据,CS等更加高级的领域。Python可以做网络应用,可以做科学计算,数据分析,可以做网络爬虫,可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多,你需要学好基础,再选择明确的方向。这里给大家分享一份全套的 Python 学习资料,给那些想学习 Python 的小伙伴们一点帮助!
👉Python所有方向的学习路线👈
Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
👉Python必备开发工具👈
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
👉Python全套学习视频👈
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
👉实战案例👈
学python就与学数学一样,是不能只看书不做题的,直接看步骤和答案会让人误以为自己全都掌握了,但是碰到生题的时候还是会一筹莫展。
因此在学习python的过程中一定要记得多动手写代码,教程只需要看一两遍即可。
👉大厂面试真题👈
我们学习Python必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有阿里大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!