如果你会一点编程的话，那么做数据可视化一定要使用Python，原因很简单，使用Python做数据可视化简单而实用，图表类型丰富，Python中的**matplotlib、seaborn、pyecharts**均有强大的绘图功能，下面例举的可视化案例对你一定有所帮助！
常见的数据可视化工具
1. 热力图
使用heatmap函数，用于绘制热力图，从平面图上展示每个数字出现的频率，数字出现的频率越小，则颜色越深，数字出现的频率越大，则颜色越浅，从而将数字信息直观的表达出来。
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()#使用默认设置
plt.figure(figsize=(6,6))
plt.rcParams['font.sans-serif'] = ['SimHei']#显示中文
#提取每一位的中奖号码
series=df['中奖号码'].str.split(' ',expand=True)
#对每一位的中奖号码统计出现次数
df1=df.groupby(series[0]).size()
df2=df.groupby(series[1]).size()
df3=df.groupby(series[2]).size()
df4=df.groupby(series[3]).size()
df5=df.groupby(series[4]).size()
df6=df.groupby(series[5]).size()
df7=df.groupby(series[6]).size()
#横向表合并（行对齐）
data=pd.concat([df1,df2,df3,df4,df5,df6,df7],axis=1,sort=True)
data=data.fillna(0)#空值NaN替换为0
data=data.round(0).astype(int) #浮点数转换为整数
plt.title('双色球中奖数字热力图')
sns.heatmap(data,annot=True,fmt='d',lw=0.5) #绘制热力图
plt.xlabel('中奖号码位数')
plt.ylabel('双色球数字')
x=['前区1','前区2','前区3','前区4','前区5','后区1','后区2']
plt.xticks(range(0,7,1),x,ha='left')
plt.show()
热力图
2. 饼图
对各个区域的销售数计数，导入matplotlib包，传入销售数据列，并对具体的图表参数进行设置，可得出华南区域的销售数占比最大为36.3%，西南区域的销售数占比最小为3.1%。
import matplotlib.pyplot as plt
import matplotlib.style as psl
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
psl.use('ggplot')
df_QY=df.groupby(['区域'])['销售数'].count().reset_index()
#饼图
labels = df_QY['区域'].tolist()
explode = [0.05,0.05,0,0,0,0] # 用于突出显示数据
df_QY['销售数'].plot(kind='pie',figsize=(9,6),
autopct='%.1f%%',#数据标签
labels=labels,
startangle=260, #初始角度
explode=explode, # 突出显示数据
pctdistance=0.87, # 设置百分比标签与圆心的距离
textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值
)
plt.title("各区域销售数占比")
plt.show()
饼图
3. 箱线图
对利润做箱线图，使用boxplot函数，并对箱线图图表的参数进行设置，可得出利润的数据分布情况，箱线图中的大多数利润数据都超过了箱线图的上下限。
import matplotlib.pyplot as plt
import matplotlib.style as psl
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
psl.use('ggplot')
plt.title('利润箱线图')
df_XB=df[df['区域']=='西北']
#箱线图
plt.boxplot(x=df_XB['利润'],#指定绘制箱线图的数据
whis=1.5, #指定1.5倍的四分位数差
widths=0.1, #指定箱线图中箱子的宽度为0.3
showmeans=True, #显示均值
#patch_artist=True, #填充箱子的颜色
#boxprops={'facecolor':'RoyalBlue'}, #指定箱子的填充色为宝蓝色
flierprops={'markerfacecolor':'red','markeredgecolor':'red','markersize':3}, #指定异常值的填充色、边框色和大小
meanprops={'marker':'h','markerfacecolor':'black','markersize':8}, #指定中位数的标记符号（虚线）和颜色
medianprops={'linestyle':'--','color':'orange'}, #指定均值点的标记符号（六边形）、填充色和大小
labels=['西北']
)
plt.show()
箱线图
4. 折线图
对销售数做折线图，导入seaborn库，日期列做为X轴，销售数作为Y轴，由折线图可以看到销售数随日期的波动变化趋势。
import seaborn as sns
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
plt.figure(figsize=(10,6))
# 使用Seaborn绘制折线图
sns.lineplot(data=df, x='日期', y='销售数', color='blue')
# 设置图表标题和轴标签
plt.title('销售数折线图')
plt.xlabel('日期')
plt.ylabel('销售额')
# 显示图形
plt.show()
折线图
5. 词云图
对商品品类做词云图进行展示，wordcloud库可专门做词云图，通过使用字典统计商品类别数量，创建词云对象后，使用matplotlib绘制词云图，由词云图可以看出床品件套的品类最多，办公家具的品类最少。
from wordcloud import WordCloud
import matplotlib.pyplot as plt
# 商品类别列表
product_categories = df['商品品类'].tolist()
# 使用字典统计商品类别数量
category_counts = dict()
for category in product_categories:
if category in category_counts:
category_counts[category] += 1
else:
category_counts[category] = 1
#创建词云对象
wordcloud = WordCloud(font_path='simhei.ttf', background_color='white').generate_from_frequencies(category_counts)
# 使用matplotlib绘制词云图
plt.figure(figsize=(9, 6))
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis("off")
plt.show()
词云图
6. 玫瑰图
调用pyecharts库里面的Pie图表，用来创建玫瑰图，rosetype参数用于设置是否展示成南丁格尔玫瑰图，默认None不展示成玫瑰图，设置rosetype=“radius”，用扇形圆心角展现数据的百分比，通过半径展现数据大小。
import pandas as pd
from pyecharts.charts import Pie
from pyecharts import options as opts
df=pd.read_excel(r'C:\Users\Desktop\电商销售数据.xlsx')
df=df.groupby('省份')['销售数'].sum().reset_index()
df = df.sort_values(by='销售数',ascending=False)
cate =df['省份'].to_list()
data = df['销售数'].to_list()
#玫瑰图美化
pie = Pie(init_opts=opts.InitOpts(width='800px', height='600px', bg_color='white'))
pie.add('',[list(z) for z in zip(cate, data)],radius=['10%', '70%'],center=['50%', '50%'], rosetype="radius"
).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")#设置数据标签
).set_global_opts(title_opts=opts.TitleOpts(title='各省份销售数据玫瑰图',pos_left='350',pos_top='20',
title_textstyle_opts=opts.TextStyleOpts(color='black', font_size=16)),
legend_opts=opts.LegendOpts(is_show=False)#去除图例
).set_colors(
['rgb({b},0,{r})'.format(r=450-10(len(df)-x+1), b=200-10x) for x in range(len(df))])#设置渐变颜色
pie.render_notebook()
如下即创建了一个关于各省份销售数据的玫瑰图，使用代码调用pyecharts库，并导入案例数据，并且调整玫瑰图的视图参数，使得玫瑰图有更好的视觉呈现，直观上可以突出重要数据。
玫瑰图
学习数据可视化工具可根据个人需求和喜好来选择，希望本文的介绍能够帮助你更好地了解Python数据可视化工具，从而更好地进行数据分析和呈现，如果你在学习过程中遇到问题，可随时与我沟通和交流，解决你的数据可视化难题~
Python 的迅速崛起对整个行业来说都是极其有利的 ，但“人红是非多”，导致它平添了许许多多的批评，不过依旧挡不住它火爆的发展势头。
如果你对Python感兴趣，想要学习python，这里给大家分享一份Python全套学习资料，都是我自己学习时整理的，希望可以帮到你，一起加油！
😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
Python全套学习资料
1️⃣零基础入门
① 学习路线
对于从来没有接触过Python的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，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。
② 路线对应学习视频
还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~
③练习题
每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
2️⃣国内外Python书籍、文档
① 文档和书籍资料
3️⃣Python工具包+项目源码合集
①Python工具包
学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
②Python实战案例
光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
③Python小游戏源码
如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
4️⃣Python面试题
我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，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。
5️⃣Python兼职渠道
而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
上述所有资料 ⚡️ ，朋友们如果有需要的，可以扫描下方👇👇👇二维码免费领取🆓
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
