【Python学习1】matplotlib和pandas库绘制人口数变化曲线

最新推荐文章于 2024-06-21 12:52:40 发布

大道随心

最新推荐文章于 2024-06-21 12:52:40 发布

阅读量1k

点赞数 25

分类专栏： Python 文章标签： python 学习 matplotlib

本文链接：https://blog.csdn.net/kewaqi618/article/details/139502700

版权

Python 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

在这里插入图片描述
✍🏻记录学习过程中的输出，坚持每天学习一点点~
❤️希望能给大家提供帮助~欢迎点赞👍🏻+收藏⭐+评论✍🏻+指点🙏

一、Python库说明

Matplotlib

Matplotlib是一个功能强大的Python 2D绘图库，它允许用户生成具有出版品质的图形，并支持多种硬拷贝格式和跨平台的交互式环境。以下是关于Matplotlib的详细介绍：

1. 基础知识

基本图表元素：
x轴和y轴：水平和垂直的轴线。
x轴和y轴刻度：刻度标示坐标轴的分隔，包括最小刻度和最大刻度。
x轴和y轴刻度标签：表示特定坐标轴的值。
绘图区域：实际绘图的区域。
常用属性：
hold属性（不推荐使用，有警告）：默认为True，允许在一幅图中绘制多个曲线；当设置为False时，每一个plot都会覆盖前面的plot。
网格线：使用grid方法为图添加网格线，可以通过设置参数调整网格线的粗细和明暗程度。
坐标轴范围：除了plt.axis方法，还可以通过xlim和ylim方法设置坐标轴范围。
图例：使用legend方法添加图例，可以通过在plot函数中增加label参数或在legend方法中传入字符串列表来配置。

2. 安装与导入

安装matplotlib的指令：pip install matplotlib（注意，matplotlib需要numpy的支持，如果未安装numpy，请先安装numpy）。
推荐的导入matplotlib的写法：import matplotlib.pyplot as plt。

3. 常用函数

pyplot.plot：用于绘制线性图、散点图、条形图等多种图形。
pyplot.scatter：用于绘制散点图，可以指定每个数据点的大小和颜色。
pyplot.bar：用于绘制垂直条形图，如果需要绘制水平条形图，则使用pyplot.barh。
pyplot.pie：用于绘制饼状图，展示不同类别占总数的比例。
pyplot.contour：用于绘制等值线图，展示不同位置的数值高低。
pyplot.imshow：用于展示图像，可以指定二维数组作为图像数据。
pyplot.hist：用于绘制直方图，展示数据的分布情况。

4. 配置

永久配置：matplotlib的配置信息是从配置文件读取的。可以在用户级配置文件（如~/.matplotlib/matplotlibrc）中设置永久有效的默认值。
动态配置：在程序中通过代码进行配置，可以覆盖配置文件中的设置。配置方法的优先级为：Matplotlib函数中的设置 > 当前目录下的matplotlibrc文件 > 用户级matplotlibrc文件 > 全局matplotlibrc文件。

5. 示例

Matplotlib的强大之处在于其能够轻松地绘制出各种复杂且美观的图形。例如，通过组合使用不同的函数和设置，可以创建包含散点图、直方图、饼图等多种图形的复杂图表，用于数据分析和可视化。

总之，Matplotlib是一个功能丰富且易于使用的Python绘图库，适用于各种数据分析和可视化场景。

Pandas

Pandas是一个基于NumPy构建的Python数据分析库，它提供了高效且易于使用的数据结构和数据分析工具。以下是关于Pandas的详细介绍：

1. 基本信息

定义：Pandas是一个开源的Python库，最初由AQR Capital Management于2008年4月开发，并于2009年底开源。Pandas的名字来源于“panel data”（面板数据）和“Python data analysis”（Python数据分析）。
作用：Pandas为Python提供了高性能、易于使用的数据结构和数据分析工具，是Python数据分析的核心库之一。

2. 数据结构

Series：Pandas中的一维数组结构，类似于NumPy的一维数组和Python的列表。它可以保存任何数据类型（整数、浮点数、字符串、布尔值等），并有一个与之相关的数据标签（即索引）。
DataFrame：Pandas中的二维表格型数据结构，类似于电子表格或SQL表。DataFrame由多个Series组成，每个Series代表一列。DataFrame既有行索引也有列索引，可以方便地进行数据查找和操作。
其他数据结构：Pandas还支持Panel（三维数组）、Panel4D（四维数组）和PanelND（更多维数组）等数据结构，但Series和DataFrame是应用最为广泛的数据结构。

3. 主要功能

数据读取与写入：Pandas可以从各种文件格式（如CSV、JSON、Excel、SQL等）读取数据，也可以将数据写入这些文件格式。
数据清洗与预处理：Pandas提供了丰富的数据清洗和预处理功能，如缺失值处理、数据类型转换、重复数据删除、数据排序等。
数据探索性分析：Pandas可以计算数据的描述性统计信息（如平均数、中位数、标准差等），并可以绘制各种图表（如直方图、散点图、折线图等）进行数据可视化。
数据建模与分析：Pandas支持各种数据建模和分析方法，如线性回归、逻辑回归、聚类等。

4. 使用场景

金融数据分析：Pandas最初被作为金融数据分析工具而开发出来，因此它在金融领域有着广泛的应用。
学术研究：Pandas在统计学、数据科学、机器学习等领域的学术研究中也有广泛的应用。
商业智能：Pandas可以帮助企业从大量数据中提取有价值的信息，支持商业决策的制定。

5. 特点

高性能：Pandas基于NumPy构建，继承了NumPy的高性能特性。
易用性：Pandas提供了丰富的API和函数，使得数据分析变得简单而高效。
灵活性：Pandas支持多种数据结构和文件格式，并提供了灵活的数据处理和分析方法。
可扩展性：Pandas是开源项目，有着庞大的社区支持和丰富的插件生态系统，可以方便地扩展其功能。

6. 示例

使用Pandas进行数据分析的示例代码可能包括读取数据、数据清洗、数据探索性分析、数据建模等环节。具体示例可以参考Pandas的官方文档和教程。

二、编码案例

1. 数据准备

提前准备一个文本文件（如CSV），其中包含年份、出生人口数、死亡人口数和人口总数。
在这里插入图片描述

2.读取数据

使用Pandas库来读取数据。

# 读取CSV文件
df = pd.read_csv('PopulationTest.csv')

3.处理数据

将读取的数据转换为适当的数据结构。

# 确保年份是整数（如果需要）
df['Year'] = df['Year'].astype(int)

# 计算人口增长情况
df['PopulationGrowth'] = df['Births'] - df['Deaths']

# 提取年份和增长数据
years = df['Year']
growth_rates = df['PopulationGrowth']

4.绘制图形

使用matplotlib库来绘制曲线。

# 绘制人口和死亡人数曲线
plt.figure(figsize=(12, 6))  # 设置图形大小

# 绘制人口增长曲线
plt.plot(df['Year'], df['Births'], label='Births', marker='o')

# 绘制死亡人数曲线
plt.plot(df['Year'], df['Deaths'], label='Deaths', marker='^', linestyle='--')

# 添加标题和轴标签
plt.title('Births and Deaths Over Time')
plt.xlabel('Year')
plt.ylabel('Number')

# 添加图例
plt.legend()

# 添加网格线
plt.grid(True)

# 显示图形
plt.show()

# 绘制人口增长曲线
plt.figure(figsize=(12, 8))
plt.plot(df['Year'], df['PopulationGrowth'], label='PopulationGrowth', marker='o')

# 为每个数据点添加标签
for i, txt in enumerate(df['PopulationGrowth']):
    if i % 2 == 0:
        plt.annotate(f'{txt:.2f}', (df['Year'][i], txt), textcoords="offset points",
                     xytext=(0, 10), ha='center', color='red')  # xytext是文本相对于数据点的位置
    else:
        plt.annotate(f'{txt:.2f}', (df['Year'][i], txt), textcoords="offset points",
                     xytext=(0, -10), ha='center', color='green')  # xytext是文本相对于数据点的位置

# 添加标题和轴标签
plt.title('PopulationGrowth Over Time')
plt.xlabel('Year')
plt.ylabel('PopulationGrowth')

# 添加图例
plt.legend()

# 添加网格线
plt.grid(True)

# 显示图形
plt.show()

# 绘制柱状图
plt.figure(figsize=(12, 6))
bars = plt.bar(years, growth_rates, color='blue', edgecolor='black')  # 设置柱子的颜色和边框颜色


# 为每个柱子添加标签
def autolabel(bars):
    i = 0
    for bar in bars:
        i+=1
        height = bar.get_height()
        if i%2==0:
            plt.text(bar.get_x() + bar.get_width() / 2., height, f'{height}',
                     ha='center', va='bottom', color='black')  # 设置标签文本、位置、颜色等
        elif i%3==0:
            plt.text(bar.get_x() + bar.get_width() / 2., height-50, f'{height}',
                     ha='center', va='bottom', color='red')  # 设置标签文本、位置、颜色等
        else:
            plt.text(bar.get_x() + bar.get_width() / 2., height-100, f'{height}',
                     ha='center', va='bottom', color='brown')  # 设置标签文本、位置、颜色等


autolabel(bars)

# 添加标题和轴标签
plt.title('Population Growth Rate Over Time')
plt.xlabel('Year')
plt.ylabel('Growth Rate (%)')

# 显示网格线（可选）
plt.grid(True, axis='y', alpha=0.5)

# 显示图形
plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域
plt.show()