Python数据可视化 | Pyecharts绘制江西省财政收入分布图

大量色调单一的数据表往往会给阅读者带来枯燥乏味的感觉,不利于相关数据项目的展示。而数据可视化具有易于理解、突出数据重点等显著优势,提高阅读速度的同时给读者留下更深刻的印象。那么如何将数据进行可视化处理呢?本文以江西省各地区财政收入为例,利用Python中的Pyecharts库通过绘制江西省地图的方式实现数据可视化。

安装Pyecharts库

打开Anaconda Prompt,输入pip install pyecharts-U进行安装

导入相关库

导入pandas库、numpy库以及相关作图工具,本文使用的是Map地图

import pandas as pd   import numpy as np   from pyecharts import options as opts   from pyecharts.charts import Map   

导入数据文件

江西省11市2023年前三季度财政收入.xlsx文件获取:链接:https://pan.baidu.com/s/11m2mejSUyQh553DsLwOIcA 提取码:5vop

data = pd.read_excel("D:\python\江西省11市2023年前三季度财政收入.xlsx")   data   

|
| 序号 | 地区 | 2023年前三季度财政收入(亿元) |
| — | — | — | — |
| 0 | 1 | 南昌市 | 394.40 |
| 1 | 2 | 赣州市 | 271.45 |
| 2 | 3 | 九江市 | 256.90 |
| 3 | 4 | 宜春市 | 238.26 |
| 4 | 5 | 上饶市 | 235.40 |
| 5 | 6 | 吉安市 | 164.59 |
| 6 | 7 | 抚州市 | 119.58 |
| 7 | 8 | 萍乡市 | 108.03 |
| 8 | 9 | 鹰潭市 | 92.79 |
| 9 | 10 | 新余市 | 77.40 |
| 10 | 11 | 景德镇市 | 67.98 |

生成数据列表

[list(z) for z in zip(data['地区'],data['2023年前三季度财政收入(亿元)'])]   

这段代码是使用列表推导式(list comprehension)来创建一个由元组组成的列表。代码的目的是将两个列表data['地区']data['2023年前三季度财政收入(亿元)']中的元素逐对合并为元组,并将这些元组放入一个新的列表中。

  1. zip(data['地区'], data['2023年前三季度财政收入(亿元)']): zip 函数将两个列表中的元素一一配对,形成一个元组的迭代器。

  2. for z in ...: 对于 zip 函数返回的每个配对的元组,使用变量 z 进行迭代。

  3. list(z): 将每个元组 z 转换为列表。

  4. 最终,整个列表推导式会生成一个新的列表,其中包含了由原始两个列表中相应位置的元素组成的元组。这个新列表的每个元素都是一个包含两个值的列表,代表地区和财政收入的配对。

    [[‘南昌市’, 394.4], [‘赣州市’, 271.45], [‘九江市’, 256.9], [‘宜春市’, 238.26], [‘上饶市’, 235.4], [‘吉安市’, 164.59], [‘抚州市’, 119.58], [‘萍乡市’, 108.03], [‘鹰潭市’, 92.79], [‘新余市’, 77.4], [‘景德镇市’, 67.98]]

绘制数据化图像

m = (Map(init_opts=opts.InitOpts(width="1600px",height="800px")) #设置图表长宽,确定大小       .add("地区", #添加数据系列名称            [list(z) for z in zip(data['地区'],data['2023年前三季度财政收入(亿元)'])], #读取数据           "江西") #选择江西省地图              .set_global_opts(           title_opts=opts.TitleOpts(title="2023年前三季度江西省各地区财政收入分布", #设置图表标题                                    title_textstyle_opts=opts.TextStyleOpts(font_size=30), #标题字体大小                                    pos_left='30%'), #调整标题位置           visualmap_opts=opts.VisualMapOpts(max_=400, #根据最高财政收入合理设置分布图范围最大值                                             is_piecewise=True, #将数据分段                                             split_number=4, #本文将财政收入分为4个区间段,即0-100,100-200,200-300,300-400                                             range_color=["#00BFFF","#00FF00","#FFFF00","#FF3030"], #为不同区间段配置不同颜色相对应,蓝色#00BFFF、绿色#00FF00、黄色#FFFF00、红色FF3030                                             range_text=['亿元',''], #设置数据单位                                             pos_top='80%',pos_left='30%'), #调整位置           legend_opts=opts.LegendOpts(is_show=False), #隐藏“地区”标签,美化图表       ))   m.render("./2023年前三季度江西省各地区财政收入分布.html") #保存至html文件中   

查看文件结果

找到最终文件输出位置,打开html文件,点击任意地区即可了解对应财政收入具体数字,从颜色对比上直观的反映出了不同地区的财政收入分布情况。以此类推,运用本组代码及相关统计数据还可绘制出各地区人口、GDP、人均消费等地理分布图。

全套代码

import pandas as pd   import numpy as np   from pyecharts import options as opts   from pyecharts.charts import Map      data = pd.read_excel("D:\python\江西省11市2023年前三季度财政收入.xlsx")   m = (Map(init_opts=opts.InitOpts(width="1600px",height="800px"))       .add("地区",            [list(z) for z in zip(data['地区'],data['2023年前三季度财政收入(亿元)'])],           "江西")              .set_global_opts(           title_opts=opts.TitleOpts(title="2023年前三季度江西省各地区财政收入分布",                                     title_textstyle_opts=opts.TextStyleOpts(font_size=30),                                     pos_left='30%'),            visualmap_opts=opts.VisualMapOpts(max_=400,                                              is_piecewise=True,                                              split_number=4,                                              range_color=["#00BFFF","#00FF00","#FFFF00","#FF3030"],                                             range_text=['亿元',''],                                              pos_top='80%',pos_left='30%'),           legend_opts=opts.LegendOpts(is_show=False)       ))   m.render("./2023年前三季度江西省各地区财政收入分布.html")

以上就是“Python数据可视化 | Pyecharts绘制江西省财政收入分布图”的全部内容,希望对你有所帮助。

关于Python技术储备

学好 Python 不论是就业还是做副业赚钱都不错,但要学会 Python 还是要有一个学习规划。最后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!

一、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。

在这里插入图片描述

二、Python必备开发工具

img

三、Python视频合集

观看零基础学习视频,看视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

img

四、实战案例

光学理论是没用的,要学会跟着一起敲,要动手实操,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。

img

五、Python练习题

检查学习结果。

img

六、面试资料

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。

img

最后祝大家天天进步!!

上面这份完整版的Python全套学习资料已经上传至CSDN官方,朋友如果需要可以直接微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】。

  • 18
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 要绘制Python二手房数据的户型分布图,我们可以使用Matplotlib和Seaborn这两个Python数据库来实现。 首先,我们需要导入需要的库,包括Pandas用于数据处理,Matplotlib和Seaborn用于数据: ``` import pandas as pd import matplotlib.pyplot as plt import seaborn as sns ``` 接下来,我们可以加载二手房数据集,并筛选出户型的列: ``` data = pd.read_csv('二手房数据.csv') 户型 = data['户型'] ``` 为了绘制户型分布图,我们可以使用Seaborn中的countplot函数: ``` sns.countplot(x=户型) plt.xlabel('户型') plt.ylabel('数量') plt.title('二手房户型分布图') plt.xticks(rotation=45) plt.show() ``` 这段代码将根据户型列的取值数量绘制一个柱状图,横坐标为户型的值,纵坐标为数量。我们还可以设置横坐标标签、纵坐标标签和图表标题,使其更加清晰易懂。为了防止横坐标标签过于拥挤,我们可以通过`rotation`参数来旋转横坐标标签。 最后,我们通过`plt.show()`来显示图表。 综上所述,以上代码可以使用Python绘制二手房数据的户型分布图。 ### 回答2: Python是一种强大的编程语言,它支持各种数据处理和可操作。用Python进行二手房数据绘制绘制户型分布图非常简单。 首先,你需要获取二手房数据,并将其储存在一个适当的数据结构中,比如列表或者Pandas的DataFrame。每个数据项应该包含有关房屋的各种信息,例如户型、面积、价格等。 接下来,你可以使用Python中的各种数据库来绘制户型分布图。其中最常用的库之一是Matplotlib,它提供了各种绘图功能,包括直方图、柱状图和饼图等。 如果你想要绘制户型的频率分布图,可以使用Matplotlib的柱状图功能。你可以将不同户型作为X轴,每个户型在数据中的数量作为Y轴。通过将数据传递给matplotlib.pyplot的bar函数,你可以生成一个美观的柱状图。你还可以添加标签和标题来增加图表的可读性。 另外,如果你想要绘制户型的相对比例图,可以使用Matplotlib的饼图功能。你可以计算每个户型在数据中的占比,并将其作为数据传递给matplotlib.pyplot的pie函数。你还可以添加图例和标签来更好地展示不同户型的比例关系。 除了Matplotlib,还有其他一些Python库也可以用于二手房数据的可,例如Seaborn和Plotly。这些库提供了更多的可选项和样式,可以让你创建出更丰富和交互式的图表。 总而言之,使用Python进行二手房数据,并绘制户型分布图是相对简单的。只需几行代码,你就可以创建出漂亮和易于理解的图形,从中获取对二手房市场的洞察。 ### 回答3: 要实现python二手房数据的可绘制户型分布图,可以采用以下步骤: 1. 数据收集:首先,需要收集二手房的相关数据,包括房屋的户型信息。可以通过爬取房屋交易网站或者使用开放的二手房数据API来获取数据。 2. 数据处理:将获取到的数据进行处理,提取出户型的信息,并进行统计。 3. 数据:使用Python数据库,例如Matplotlib或seaborn,绘制户型分布图。可以选择柱状图、饼图等方式来展示不同户型的数量分布。 4. 图表设计:设置图表的标题、坐标轴标签以及图例等信息,使得图表更加清晰易懂。 5. 图表展示:将生成的户型分布图保存为图片或者直接在程序中展示出来。 6. 结果分析:根据生成的户型分布图,可以观察不同户型的数量占比,并分析市场上各种户型的热门程度。 通过以上步骤,可以利用Python实现二手房数据的可绘制户型分布图,帮助我们更加直观地了解二手房市场的房型结构,并为房屋购买决策提供参考。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值