python_数据可视化_from：林骥

最新推荐文章于 2023-11-08 21:49:32 发布
最新推荐文章于 2023-11-08 21:49:32 发布
阅读量457 收藏 6
点赞数
分类专栏： Python
原文链接：https://github.com/linjiwx/mp/tree/master/%E6%95%B0%E6%8D%AE%E5%8F%AF%E8%A7%86%E5%8C%96
版权

from：林骥 https://github.com/linjiwx/mp

学习大神的数据分析思维，数据可视化技巧，以后有需要画类似图的时候，可以提供一些思路。

文章目录

地图

在这里插入图片描述
在这里插入图片描述在这里插入图片描述

# 导入所需的库
import pandas as pd
import numpy as np
from plotnine import *
from pylab import mpl
import matplotlib.pyplot as plt
import matplotlib.patches as mpathes
from matplotlib.collections import PatchCollection
from matplotlib import cm, colors

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 禁用科学计数法
pd.set_option('display.float_format', lambda x: '%.2f' % x) 

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

# 从 Excel 文件中读取数据
df = pd.read_excel('./data/中国省份坐标.xlsx')
gdp = pd.read_excel('./data/各省2019年GDP数据.xlsx')

# 计算每个省份的中心坐标
df_center = df.groupby('Province').mean()

# 合并省份坐标和数据
dfxy = pd.merge(df_center, gdp, on='Province', how ='left')

# 定义颜色数值
color_value = np.array(dfxy.GDP)

# 使用「面向对象」的方法画图，定义图片的大小
fig, ax = plt.subplots(figsize=(16, 9))

# 设置背景颜色
fig.set_facecolor('w')
ax.set_facecolor('w')

# 设置标题
ax.set_title('\n各省 2019 年的 GDP 数据', loc='center', fontsize=26)

# 循环设置每个省份
patches = []
for Province in np.unique(df['Province']):
    # 筛选每个省份的数据
    dfp = df[df['Province'] == Province]
    
    # 多边形的每个位置
    rect = mpathes.Polygon([(x, y) for x, y in zip(dfp['x'], dfp['y'])])
    patches.append(rect)
    
    # 多边形内部显示省份名称和数据
    ax.text(df_center.loc[Province].x, df_center.loc[Province].y, 
            '\n'+Province+'\n'+'%.2f' % dfxy[dfxy['Province'] == Province].GDP.values[0], 
            fontsize=15, va='center', ha='center', color=c['深灰色'])
    
# 填充形状和颜色
collection = PatchCollection(patches, alpha=0.5, cmap=plt.cm.Oranges, ec=c['浅灰色'], fc='w', lw=1)
collection.set_array(color_value)
ax.add_collection(collection)

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['bottom'].set_visible(False)

# 隐藏 X、Y 轴
ax.xaxis.set_visible(False)
ax.yaxis.set_visible(False)

# 避免变形
plt.axis('equal')

plt.show()

条形图

1 对比条形图

在这里插入图片描述

在这里插入图片描述

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.image as image

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}
其次，从 Excel 文件中读取随机模拟的数据，并定义画图用的数据。

# 数据源路径
filepath='./data/问卷调查结果2.xlsx'

# 读取 Excel文件
df = pd.read_excel(filepath, index_col='功能')

# 定义画图用的数据
category_names = df.index
labels = df.columns
data = df.values
接下来，开始用「面向对象」的方法进行画图。

# 使用「面向对象」的方法画图，定义图片的大小
fig, ax=plt.subplots(figsize=(8, 6))

# 设置背景颜色
fig.set_facecolor('w')
ax.set_facecolor('w')

# 设置标题
ax.text(0, -1, '\n用户满意度随时间的变化', fontsize=26, ha='left', color=c['深灰色'])

# 设置 X 轴的取值范围
ax.set_xlim(0, 1)

# 倒转 Y 轴，让第一个功能排在最上面
ax.invert_yaxis()

# 定义颜色
category_colors = [c['灰色'], c['灰色'], c['橙色'], c['浅蓝色'], c['浅蓝色']]

# 定义条形图所处的位置和高度
x = np.arange(len(category_names))
height = 0.35

# 画条形图
bar1 = ax.barh(x-height/2, data[:, 0], height, label=labels[0], color=c['浅灰色'])
bar2 = ax.barh(x+height/2, data[:, 1], height, label=labels[1], color=category_colors)

# 设置 Y 轴标签字体大小和颜色
plt.yticks(range(len(category_names)), ' ' + category_names, ha='left', color=c['深灰色'], size=18)
# ax.set_yticks(range(len(category_names)))
# ax.set_yticklabels(category_names + ' ')
# ax.tick_params(labelsize=18, colors=c['深灰色'])

# 设置标签的字体大小
fontsize = 16

# 设置第一个条形图的数据标签
for (i, rect) in zip(range(len(bar1)), bar1):
    w = rect.get_width()
    ax.text(w, rect.get_y()+rect.get_height()/2, labels[0], ha='right', va='center', color=c['灰色'], fontsize=fontsize)
    ax.text(w, rect.get_y()+rect.get_height()/2, ' %.0f%%' % (w*100), ha='left', va='center', color=c['深灰色'], fontsize=fontsize)
    
# 设置第二个条形图的数据标签
for rect in bar2:
    w = rect.get_width()
    ax.text(w, rect.get_y()+rect.get_height()/2, labels[1], ha='right', va='center', color=c['浅灰色'], fontsize=fontsize)
    ax.text(w, rect.get_y()+rect.get_height()/2, ' %.0f%%' % (w*100), ha='left', va='center', color=c['深灰色'], fontsize=fontsize)
    
# 隐藏 X 轴
ax.xaxis.set_visible(False)

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['bottom'].set_visible(False)

# 隐藏 Y 轴的刻度线
ax.tick_params(axis='y', which='major', length=0)

plt.show()

2 堆积条形图

在这里插入图片描述
在这里插入图片描述

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from datetime import timedelta

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

# 数据源路径
filepath=r'C:\Users\Administrator\Desktop\用户评分占比2.xlsx'

# 读取 Excel文件
df = pd.read_excel(filepath, index_col='功能')

# 定义画图用的数据
category_names = df.columns
labels = df.index
data = df.values
data_cum = data.cumsum(axis=1)


# 使用「面向对象」的方法画图，定义图片的大小
fig, ax=plt.subplots(figsize=(9, 5))

# 设置标题
ax.set_title('\n用户对功能 A 最为满意\n\n', fontsize=26, loc='left', color=c['深灰色'])

# 倒转 Y 轴，让第一个功能排在最上面
ax.invert_yaxis()

# 隐藏 X 轴
ax.xaxis.set_visible(False)
# 设置 X 轴的范围
ax.set_xlim(0, np.sum(data, axis=1).max())

# 定义颜色
category_colors = [c['橙色'], c['橙色'], c['灰色'], c['蓝色'], c['蓝色']]

# 画堆叠水平条形图
for i, (colname, color) in enumerate(zip(category_names, category_colors)):
    widths = data[:, i]
    starts = data_cum[:, i] - widths
    ax.barh(labels, widths, left=starts, height=0.68, label=colname, color=color, edgecolor='w')
    xcenters = starts + widths / 2

    # 设置数据标签及其文字颜色
    text_color = 'w'
    for y, (x, d) in enumerate(zip(xcenters, widths)):
        ax.text(x, y, '{:.0%}'.format(d), ha='center', va='center', color=text_color, fontsize=16)
        
# 显示图例
l = ax.legend(ncol=len(category_names), bbox_to_anchor=(-0.03, 0.95),loc='lower left', 
              fontsize=16, frameon=False, handlelength=0.6)

#设置图例中文本的颜色
for i, text in zip(np.arange(len(l.get_texts())), l.get_texts()):
    if i < 2:
        text.set_color(c['橙色'])
    elif i < 3:
        text.set_color(c['灰色'])
    else:
        text.set_color(c['蓝色'])

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['left'].set_visible(False)
ax.spines['bottom'].set_visible(False)

# 隐藏 Y 轴的刻度线
ax.tick_params(axis='y', which='major', length=0)

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=16, colors=c['深灰色'])

plt.show()

3 动态条形图

在这里插入图片描述

https://public.flourish.studio/visualisation/3280860/

另外

AkShare 是基于 Python 的开源金融数据接口库，目的是实现对股票、期货、期权、基金、债券、外汇等金融产品和另类数据从数据采集，数据清洗到数据下载的工具，满足金融数据科学家、数据科学爱好者在数据获取方面的需求。它的特点是利用 AkShare 获取的是基于可信任数据源发布的原始数据，广大数据科学家可以利用原始数据进行再加工，从而得出科学的结论。
https://www.akshare.xyz/zh_CN/latest/introduction.html#

在这里插入图片描述

import akshare as ak
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
stock_df = ak.zdzk_fund_index(30, plot=False)
futures_df = ak.zdzk_fund_index(32, plot=False)
fig = plt.figure(111, figsize=(20, 10), dpi=300)
adjust_stock_df = stock_df["20150102":] / stock_df["20150102"] * 1000
adjust_stock_df.plot(linewidth=4)
adjust_futures_df = futures_df["20150102":] / futures_df["20150102"] * 1000
adjust_futures_df.plot(linewidth=4)
plt.title("index example")
plt.legend()
plt.show()

在这里插入图片描述

柱形图

在这里插入图片描述

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.image as image

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
colors = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
          '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
          '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

# 定义几个模拟的数据
df = pd.DataFrame({'产品':['产品 A', '产品 B', '产品 C', '产品 D'], '销量':[66, 23, 26, 29]})

# 画图用的数据定义
x = df['产品']
y = df['销量']

# 平均值
avg = y.mean()

fig, ax = plt.subplots(figsize=(8, 6))

# 设置标题
ax.set_title("  产品 A 的销量遥遥领先" % (y[0] / y[1]), fontsize=26, loc='left', color=colors['深灰色'])

# 画柱形图
ax.bar(x, y, width=0.6, color=colors['蓝色'])

# 平均值线
lc = ax.hlines(avg, -0.5, len(x)-0.5, color=colors['灰色'], label='平均值', ls='--')
# 设置线条宽度
lc.set_linewidth(2)
# 文字标注平均值
ax.text(2, avg+2, "平均值：%.1f" % avg, fontsize=20, ha='center', color=colors['灰色'])

# 用双箭头强调对比的关系
ax.annotate('', xy=(0.5, df.iloc[0, 1]), xytext=(0.5, df.iloc[1, 1]), arrowprops=dict(arrowstyle='<->', color=colors['橙色'], lw=3))
# 文字标注两个柱形图的倍数关系
ax.text(0.55, y[:2].mean(), "%.1f倍" % (y[0] / y[1]), fontsize=20, color=colors['橙色'])

# 设置数据标签
for a, b in zip(x, y):
    ax.text(a, b-6, '%.0f' % b, ha='center', va= 'bottom', fontsize=20, color='w')

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)

# 隐藏 X 轴的刻度线
ax.tick_params(axis='x', which='major', length=0)

# 隐藏 Y 轴刻度
ax.set_yticks([])

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=20, colors=colors['深灰色'])

plt.show()
  • 2
    在这里插入图片描述
# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.image as image

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}
# 定义数据
df = pd.DataFrame({'美国确诊人数':['第一个百万', '第二个百万', '第三个百万', '第四个百万'], '所花的天数':[98, 42, 30, 16]})
'''
  美国确诊人数  所花的天数
0  第一个百万     98
1  第二个百万     42
2  第三个百万     30
3  第四个百万     16
'''
# 画图用的数据定义
x = df['美国确诊人数']
y = df['所花的天数']

# 使用「面向对象」的方法画图
fig, ax = plt.subplots(figsize=(8, 6))

# 设置标题
ax.set_title('\n 美国百万确诊人数所花的天数越来越短\n', fontsize=28, loc='left', color=c['深灰色'])

# 画柱形图
ax.bar(x, y, width=0.6, color=c['蓝色'])

# 用箭头强调对比的关系
ax.annotate('', xy=(3, 26), xytext=(0.5, 98), arrowprops=dict(color=c['橙色'], connectionstyle="arc3,rad=0.25"))

# 设置数据标签
for a, b in zip(x, y):
    ax.text(a, b, '%.0f' % b, ha='center', va= 'bottom', fontsize=22, color=c['深灰色'])

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)

# 隐藏 X 轴的刻度线
ax.tick_params(axis='x', which='major', length=0)

# 隐藏 Y 轴刻度
ax.set_yticks([])

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=20, colors=c['深灰色'])

plt.show()

折线图

  • 1
    在这里插入图片描述

在这里插入图片描述

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import timedelta

# 正常显示中文标签
plt.rcParams['font.sans-serif'] = ['SimHei']

# 正常显示负号
plt.rcParams['axes.unicode_minus'] = False  

# 读取每日销售数据
df = pd.read_excel(r'C:\Users\Administrator\Desktop\2019年9月每日销售.xlsx')

# 定义画图的数据
x = df.日期
y = df.实际销量

# 定义颜色
color1 = '#0085c3'
color2 = '#7ab800'
color3 = '#dc5034'

# 设置图像大小
fig = plt.figure(figsize=(10, 6))
ax = fig.add_subplot(111)

# 绘制折线图
ax.plot(x, y, marker='o', color=color1)

# 标注最大值
ax.text(x[y.idxmax()]+timedelta(hours=-12),
        y.max()+1, y.max(),
        color=color1, fontsize=15)

# 标注最小值
ax.text(x[y.idxmin()]+timedelta(hours=-9),
        y.min()-2, y.min(),
        color=color1, fontsize=15)

# 计算 7 天移动平均
y2 = y.rolling(7).mean()

# 绘制趋势线
ax.plot(x, y2, ls='--', color=color2, label='7 天移动平均')

# 绘制箭头
plt.annotate('', xy=(x[-1:], y2[-1:]),
             xytext=(x[-2:-1], y2[-2:-1]),
             arrowprops=dict(arrowstyle='->',
                             color=color2,
                             shrinkB=0))

# 绘制平均值线
ax.hlines(y.mean(), x[0], x[-1:],
          linestyles='-.', colors=color3)

# 标注平均值
ax.text(x[-1:]+timedelta(days=-7.5), y.mean()-2,
        '平均值: ' + str(round(y.mean(),1)),
        color=color3, fontsize=15)

# 标注特殊事件
ax.annotate('中秋节', xy=(x[y.idxmin()], y.min()), color=color1,
             xytext=(x[y.idxmin()]+timedelta(days=1.5), y.min()-2),
             arrowprops=dict(arrowstyle='->', color=color1), fontsize=15)

ax.annotate('打折促销', xy=(x[y.idxmax()], y.max()), color=color1,
             xytext=(x[y.idxmax()]+timedelta(days=-5), y.max()+2),
             arrowprops=dict(arrowstyle='->', color=color1), fontsize=15)

# 设置网格线
ax.grid(ls=':', color='gray', alpha=0.6)

# 设置图例的位置和大小
ax.legend(loc='upper left', fontsize=12)

# 设置坐标轴标签的角度和大小
plt.xticks(rotation=50, fontsize=8)
plt.yticks(fontsize=8)

# 设置 y 轴的刻度范围
ax.set_ylim(0, y.max()+5)

# 设置图表标题
_ = ax.set_title('2019年9月每日销量变化趋势', fontsize=20)
  • 2
    在这里插入图片描述

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
from datetime import timedelta

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
colors = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
          '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
          '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

# 数据源路径
filepath=r'C:\Users\Administrator\Desktop\2019年9月每日销售.xlsx'

# 读取 Excel文件
df = pd.read_excel(filepath)

# 定义画图用的数据
x = [x.strftime('%m-%d') for x in df.日期]
y = df.实际销量

# 使用「面向对象」的方法画图，定义图片的大小
fig, ax=plt.subplots(figsize=(10, 6))

# 设置标题
ax.text(-3.9, y.max()+6, '\n2019年9月每天产品销量的变化趋势\n', fontsize=26, color=colors['深灰色'])

# 绘制折线图
ax.plot(x, y, marker='o', color=colors['蓝色'], markevery=[y.idxmin(), y.idxmax()], mfc='w')

# 标注最大值对应的事件
ax.annotate('打折促销', xy=(x[y.idxmax()], y.max()), color=colors['蓝色'],
             xytext=(y.idxmax()-4.2, y.max()), 
             arrowprops=dict(arrowstyle='->', color=colors['蓝色']), fontsize=16)

# 标注最小值对应的事件
ax.annotate('中秋节', xy=(x[y.idxmin()], y.min()), color=colors['深灰色'],
             xytext=(y.idxmin()-3.6, y.min()), 
             arrowprops=dict(arrowstyle='->', color=colors['深灰色']), fontsize=16)

# 计算 7 天移动平均
y2 = y.rolling(7).mean()
# 绘制趋势线
ax.plot(x, y2, ls='-', color=colors['灰色'], label='七天移动平均')
# 绘制趋势线末端的箭头
plt.annotate('', xy=(x[-1:], y2[-1:]), xytext=(x[-2:-1], y2[-2:-1]), 
             arrowprops=dict(arrowstyle='->', color=colors['灰色'], shrinkB=0))
# 文字说明移动平均
ax.text(len(x)-7.8, y2[-8:-7], '七天移动平均', color=colors['深灰色'], fontsize=12, bbox=dict(facecolor='w', edgecolor='w'))

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_color(colors['灰色'])
ax.spines['left'].set_color(colors['灰色'])

# 隐藏 X 轴的刻度线
ax.tick_params(axis='x', which='major', length=0)

# 设置 X 轴显示的标签
xt = []
for i in np.arange(len(x)):
    if i % 5 == 0:
        xt.append(x[i])
    else:
        xt.append('')
xt[-1] = x[-1]
ax.set_xticklabels(xt, ha='left')

# 设置 X、Y 轴的标题，适当留白
ax.text(-0.1, -5, '日期', ha='left', fontsize=16, color=colors['深灰色'])
ax.text(-3.9, y.max()+6.8, '产\n品\n销\n量', va='top', fontsize=16, color=colors['深灰色'])

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=16, colors=colors['深灰色'])

# 设置 y 轴的刻度范围
ax.set_ylim(0, y.max()+6)

plt.show()
  • 3
    在这里插入图片描述


# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
colors = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
          '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
          '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171','红色':'#FF6666'}
# 数据源路径
filepath=r'C:\Users\Administrator\Desktop\2020年第一季度上证指数.xlsx'

# 读取 Excel文件
df = pd.read_excel(filepath).set_index('日期')

# 日期，开盘价，收盘价，最高价，最低价
x = df.index.strftime('%m-%d')
y1 = df['开盘价'].values
y2 = df['收盘价'].values
ymax = df['最高价'].values
ymin = df['最低价'].values

# 显示前 5 行数据，了解数据结构
df.head(5)
# 使用「面向对象」的方法画图
fig, ax = plt.subplots(figsize=(10, 6))

# 设置标题
ax.set_title('\n2020年第一季度上证指数的变化\n', fontsize=26, loc='left', color=colors['深灰色'])

# 开始画图，时间线图（颜色/线条类型/标记）
ax.plot(x, y1, label='开盘价', color=colors['红色'], ls='-', lw=1, marker='o', markevery=[-1])
ax.plot(x, y2, label='收盘价',color=colors['蓝色'], ls='-', lw=2, marker='o', markevery=[-1])

# 填充区域
ax.fill_between(x, ymin, ymax, color=colors['浅灰色'])
# 提示填充区域的最大值和最小值
ax.text(-0.5, ymax[0]+20, '最高价', color=colors['深灰色'], fontsize=12)
ax.text(-0.5, ymin[0]-22, '最低价', color=colors['深灰色'], fontsize=12)

# 直接在折线图的旁边标记图例，并保持颜色一致
ax.text(len(x)+1, y1[-1]+26, '开盘价', fontsize=16, color=colors['浅蓝色'])
ax.text(len(x)+1, y2[-1]-52, '收盘价', fontsize=20, color=colors['蓝色'])

# 显示最后 n 个数据的标签
n = 1
# 设置第一条折线图的数据标签
for a, b in zip(x[-n:], y1[-n:]):
    plt.text(a, b+25, '%.0f' % b, ha='center', va= 'bottom', fontsize=12, color=colors['浅蓝色'])
# 设置第二条折线图的数据标签
for a, b in zip(x[-n:], y2[-n:]):
    plt.text(a, b-56, '%.0f' % b, ha='center', va= 'bottom', fontsize=16, color=colors['蓝色'])

# 设置 X 轴显示的标签
xt = []
for i in np.arange(len(x)):
    if i % 7 == 0:
        xt.append(x[i])
    else:
        xt.append('')
ax.set_xticklabels(xt)

#设置Y轴范围，便于观察
ax.set_ylim(2600, 3200)

# 添加辅助线
lc = ax.vlines(df.index.get_loc('2020-01-22'), 2600, 3100, color=colors['灰色'], ls='-')
# 设置线条宽度
lc.set_linewidth(1)
# 文字说明数据来源
ax.text(-3, 2500, '数据来源：AkShare 股票数据。', fontsize=12, color=colors['深灰色'], ha='left')

ax.text(df.index.get_loc('2020-01-22'), 3120, '新冠疫情爆发之后，股市出现了比较大的波动。', fontsize=16, color=colors['深灰色'])

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_color(colors['灰色'])
ax.spines['left'].set_color(colors['灰色'])

# 隐藏 X 轴的刻度线
ax.tick_params(axis='x', which='major', length=0)

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=16, colors=colors['深灰色'])

plt.show()

帕累托图

在这里插入图片描述
在这里插入图片描述

# 导入所需的库
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.image as image

# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']

# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})

# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False

# 禁用科学计数法
pd.set_option('display.float_format', lambda x: '%.2f' % x) 

# 定义颜色，主色：蓝色，辅助色：灰色，互补色：橙色
c = {'蓝色':'#00589F', '深蓝色':'#003867', '浅蓝色':'#5D9BCF',
     '灰色':'#999999', '深灰色':'#666666', '浅灰色':'#CCCCCC',
     '橙色':'#F68F00', '深橙色':'#A05D00', '浅橙色':'#FBC171'}

# 数据源路径
filepath=r'C:\Users\Administrator\Desktop\帕累托图数据源.xlsx'

# 读取 Excel文件
df = pd.read_excel(filepath)

# 定义画图所需的数据
x = df['原因']
y = df['频次']

# 让折线图从坐标原点开始
x2 = np.arange(len(x)+1) - 0.5
# 计算累计频次
y_cumsum = [0] + list(y.cumsum())
# 计算累计百分比
y2 = y.cumsum()/y.sum()

# 使用「面向对象」的方法画图
fig, ax = plt.subplots(figsize=(8, 6))

# 设置标题
ax.set_title('\n%.1f%%' % (y_cumsum[2]/y.sum()*100) + '的质量问题是由20%的原因引起的\n', 
             fontsize=26, loc='left', color=c['深灰色'])

# 用灰色方框代表总体的大小，体现每个数据的占比关系
ax.bar(x, y.sum(), width=1, color='w', edgecolor=c['浅灰色'], zorder=0)

# 画柱形图
ax.bar(x, y, width=1, color=c['蓝色'], edgecolor=c['浅灰色'], zorder=1)

# 画折线图
ax.plot(x2, y_cumsum, ls='-', lw=2, color=c['橙色'], label='累计百分比', zorder=2)

# 标记体现二八法则的虚线
ax.hlines(y_cumsum[2], -0.5, 1.5, color=c['橙色'], ls='--')
ax.vlines(1.5, 0, y_cumsum[2], color=c['橙色'], ls='--')

# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)

# 设置图形的位置，减少空白
ax.spines['left'].set_position(('data', -0.51))

# 隐藏 X 轴的刻度线
ax.tick_params(axis='x', which='major', length=0)
ax.tick_params(axis='y', which='major', length=0)
ax.set_yticklabels([])

# 设置坐标标签字体大小和颜色
ax.tick_params(labelsize=16, colors=c['深灰色'])

# 设置数据标签
for a, a2, b, b2, b3 in zip(x, x2[1:], y, y_cumsum[1:], y2):
    ax.text(a, b, '%.0f' % b, ha='center', va= 'bottom', fontsize=16, color=c['蓝色'])
    

# 标记 Y 轴标题
ax.text(-1, y.sum(), '频\n次', fontsize=16, va='top', color=c['蓝色'])

# 标记线条含义
ax.text(1.5, y_cumsum[2]+10, '累计%.1f%% ' % (y_cumsum[2]/y.sum()*100), fontsize=16, color=c['橙色'], va='bottom', ha='right', zorder=5)

plt.show()

雷达图

在这里插入图片描述

瀑布图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

矩阵分析

在这里插入图片描述

子弹图

在这里插入图片描述

# 导入所需的库
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import matplotlib.image as image
# 正常显示中文标签
mpl.rcParams['font.sans-serif'] = ['SimHei']
# 自动适应布局
mpl.rcParams.update({'figure.autolayout': True})
# 正常显示负号
mpl.rcParams['axes.unicode_minus'] = False
# 使用「面向对象」的方法画图
fig, ax = plt.subplots(figsize=(8, 2.6))
# 设置标题和坐标轴标签
ax.set_title("2020年3月，销售收入超额完成目标\n", fontsize=26, verticalalignment='bottom')
# 定义指标名称
y = '销售收入'
# 背景放在最底层
ax.barh(y, 200, height=0.8, color='#00589F', alpha=0.40, label='差')
ax.barh(y, 50, height=0.8, left=200, color='#00589F', alpha=0.25, label='中')
ax.barh(y, 50, height=0.8, left=250, color='#00589F', alpha=0.1, label='好')
# 隐藏的占位元素，为了让图片留有更多的空白区域
ax.barh(y, 50, height=1, left=250, color='#00589F', alpha=0)
# 实际值
ax.barh(y, 280, height=0.3, color='#00589F', label='实际')
# 目标值
lc = ax.vlines(260, -0.3, 0.3, color='#CC5036', label='目标')
# 设置线条宽度
lc.set_linewidth(3)
# 隐藏边框
ax.spines['top'].set_visible(False)
ax.spines['right'].set_visible(False)
ax.spines['bottom'].set_visible(False)
ax.spines['left'].set_visible(False)
# X 轴的刻度线朝内，调整线条的长度，让其贴近条形图
mpl.rcParams['xtick.direction'] = 'in'
ax.tick_params(axis='x', which='major', length=8)
# 隐藏 Y 轴刻度
ax.set_yticks([])
# 设置 X 轴标签
ax.set_xlabel('\n（单位：万元）', fontsize=16)
# 设置坐标标签字体大小
ax.tick_params(labelsize=20)
# 设置图例显示的位置
ax.legend(bbox_to_anchor=(1.15, 1.15))
# 设置字体
font={'family':'SimHei', 'color':'#00589F', 'size':15}
plt.show()
卖山楂啦prss
关注
专栏目录
HTML数据可视化散点图,数据可视化：用散点图进行数据分析
weixin_35718351的博客
06-04 886
作者 / 来源：林骥(ID：linjiwx)01散点图就像一扇窗，打开它，并仔细观察，能让我们看见更多有价值的信息。比如说，假设表格中有 10000 个客户年龄和消费金额的数据：我们可以计算每一个年龄对应的人均消费金额，比如说，所有 20 岁客户的平均消费金额约为 1383.69 元，然后我们可以画出一张散点图：从图中可以看出，客户的年龄与人均消费金额有很强的相关性，其中应用了线性回归算法，得到一...
八、数据化分析_python实战_简明笔记
Norni的博客
06-12 544
目录0、概述1、思维篇1.1 数据化分析的思维1.1.1 目标思维1.1.2 对比思维1.1.3 细分思维1.1.4 溯源思维1.1.5 相关思维1.1.6 假设思维1.1.7 逆向思维1.1.8 演绎思维1.1.9 归纳思维1.2 数据分析的基础1.2.1 数据分析的方法1.2.1.1 产品研究1.2.1.2 品牌研究1.2.1.3 价格研究1.2.1.4 市场细分1.2.1.5 满意度研究1...
python实战解析_数据化分析 Python 实战 - 林骥
weixin_39540725的博客
12-05 170
数据化分析 Python 实战是林骥2008年开始从事数据化分析工作，并于2012 年在微博和博客上⾯分享⾃⼰的⼀些学习⼼得和⼯作经验，而编写的文档，方便想学习python的朋友。当时的想法是：对客观真实的数据运⽤恰当的⽅法和⼯具进⾏科学有效地分析，简单来说就是：数据(客观、真实)化(⽅法、⼯具)分析(科学、有效)。经过⼏年的实践和思考，我给「数据化分析」赋予了新的内涵：⽤数据化解难题，让分析更加...
子图的多种布局与设置
最新发布
2302_79789525的博客
11-08 612
matplotlib的gridspee模块是专门指定画布中子图位置的模块，该模块中包含一个GridSpcc 类，通过显式地创建GridSpec类对象来自定义画布中子图的布局结构，使得子图能够更好地适应画布。GridSpec类的构造方法的语法格式如下：该方法常用参数的含义如下。·nrows：表示行数。·ncols：表示列数。·figure：表示布局的画布。· left，bottom，right，top：表示子图的范围。·wspace：表示子图之间预留的宽度量。
matplotlib 进阶之origin and extent in imshow
weixin_33694172的博客
05-19 181
目录 显示的extent Explicit extent and axes limits matplotlib教程学习笔记 import numpy as np import matplotlib.pyplot as plt from matplotlib.gridspec import Gri...
【深度学习】【python】卷积神经网络故障预测运行程序步骤
dd542253080的博客
09-23 1478
运行卷积神经网络python程序 cmd进入DOS环境 conda进入conda环境 conda create --name test python==3.6.2创建一个虚拟环境 conda info -e查看建立的conda环境 conda activate test打开test conda环境 conda环境下的 mkdir 临时使用： 可以在使用pip的时候加参数-i https://pypi.tuna.tsinghua.edu.cn/simple 例如： 1 pip install -i https
matplotlib的示例中一个很好看的文本相似矩阵图
街道口扛把子的博客
01-29 1107
import numpy as np import matplotlib import matplotlib.pyplot as plt # sphinx_gallery_thumbnail_number = 2 vegetables = ["cucumber", "tomato", "lettuce", "asparagus", "potato", "wheat&qu
python怎么整理数据的_如何用 Python 整理数据？
weixin_35897479的博客
02-04 1121
文章转载自公众号林骥，作者 林骥0. 序言整理的意思，是整顿使之有条理，目标是让零散杂乱的数据变得井然有序。许多分析数据的时间。做数据分析工作，表面是在制作数据报表、提交分析报告，背后其实是你数据分析思维的体现。如果借用「前台、中台、后台」的概念来解释的话，那么展现数据和总结报告属于「前台」，处理数据和分析数据属于「中台」，而明确目标和应用思维就属于「后台」。前台直接面向客户，是实现价值的...
纺织服装行业：社零增速仍在低位，必选消费韧性初显-0127-东吴证券-23页.pdf
07-27
- 报告由证券分析师马莉、陈腾曦、林骥川和研究助理詹陆雨联合撰写，并提供了相关的研究数据和图表。 - 研究报告中还列出了东吴证券研究所之前发布的相关行业研究报告，如《纺织服装行业：消费承压，板块配置方向...
python之画图（一）
qq_27801287的博客
09-18 1084
matplotlib.pyplot 调用figure创建一个绘图对象，并且使它成为当前的绘图对象。（可选） 面向对象的方式 通过figure对象的.add_axes的方法添加坐标轴 plt.figure参数如下： figsize：2组浮标 &quot;（width（宽），height（高））&quot;管以英寸为单位 Dpi：float 每英寸点 facecolor 图片片面颜色，默认figure.facecolo...
python删除excel第一行_如何用 Python 清洗数据？
weixin_29229989的博客
01-24 5722
林骥的第 38篇文章0. 序言在做数据分析之前，我们首先要明确数据分析的目标，然后应用数据分析的思维，对目标进行细分，再采取相应的行动。我们可以把数据分析细分为以下 8 个步骤：(1)读取(2)清洗(3)操作(4)转换(5)整理(6)分析(7)展现(8)报告在《如何用 Python 读取数据？》这篇文章中，我们学习了从 5 种不同的地方读取数据的方法，接下来，我们将利用其中的一种方法，...
【数据知多少】一文学懂通过Tushare、AKshare、baostock、Ashare、Pytdx获取股票行情数据（含代码）
IT里的交易员-博客
07-16 1万+
以下几种方法都可以实现对股票行情的获取。 1. **Tushare** ，网上最流行的免费数据源，新推出的tushare Pro需要注册，并需要积分方可访问更多数据； 2. **AKshare** ，适合进阶，数据内容丰富，发布 AKTools 作为 AKShare 的 HTTP API 版本，可使用其它语言通过调用API获得数据； 3. **baostock** ，适合入门，获取一般数据够用了； 4. **Ashare** ，开源，极简，A股实时行情数据API，可算做自制爬虫类，效率很高；....
Python数据分析之数据可视化
热门推荐
geerniya的博客
05-31 3万+
数据可视化是数据分析很重要的一部分，它能帮助我们更好的从繁杂的数据中更直观更有效的获取信息。 matplotlib是用来创建图表的工具包之一。其目的是为Python构建一个Matlab式的绘图接口，初次接触的时候我就感觉这货跟matlab画的图表很相似。虽说其直接创建的图不是那么的高大上，但是matplotlib确是可视化必须要掌握的基础。 matplotlib API入门 引入： #...
数据可视化｜用帕累托图进行数据分析
SeizeeveryDay的博客
07-07 1924
011897 年，意大利经济学家帕累托，在抽样调查的数据中发现，社会上 20% 的人拥有 80% 的财富。后来，人们发现这种「关键少数」的现象非常普遍，比如说：20% 的原因导致 80%...
python爬虫简单爬取天天基金的基金信息和每日净值
u011983028的博客
07-11 1万+
from bs4 import BeautifulSoup import requests import json import js2py import time from elasticsearch import Elasticsearch from elasticsearch import helpers import threadpool code_list = [] actions ...
Python数据可视化：绘图库——Bokeh 应用讲解
Python案例分享，B站视频教程：https://space.bilibili.com/523606542
10-20 1605
本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理 以下文章来源于娜驿站 ，作者娜娜zhao 前言 虽然在Python中有matplotlib可以满足我们大部分的绘图需求，但是这种原生的基本绘图确实显得不那么漂亮，当然可以通过一些设置使之看起来美观，然而那样一来就要花费不少的时间，好在强大的Python第三方库中有一些现成的绘图库，可以使得我们日常的绘图显得美观又便捷，这篇文章就来介绍一种绘图库——Bokeh。 Bokeh是用于现代W
Python 数据分析三剑客之 Matplotlib（三）：图例 / LaTeX / 刻度 / 子图 / 补丁等基本图像属性
BOB'S BLOG
04-29 4075
文章目录【5x00】设置图例【5x01】方法一：指定 label 参数【5x02】方法二：使用 set_label 方法【5x03】方法三：直接使用 legend 方法【6x00】数学公式 LaTeX【7x00】调整 x / y 轴刻度和范围【8x00】画布边框与坐标轴的移动【9x00】创建子图【9x01】方法一：add_subplot()【9x02】方法二：pyplot.subplot()【9x...
matplotlib中FigureCanvasXAgg的理解
热铁皮屋上的猫的博客
12-28 2万+
背景知识： FigureCanvasXAgg就是一个渲染器，渲染器的工作就是drawing，执行绘图的这个动作。渲染器是使物体显示在屏幕上 主要内容： 将一个figure渲染的canvas变为一个Qt widgets，figure显示的过程是需要管理器（manager），需要FigureCanvasBase来管理。报错信息'FigureCanvasQTAgg' object has no at...
python逻辑回归模型建模步骤_逻辑回归建模及变量重要性可视化（Python实现）
weixin_39660922的博客
12-06 2466
一、逻辑回归背景知识逻辑回归(Logistic Regression)是最常用的分类算法之一，因其简单直观可解释而广受欢迎。它来源于统计学中的广义线性模型(GLM)，也是机器学习领域的基本算法。因本文重在分享对模型变量重要性的可视化，故在这里不对模型原理做过多说明。感兴趣的读者可以参考以下几篇文章。简单地说，逻辑回归模型的变量系数，反映变量变动对比值比y/1-y(odd)的影响，即对样本X作为正例...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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