python数据分析: 数据可视化（matplotlib）

最新推荐文章于 2023-06-05 08:15:00 发布
最新推荐文章于 2023-06-05 08:15:00 发布
阅读量491 收藏 7
点赞数 1
分类专栏： 数据分析 文章标签： matplotlib pandas
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/shitou987/article/details/109529494
版权

介绍

matplotlib是python的一个优秀的数据可视化库，
能够绘制常用的数据分析图标，还能绘制三维图形

安装

pip install matplotlib

官方文档：

https://matplotlib.org/tutorials/index.html

1.基础用法

import matplotlib.pyplot as plt

# 准备数组
import numpy as np
x = np.arange(0, 1, 0.05)
print(x)
# [0.   0.05 0.1  0.15 0.2  0.25 0.3  0.35 0.4  0.45 0.5  0.55 0.6  0.65
#  0.7  0.75 0.8  0.85 0.9  0.95]
#y = sin(x*pi*x)
y = np.sin(2*np.pi*x)
print(y)

#绘制正弦图
plt.plot(x,y)
plt.show()

在这里插入图片描述

# 改变线条颜色:蓝色
# plt.plot(x,y,"b")
# 改变线条颜色:蓝色虚线
# plt.plot(x,y,"b--")
# 显示数据点
# plt.plot(x,y,"b--o*")
# 图标添加标题
plt.title("my fist plot")
# 坐标轴添加标签
plt.xlabel("Angle")
plt.ylabel("sin")
# 添加线条图例说明
plt.plot(x, y, "b--o", label="sin")
# 设置线条图例说明位置
plt.legend(loc='best')
plt.show()

在这里插入图片描述

# 绘制多个图表figure和subplot
fig = plt.figure()
ax1 = fig.add_subplot(221)  # 221:表示创建2*2的图标框，第1个图表
ax2 = fig.add_subplot(222)  # 第2个图标
ax3 = fig.add_subplot(223)  # 第3个图标
ax4 = fig.add_subplot(224)  # 第4个图标
#分别绘图
ax2.plot(x, y)
ax1.plot(x, y1)

#另一种绘制方法
# fig,ax = plt.subplots(2,2)
# 绘图
# ax[0,1].plot(x,y)

#颜色，
ax2.plot(x, y, 'r')
#线型和标记
ax1.plot(x, y1, 'b--*')
# ax1.plot(x, y, color='b', linestyle='--', marker='*')
#标题
ax2.set(title='sin')
ax1.set(title='cos')
#标签
ax1.set(xlabel="x")
ax1.set(ylabel="y")
#网格线
ax1.grid()

#一个图标绘制多个线条
ax3.plot(x,y, 'r--*', label="sin")
ax3.plot(x,y1, 'b--o', label="cos")
ax3.plot(x,x, 'g', label="test")
# 设置线条图例说明位置
ax3.legend(loc='best')  #best：最合适的位置
plt.show()

在这里插入图片描述

#将图表保存到本地
# 方式1
# 点击图表保存按钮

# 方式2
fig.savefig("myfig.png")

plt.show()

2. 简单图表

data.csv源数据

年份,人均GDP(元),产量（万千升）,人均消费指数
2000,7857.7,2231.3,100.4
2001,8521.7,2288.9,100.7
2002,9339.2,2402.7,99.2
2003,10542.0,2540.5,101.2
2004,12233.5,2958.9,103.9

2.1 折线图

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv("data.csv", index_col="年份")
print(df.head())

# 设置坐标轴
y = df["人均GDP(元)"].values
print(y)  # [ 7857.7  8521.7  9339.2 10542.  12233.5]

x = df.index.values 
print(x)  # [2000 2001 2002 2003 2004]

# 绘制折线图
fig , ax = plt.subplots() 
ax.plot(x, y, "r-*")

ax.set(title="人均GDP", xlabel="年份", ylabel="人均GDP")   #中国问显示乱码，需要设置默认字体
#指定默认字体
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']

#添加数据标签
for i, j in zip(x, y):
    plt.text(i, j+1, '%.2f'%j, ha='center', va='bottom', fontsize=10.5)
plt.show()

在这里插入图片描述

2.2 柱形图

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv("data.csv", index_col="年份")
print(df.head())

# 设置坐标轴
y = df["人均GDP(元)"].values
print(y)  # [ 7857.7  8521.7  9339.2 10542.  12233.5]

x = df.index.values 
print(x)  # [2000 2001 2002 2003 2004]

# 绘制柱状图
fig, ax = plt.subplots()
# ax.bar(x, y, color="skyblue")

#设置柱子宽度
ax.bar(x, y,0.5, color="skyblue")

#设置标题也可用：
# ax.set_title("人均GDP")
# ax.set_xlabel="年份"
ax.set(title="人均GDP", xlabel="年份", ylabel="人均GDP")   #中国问显示乱码，需要设置默认字体
#指定默认字体
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Kaiti']

# 添加数据标签
for i, j in zip(x, y):
    plt.text(i, j + 1, '%.2f' % j, ha='center', va='bottom', fontsize=10.5)
plt.show()

在这里插入图片描述

2.3 条形图（水平柱状图）

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv("data.csv", index_col="年份")
print(df.head())

# 设置坐标轴
y = df["人均GDP(元)"].values
print(y)  # [ 7857.7  8521.7  9339.2 10542.  12233.5]

x = df.index.values 
print(x)  # [2000 2001 2002 2003 2004]

# 绘制条形图: barh
fig, ax = plt.subplots()

#设置柱子宽度
ax.barh(x, y,0.5, color="skyblue")

ax.set(title="人均GDP", xlabel="人均GDP", ylabel="年份")   #中国问显示乱码，需要设置默认字体
#指定默认字体
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Kaiti']

plt.show()

在这里插入图片描述

2.4 饼状图

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv("data.csv", index_col="年份")
print(df.head())

# 设置坐标轴
y = df["人均GDP(元)"].values
print(y)  # [ 7857.7  8521.7  9339.2 10542.  12233.5]

x = df.index.values 
print(x)  # [2000 2001 2002 2003 2004]

# 绘制饼图: pie
fig, ax = plt.subplots()

# 设置是否分离:0表示不分离，这里是分离第5个扇形
explode = (0, 0, 0, 0, 0.1, 0)

ax.pie(y, labels=x, explode=explode, autopct='%1.2f%%')

ax.set(title="人均GDP占比")  # 中国问显示乱码，需要设置默认字体
# 指定默认字体
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Kaiti']

plt.show()

在这里插入图片描述

2.5 散点图

import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_csv("data.csv", index_col="人均GDP(元)")
print(df.head())

# 设置坐标轴
y = df["人均消费指数"].values
print(y)  # [100.4 100.7  99.2 101.2 103.9  80.9]

x = df.index.values 
print(x)  # [ 7857.7  8521.7  9339.2 10542.  12233.5  1569.5]

# 绘制散点图: 
fig, ax = plt.subplots()
ax.scatter(x, y)
#绘制”人均GDP(元)“和”人均消费指数“之间的关系
ax.set(title="人均消费指数情况", xlabel="人均GDP(元)", ylabel="人均消费指数")  # 中文显示乱码，需要设置默认字体
# 指定默认字体
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['Kaiti']

plt.show()

在这里插入图片描述

2. pandas中的绘图函数

源数据

年份,人均GDP(元),产量（万千升）,人均消费指数
2000,7857.7,2231.3,100.4
2001,8521.7,2288.9,100.7
2002,9339.2,2402.7,99.2
2003,10542.0,2540.5,101.2
2004,12233.5,2958.9,103.9
2005,1569.5,256.9,80.9

2.1 折线图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#折线图
df["人均GDP(元)"].plot()

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']

plt.title("人均GDP趋势图")
plt.xlabel("年份")
plt.ylabel("人均GDP")
plt.show()

在这里插入图片描述

2.2 柱状图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#柱状图
df["人均GDP(元)"].plot(kind="bar",title="人均GDP趋势图")

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']

plt.xlabel("年份")
plt.ylabel("人均GDP")
plt.show()

在这里插入图片描述

2.3 条形图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#水平柱形图
df["人均GDP(元)"].plot(kind="barh",title="人均GDP趋势图", color="green")

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']

plt.xlabel("人均GDP")
plt.ylabel("年份")
plt.show()

在这里插入图片描述

2.4 饼图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#饼图
df["人均GDP(元)"].plot(kind="pie",title="人均GDP趋势图")

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
plt.show()

在这里插入图片描述

2.5 面积图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#面积图
df["人均GDP(元)"].plot(kind="area",title="人均GDP趋势图")

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
plt.xlabel("年份")
plt.ylabel("人均GDP")
plt.show()

在这里插入图片描述

2.6 绘制所有数据

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
# df.plot(title="人均GDP趋势图")       #折线图
df.plot(kind="bar", title="人均GDP趋势图")   #柱状图
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
plt.xlabel("年份")
plt.show()

在这里插入图片描述
在这里插入图片描述

2.7 堆积柱形图

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("data.csv", index_col="年份")
#堆积柱形图
df.plot(kind="bar", title="人均GDP趋势图", stacked=True)  
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']
plt.xlabel("年份")
plt.show()

在这里插入图片描述

2.8 直方图

import matplotlib.pyplot as plt

#直方图统计的是频数（在某个区间内，出现的次数）
from pandas import Series

hist_data = Series([1,2,1,2,3,1,5,5,5,6,9,8,7,1])
#定义分组
# mybins = [1,3,5,7]
# hist_data.plot(kind="hist", bins=mybins, title="频率分布图")
hist_data.plot(kind="hist", title="频率分布图")
plt.xlabel("年份")

from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong']


plt.show()

在这里插入图片描述

shitou987
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Python数据分析、挖掘与可视化（慕课版）.rar
04-08
本课程"Python数据分析、挖掘与可视化（慕课版）"涵盖了这些关键领域的理论知识和实践经验，旨在帮助学习者掌握Python在处理大数据时的强大功能。 1. **Python基础知识**：在进行数据分析之前，首先需要了解Python...
Python数据殿堂：数据分析与数据可视化
06-17
【入门基础+轻实战演示】【讲授方式轻松幽默、有趣不枯燥、案例与实操结合，与相关课程差异化】利用python进行数据处理、 ...通过实战，学生将了解标准的数据分析流程，学会使用可视化的 方法展示数据及结果。
python -- 数据可视化
森宝的博客
09-28 1044
数据可视化指的是通过可视化表示来探索数据，它与数据挖掘紧 密相关，而数据挖掘指的是使用代码来探索数据集的规律和关联。数 据集可以是用一行代码就能表示的小型数字列表，也可以是数以吉字 节的数据。  一丶 安装matplotlib  在Linux系统中安装 matplotlib 如果你使用的是系统自带的Python版本，可使用系统的包管理器来安装matplotlib，为此只需 执行一行命令：   ...
python数据可视化1
zn505119020的专栏
07-25 483
import pandas as pd from datetime import datetime df = pd.read_csv("wm_viomall.csv") #读入数据 df['create_date'] = pd.to_datetime(df['create_date']) #将数据类型转换成datatime类型 df = df.set_index(['create_date'])
Python：数据可视化
江南好
03-18 1346
数据可视化指的是通过可视化表示来探索数据，它与数据挖掘紧紧相关，而数据挖掘指的是使用代码来探索数据集的规律和关联。数据集可以是用一行代码就能表示的小型数字列表，也可以是数以吉字节的数据。 漂亮地呈现数据关乎的并非仅仅是漂亮的图片。以引人注目的简洁方式呈现数据，让人能够明白其含义，发现数据集中原本未意识到的规律和意义。 在Python中，用于可视化和分析数据的工具有：matplotlib和Pygal...
Python数据可视化
Johnor的博客
01-04 978
Python画图
Python实验四：Matplotlib数据可视化
01-20
Python实验四：Matplotlib数据可视化 实验内容： 任务一：分析1996~2015年人口数据特征间的关系 需求说明：人口数据总共拥有 6 个特征，分别为年末总人口、男性人口、女性人口、城镇人口、乡村人口和年份。查看各个...
深入浅出 Python 机器学习：数据可视化_信息可视化_数据可视化、_数据可视化_
10-02
一旦数据被加载，我们就可以利用`pandas`的内置方法，配合上述可视化库，进行数据分析和可视化。 信息可视化侧重于将复杂的信息结构简化，以便用户能快速理解。例如，热力图可以用来显示数据的相关性，网络图用于...
Python数据分析与应用：从数据获取到可视化
10-25
Python数据分析与应用是一个涵盖多个领域的综合主题，包括数据获取、数据清洗、数据分析、数据可视化以及相关的编程技巧。在这个领域，Python以其简洁易读的语法和丰富的库支持，成为了数据科学界的首选工具。以下是...
python数据可视化
liulang68的博客
06-24 227
https://gitee.com/MaverickMing/NEMDV/tree/master/ 超实用！用Python进行数据可视化的9种常见方法！ - 景略集智的文章 - 知乎 https://zhuanlan.zhihu.com/p/36014582 Python有哪些数据可视化库，分别有哪些特点？ - linshuhan的回答 - 知乎 https://www.zhihu.com/question/397909601/answer/1256716599 Python可视化笔记43篇合集（建议收藏）
Python 数据可视化
最新发布
shaozheng0503的博客
06-05 5085
首先，导入所需模块和库并读取数据。最后，使用 `plot_surface()` 函数画出 3D 表面图，并使用 `savefig()` 函数将生成的图像保存到本地磁盘，并使用 `show()` 函数展示可视化结果。首先，使用 `numpy.random.randn()` 函数生成一个包含100,000个元素的随机数数组 x，并由 y = (1.5 * x) + np.random.randn(n) 计算出相应的 y 值，在 plt.plot(x,y,'.r') 中绘制二维散点图。
python的数据可视化
weixin_38226321的博客
11-27 5366
本文主要是用python画图的内容，包括了matplotlib，pyecharts，2D，3D，数字地球等内容。
Python数据挖掘：Matplotlib图形可视化完全指南
Matplotlib是数据挖掘和数据分析领域常用的数据可视化工具，其灵活性和易用性使得它成为Python程序员首选的绘图库之一。通过熟练掌握Matplotlib，用户能够有效地将复杂的数据转化为直观的图形，从而更好地理解和解释...
评论 2
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