python 表格制作_Python 图表制作

学习使用Python做简单图表

分析目标：探查成为地市级党委书记与各类因素的关系，共六个表格

使用数据：“地市级党委书记数据库”，以Excel格式保存

先把数据文件导出为.csv格式文件

代码如下

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

data = pd.read_csv("C:\\Users\\HY\\Desktop\\python视频\\微专业\\数据资料\\地市级党委书记数据库(2000-10).csv",engine = 'python',encoding = "gbk")

# 年龄情况：整体年龄分布 / 入职年龄分布 / 卸任年龄分布

data_age = data[['出生年份','党委书记姓名','年份']]

data_age_re = data_age[data_age['出生年份'].notnull()]

# 新建变量data_age，赋值包括年份、出生年份字段内容

# 清除缺失值

df1 = 2017 - data_age_re['出生年份']

# 计算出整体年龄数据

df_yearmin = data_age_re[['党委书记姓名','年份']].groupby(data_age_re['党委书记姓名']).min()

df2 = df_yearmin['年份'].groupby(df_yearmin['年份']).count()

# 计算出入职年龄数据

df_yearmax = data_age_re[['党委书记姓名','年份']].groupby(data_age_re['党委书记姓名']).max()

df3 = df_yearmax['年份'].groupby(df_yearmax['年份']).count()

# 计算出卸任年龄数据

# 专业情况：专业结构 / 专业整体情况 / 专业大类分布

data_major = data[['党委书记姓名','年份','专业：人文','专业：社科','专业：理工','专业：农科','专业：医科']]

data_major_re = data_major[data_major['专业：人文'].notnull()]

# 新建变量data_major，赋值包括年份、专业等字段内容，其中1代表是，0代表否

# 清除缺失值

data_major_re['专业'] = data_major_re[['专业：人文', '专业：社科', '专业：理工', '专业：农科', '专业：医科']].idxmax(axis=1)

# 统计每个人的专业

data_major_st = data_major_re[['专业','党委书记姓名']].drop_duplicates()

# 去重

df4 = data_major_st['专业'].groupby(data_major_st['专业']).count()

# 计算出学历结构数据

df5 = pd.crosstab(data_major_re['年份'], data_major_re['专业'])

# 计算每年专业整体情况数据

df5['社科比例'] = df5['专业：社科'] / (df5['专业：理工'] + df5['专业：医科'] + df5['专业：社科'] + df5['专业：农科'] + df5['专业：人文'])

df5['人文比例'] = df5['专业：人文'] / (df5['专业：理工'] + df5['专业：医科'] + df5['专业：社科'] + df5['专业：农科'] + df5['专业：人文'])

df5['理工农医比例'] = (df5['专业：理工'] + df5['专业：医科'] + df5['专业：农科'])/ (df5['专业：理工'] + df5['专业：医科'] + df5['专业：社科'] + df5['专业：农科'] + df5['专业：人文'])

# 计算每年专业大类分布数据

# 年龄情况：图表绘制

fig_q2 = plt.figure(figsize = (12,8))

# 创建一个图表，大小为12*8

ax1 = fig_q2.add_subplot(2,3,1)

ax2 = fig_q2.add_subplot(2,3,2)

ax3 = fig_q2.add_subplot(2,3,3)

ax4 = fig_q2.add_subplot(2,3,4)

ax5 = fig_q2.add_subplot(2,3,5)

ax6 = fig_q2.add_subplot(2,3,6)

# 创建一个3*2的表格矩阵

ax1.hist(df1,bins = 11,color = 'gray', alpha=0.9) #bins N个条形

ax1.set_title('整体年龄分布')

ax1.grid(True) #加网格

# 绘制第一个表格

ax2.plot(df2,color = 'r',marker = 'o',alpha=0.9) #marker节点是什么

ax2.set_title('入职年龄分布')

ax2.set_xticks(range(2000,2011,2))

ax2.grid(True)

# 绘制第二个表格

ax3.plot(df3,color = 'g',marker = 'o',linestyle = "dashed",alpha=0.9) #linestyle设置虚线

ax3.set_title('卸任年龄分布')

ax3.set_xticks(range(2000,2011,2))

ax3.grid(True)

# 绘制第三个表格

ax4.bar(range(len(df4)),df4,color = 'y')

ax4.set_xticklabels(['人文','农科','医科','理工','社科'])

ax4.grid(True)

ax4.set_title('专业结构')

# 绘制第四个表格

ax5.plot(df5.index,df5[['专业：人文','专业：农科','专业：医科','专业：理工','专业：社科']])

ax5.grid(True)

ax5.set_title('专业整体情况')

# 绘制第五个表格

ax6.bar(df5.index,df5['社科比例'],color = 'darkred',alpha=0.7)

ax6.bar(df5.index,df5['人文比例'],color = 'darkred',bottom = df5['社科比例'],alpha=0.5)

ax6.bar(df5.index,df5['理工农医比例'],color = 'darkred',bottom = df5['人文比例'] + df5['社科比例'],alpha=0.3)

ax6.grid(True)

ax6.set_title('专业大类分布：社科、人文、理工农医')

# 绘制第六个表格

plt.show()

代码运行结果如下

探查成为地市级党委书记与各类因素的关系.png

图一：整体年龄分布(直方图)

图二：入职年龄分布(折线图)

图三：卸任年龄分布(折线图)

图四：专业结构(条形图)

图五：专业整体情况(折线图)

图六：专业大类分布情况(堆积图)