Matplotlib | 世界足球俱乐部排名可视化

最新推荐文章于 2023-02-01 12:45:45 发布
置顶 最新推荐文章于 2023-02-01 12:45:45 发布
阅读量929 收藏 6
点赞数 1
分类专栏： Python可视化系列 文章标签： matplotlib python 开发语言
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/weixin_42152811/article/details/127547064
版权

文章目录

大家好，我是 👉【Python当打之年(点击跳转)】

本期我们参考FiveThirtyEight发布的世界足球俱乐部排名，利用Matplotlib手把手教大家如何制作新闻级别可视化作品 ，希望对小伙伴们有所帮助，如有疑问或者需要改进的地方可以私信小编。

先看看效果：
在这里插入图片描述

🏳️‍🌈 1. 导入模块

import matplotlib.pyplot as plt
import matplotlib.patches as patches
import matplotlib.image as mpimg
from matplotlib.offsetbox import OffsetImage, AnnotationBbox

🏳️‍🌈 2. 示例数据

dic_t = {'Premier League':'England','Bundesliga':'Germany','Ligue 1':'France', 'La Liga':'Spain',
         'Eredivisie':'Netherlands','Serie A':'Italy', 'Primeira Liga':'Portugal','Bundesliga_1':'Austria'}
team = ['Man.City', 'Liverpool', 'Bayern Munich', 'Chelsea', 'PSG',
        'Real Madrid', 'Ajax', 'Barcelona', 'Tottnham', 'Inter Milan',
        'RB Leipzig', 'Porto', 'RB Salzburg', 'Dortmund', 'Atlético Madrid',
        'Arsenal', 'Villarreal', 'Brighton', 'AC Milan', 'Sporting'][::-1]
league = ['Premier League', 'Premier League', 'Bundesliga', 'Premier League', 'Ligue 1',
          'La Liga', 'Eredivisie', 'La Liga', 'Premier League', 'Serie A',
          'Bundesliga', 'Primeira Liga', 'Bundesliga_1', 'Bundesliga', 'La Liga',
          'Premier League', 'La Liga', 'Premier League', 'Serie A', 'Primeira Liga'][::-1]
league_country = [dic_t[i] for i in league]
rank = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20][::-1]
OFF = [3.3,2.9,3.4,2.4,2.8,2.7,3.0,2.4,2.5,2.5, 2.5,2.3,2.5,2.6,2.0,2.2,2.3,2.1,2.1,2.2][::-1]
DEF = [0.3,0.2,0.6,0.3,0.7,0.6,0.9,0.5,0.6,0.7, 0.3,0.2,0.6,0.3,0.7,0.6,0.9,0.5,0.6,0.7][::-1]
SPI = [93.5,93.3,91.6,88.4,85.0,85.5,84.6,84.3,84.1,82.1, 81.8,81.6,81.5,81.1,80.4,80.2,80.1,80.0,80.0,79.8][::-1]

🏳️‍🌈 3. 画布设置

fig, ax = plt.subplots(1, 1, dpi=300)
# 隐藏y轴
ax.get_yaxis().set_visible(False)
ax.get_xaxis().set_visible(False)
# 将刻度小横线设置为白色，标签颜色为黑色
plt.tick_params(axis='x', color='w')
# x,y轴刻度范围
ax.set_xlim(0, 2)
# ax.set_xticks(range(0, 10, 1))
ax.set_ylim(0, 4)

🏳️‍🌈 4. 画布区域主题分配

# 设置上下左右外框变为透明
for i in ['top', 'right', 'left', 'bottom']:
    ax.spines[i].set_visible(False)
title_size = 3.2
title_pos = 40
ax.axhline(y=title_pos, xmax=.8, c='black', lw=0.4)
ax.axvline(x=.7, ymin=0.002, ymax=.909, c='black', lw=0.4)
ax.axvline(x=3.95, ymin=0.002, ymax=.909, c='black', lw=0.4)
ax.axhline(y=0.1, xmax=.8, c='black', lw=0.4)

在这里插入图片描述

🏳️‍🌈 5. 添加数据散点

x1 = [4.1] * len(rank)
y1 = [1 + i * 2 for i in range(len(rank))]
ax.scatter(x1, y1, s=40,alpha=0.8)

在这里插入图片描述

🏳️‍🌈 6. 添加表头

ax.text(0.08, 0.2 + title_pos, 'RANK', fontdict={'color': '#1C1C1C', 'size': title_size}, fontweight='bold')
ax.text(0.39, 0.2 + title_pos, '1-WEEK\nCHANGE', fontdict={'color': '#1C1C1C', 'size': title_size}, fontweight='heavy')
ax.text(0.75, 0.2 + title_pos, 'TEAM', fontdict={'color': '#1C1C1C', 'size': title_size}, fontweight='heavy')

在这里插入图片描述

🏳️‍🌈 7. 添加数据

for i in range(len(rank)):
    ax.axhline(y=0.1 + i * 2, xmax=.8, c='gray', lw=0.4, alpha=0.2)
    ax.text(0.13, 0.78 + i * 2, str(rank[i]), fontdict={'color': '#1C1C1C', 'size': 4}, fontweight='normal')
    ax.text(.75, 0.78 + i * 2, str(team[i]), fontdict={'color': '#1C1C1C', 'size': 4}, fontweight='heavy')
    ax.text(4.05, 0.75 + i * 2, str(OFF[i]), fontdict={'color': '#1C1C1C', 'size': 3.6}, fontweight='normal')

在这里插入图片描述

🏳️‍🌈 8. 设置colarbar

x1 = [4.1] * len(rank)
y1 = [1 + i * 2 for i in range(len(rank))]
ax.scatter(x1, y1, c=OFF, s=40, cmap='Greens', alpha=0.8)

在这里插入图片描述

🏳️‍🌈 9. 添加俱乐部flag

在这里插入图片描述

🏳️‍🌈 10. 添加其他数据

在这里插入图片描述

🏳️‍🌈 11. 添加标题、注释

在这里插入图片描述

🏳️‍🌈 12. 在线运行地址

在线运行地址(含全部代码)：
https://www.heywhale.com/mw/project/6358ffe4d9319f9326104897

文章首发：微信公众号 “Python当打之年” ，Python编程技巧推送，希望大家可以喜欢。

以上就是本期为大家整理的全部内容了，赶快练习起来吧，原创不易，喜欢的朋友可以点赞、收藏也可以分享（注明出处）让更多人知道。

推荐阅读

Python当打之年
关注
专栏目录
Pandas常用操作命令（五）——数据排序sort_values
Python当打之年
06-24 6341
数据排序sort_values
python足球数据可视化_欧洲足球，5大联赛！Python爬虫数据可视化带你解析经典赛事...
weixin_42361608的博客
02-04 2349
前言：R爬虫&可视化系列文章，我们来聊聊欧洲足球五大联赛。本人作为一个不会踢球的资深球迷，俗称“懂球帝”，今天就与大家用数据分析一下2017-2018赛季欧洲五大联赛的各项指标。数据爬取：本次数据爬取我们选择的是虎扑网站，虎扑网站作为大型的体育类资讯网站，可以作为足球类数据的来源。爬取分为两部分，球员资料和比赛统计，比较好的一点是虎扑网站上的数据是以表格形式进行存储，如下图所示：上图中由于...
Python-Django毕业设计足球俱乐部（程序+LW）.
最新发布
基林计算机毕设程序
02-01 121
在俱乐部球员管理页面可以对索引，俱乐部名称，国家，球员姓名，球员位置，球员身高，球员体重，球员年龄，球员国籍，球员照片，，在活动报名管理页面可以对索引，报名编号，活动名称，活动类型，活动地点，用户名，手机，报名时间，索引，申请编号，用户名，性别，手机，头像，申请时间，个人介绍，审核回复，审核状态，审核。索引，申请编号，用户名，性别，手机，头像，申请时间，个人介绍，审核回复，审核状态，审核。或者 Mac OS；索引，活动名称，活动类型，图片，活动地点，活动时间，活动人数，联系人，联系电话。
用Matplotlib实现世界GDP动态排名
读万卷书 行万里路
05-10 3994
本篇博客中的代码可以在jupyter notebook中运行。2023/01大修博客。因为在学习Tableau的时候遇到了一个GDP动态图，写这篇博客主要是想用Python来实现这个动态图，最终实现效果如图1。
深度好文 ｜Matplotlib 可视化最有价值的 50 个图表（附完整 Python 源代码） ...
weixin_34392906的博客
12-27 1685
在数据分析和可视化中最有用的 50 个 Matplotlib 图表。 这些图表列表允许您使用 python 的 matplotlib 和 seaborn 库选择要显示的可视化对象。 介绍这些图表根据可视化目标的7个不同情景进行分组。 例如，如果要想象两个变量之间的关系，请查看“关联”部分下的图表。 或者，如果您想要显示值如何随时间变化，请查看“变化”部分...
足球俱乐部管理系统（企业版）
11-22
12. **报表生成与数据分析**：系统可能包含报表生成模块，用于统计分析球队表现、财务状况等，这可能涉及到数据可视化库，如Matplotlib或ECharts。 综合这些知识点，【足球俱乐部管理系统（企业版）】是一个集成了...
采用 Python 机器学习预测足球比赛结果
热门推荐
GitChat
04-23 8万+
足球是世界上最火爆的运动之一，如何运用机器学习来预测足球比赛结果，是每一个足球爱好者所向往的！ 本场 Chat 适合有 Python 基础的机器学习初学者，我们带你一起熟悉机器学习的开发流程，帮你快速建立起自己的英超比赛预测模型！ 你将获取到如下内容： 人工智能在线建模平台介绍； 熟悉机器学习开发流程； 熟悉 Python 数据挖掘库 NumPy、Pandas、Scikit-Learn 等开发库...
回归分析：基于FIFA提取的足球运动员特征的足球周薪回归分析
02-21
首先，我们需要导入相关的Python库，如Pandas用于数据处理，Numpy用于数值计算，Matplotlib和Seaborn用于数据可视化，以及Scikit-learn进行机器学习操作，包括回归模型的训练和评估。Jupyter Notebook是这个项目使用...
European Soccer Database 欧洲足球数据库-数据集
03-04
欧洲足球数据库是一个专门为数据分析和机器学习设计的综合资源，它包含了大量的足球比赛数据，可用于深入...同时，可视化工具如Matplotlib和Seaborn可以帮助将数据结果以图形形式呈现，使得分析结果更易于理解和解释。
python数据分析之足球运动员分析
Mei_ZS的博客
03-11 5920
足球运动员分析 背景信息 当前，足球运动是最受欢迎的运动之一（也可以说没有之一）。 任务说明 我们的任务，就是在众多的足球运动员中，发现统计一些关于足球运动员的共性，或某些潜在的规律。 数据集描述 数据集包含的是2017年所有活跃的足球运动员。 Name 姓名 Nationality 国籍 National_Position 国家队位置 National_Kit 国家队号码 ...
数据分析 - matplotlib绘制条形图 - 电影前五票房
Bessie_Lee
07-27 748
条形图条形图绘制题目竖着的图形横着的图像 条形图绘制 竖着的条形图：bar（x, y 横着的条形图：barh (x, y) 题目 已知2021年全国前五的电影以及票房 x = ["战狼", "你好李焕英", "哪吒之魔童降世", "流浪地球", "唐人街探案"] y = [56.94, 54.13, 50.36, 46.86, 45.22] 具体的介绍全在代码里面，直接看代码就行，这个和折线图，散点图有异曲同工之妙 竖着的图形 from matplotlib import pyplot as
Python绘制六种可视化图表详解（建议收藏）
weixin_33738578的博客
08-24 2103
公众号：Python编程时光 可视化图表，有相当多种，但常见的也就下面几种，其他比较复杂一点，大都也是基于如下几种进行组合，变换出来的。对于初学者来说，很容易被这官网上众多的图表类型给吓着了，由于种类太多，几种图表的绘制方法很有可能会混淆起来。 因此，在这里，我特地总结了六种常见的基本图表类型，你可以通过对比学习，打下坚实的基础。 01. 折线图 绘制折线图，如果你数据不是很多的话，画出来的图...
Python使用matplotlib可视化排序的棒棒糖图、类似于排序的条形图（Lollipop Chart）
data+scenario+science+insight
04-20 760
Python使用matplotlib可视化排序的棒棒糖图、类似于排序的条形图（Lollipop Chart）
【数据分析】Matplotlib可视化最有价值的图表之——3、排序(Ranking)
E.W的博客
10-12 5851
  在数据分析和可视化中最有用的 50 个 Matplotlib 图表。 这些图表列表允许使用 python 的 matplotlib 和 seaborn 库选择要显示的可视化对象。   这里开始第三部分内容：排序（Ranking） 准备工作 在代码运行前先引入下面的设置内容。 当然，单独的图表，可以重新设置显示要素。 # !pip install brewer2mpl import numpy...
Matplotlib中几种常用的图形（四）
Kailin_lin的博客
08-27 2562
条形图 条形图常常用来描述一组数据的对比情况，例如：一周七天，每天的城市车流量等。【条形图有两个参数x,y】bar()绘制竖直条形图、barh()绘制水平条形图。 导入绘图工具包： import matplotlib.pyplot as plt import numpy as np 绘制竖直条形图 x = np.linspace(0, 5, 5) y = np.random.randin...
可视化 | Python精美地图动态展示近20年全国各省市GDP
Python当打之年
05-08 9770
文章目录1. 数据获取2. 数据可视化2.1 2019年各省市GDP柱状图(横向)2.2 2019年各省市GDP柱状图(纵向)2.3 2019年各省市GDP全国地图2.4 2001-2019年每年各省市GDP轮播图推荐阅读 大家好，我是欧K。 本期我们利用Python可视化动态展示2001-2019年全国各省市GDP数据，涉及到pandas数据处理、pyechars数据可视化，希望对你有所帮助。 先看看效果： 1. 数据获取 数据来源：国家统计局官网（http://www.stats.gov.cn/）
Pandas+Pyecharts | 北京某平台二手房数据分析+可视化
Python当打之年
06-27 8763
python分析23677条北京二手房数据信息可视化
Pandas+Pyecharts | 2021中国大学综合排名分析+可视化
Python当打之年
06-17 8038
利用Python对我国大学排名和分布情况
资源 | Python可视化系列文章资源(源码+数据)
Python当打之年
12-02 7657
Python可视化系列文章资源(源码+数据)
Matplotlib深度解析：数据可视化实战技巧
本文主要探讨了数据可视化的重要性及其在不同领域的应用，并以Python的Matplotlib库为例，通过实例分析展示了如何创建折线图和散点图，以实现更有效的信息传达。 在数据科学中，数据可视化是至关重要的工具，它不仅...
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

打赏作者

Python当打之年

您的鼓励是我创作的最大动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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