python代码实现数据可视化

最新推荐文章于 2024-05-14 11:00:23 发布
最新推荐文章于 2024-05-14 11:00:23 发布
阅读量2.5k 收藏 12
点赞数
文章标签： python 开发语言 数据分析
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_44822403/article/details/125636841
版权

数据可视化

使用python代码实现对数据进行可视化
包含柱状图，折线图，堆积图，小提琴图，散点图等

代码

#!/usr/bin/env python
# coding: utf-8

# In[1]:


from IPython.display import clear_output 
get_ipython().system('pip install fast_ml ')
clear_output()


# In[2]:



import pandas as pd 
import seaborn as sns  
import plotly.express as px 
import matplotlib.pyplot as plt
import warnings 
warnings.filterwarnings("ignore")


# In[3]:


from fast_ml.outlier_treatment import OutlierTreatment 
from sklearn.feature_selection import VarianceThreshold 
from sklearn.preprocessing import LabelEncoder 
from sklearn.tree import DecisionTreeClassifier   
from sklearn.model_selection import train_test_split
from sklearn import tree


# ID：ID
# Warehouse block：仓库区块
# Mode of shipment：运输方式
# Customer care calls：客户服务电话
# Customer rating：客户评价
# Cost of the product：产品成本
# Prior purchases：先前购买
# Product importance：产品重要性
# Gender：性别
# Discount offered：提供的折扣
# Weight in gms：克重
# Reached on time：准时到达
# ![1639989747%281%29.png](attachment:1639989747%281%29.png)

# In[39]:


df = pd.read_csv(r"Train.csv")


# <h2 style='border:3px solid DodgerBlue;'><center>Data Overview</center></h2>

# In[5]:


df.head()


# <h2 style='border:3px solid DodgerBlue;'><center>Data types</center></h2>

# In[6]:


df.dtypes


# <h2 style='border:3px solid DodgerBlue;'><center>Information about data</center></h2>

# In[7]:


df.info()


# <h2 style='border:3px solid DodgerBlue;'><center>Checking null Values</center></h2>

# In[8]:


df.isna().sum()


# In[9]:


df.shape


# <h2 style='border:3px solid DodgerBlue;'><center>Ware_house block</center></h2>

# In[105]:


df['Warehouse_block'].value_counts()


# In[106]:


sns.countplot(x = 'Warehouse_block',data = df)
plt.show()


# 由上图可以看出，F区块数量远多于其余区块数量；
# 柱形图是一种对数据分布情况的图形表示，可以更直观的看到各个数值的数量分布

# In[10]:


object_columns = df.select_dtypes(include=['object'])


# In[11]:


object_columns = df.select_dtypes(include=['object'])
warehouse = object_columns["Warehouse_block"].value_counts().reset_index() 
warehouse.columns = ['warehouse',"values"] 
fig = px.pie(warehouse,names='warehouse',values='values',color_discrete_sequence=px.colors.sequential.matter_r) 
fig.show()


# 仓库一共分为五个区块，分别为A,B,C,D,F，由图表可直观看出，F区数量最多，其余区块数量相同；饼图是用圆形及圆内扇形的角度来表示数值大小的图形，它主要用于表示一个样本（或总体）中各组成部分的数据占全部数据的比例

# <h2 style='border:3px solid DodgerBlue;'><center>gender</center></h2>

# In[40]:


df['Gender'].value_counts()


# In[41]:


sns.countplot(x = 'Gender',data = df)
plt.show()


# 由上图看出该电子商务公司中用户的男女数量比较接近；

# In[12]:


gender = object_columns['Gender'].value_counts().reset_index() 
gender.columns = ["Gender","Counts"]  
gender.drop("Gender",axis=1,inplace=True)
gender["Gender"] = ["Male","Female"]
fig = px.pie(gender,names='Gender',values='Counts',color_discrete_sequence=px.colors.sequential.Electric) 
fig.update_traces(textinfo='percent+label')


# 由上图看出该电子商务公司用户男性占比略高于女性；

# <h2 style='border:3px solid DodgerBlue;'><center>Mode of shipment</center></h2>

# In[42]:


df['Mode_of_Shipment'].value_counts()


# In[43]:


sns.countplot(x = 'Mode_of_Shipment',data = df)
plt.show()


# 由上图可以看出该电子商务的运输方式中，选用轮船运输的次数远多于其他航空运输以及公路运输；

# In[13]:


transport = object_columns["Mode_of_Shipment"].value_counts().reset_index() 
transport.columns = ["Mode","Values"] 
fig = px.pie(transport,names='Mode',values='Values',color_discrete_sequence=px.colors.sequential.Magenta_r) 
fig.update_traces(textinfo='percent+label')


# 由上图可以看出该电子商务公司运输方式中，选用轮船运输的次数比其余两种运输方式加和后的次数还多；

# <h2 style='border:3px solid DodgerBlue;'><center>Product importance</center></h2>

# In[44]:


df['Product_importance'].value_counts()


# In[45]:


sns.countplot(x = 'Product_importance',data = df)
plt.show()


# 由上图可以看出，该电子商务公司所售卖出去的商品中，重要性低的数量略多与重要性中的，重要性高的售卖出去的数量较低；

# In[14]:


product = object_columns['Product_importance'].value_counts().reset_index() 
product.columns = ['Importance','Values'] 
fig = px.pie(product,names='Importance',values='Values',color_discrete_sequence=px.colors.sequential.Emrld_r) 
fig.update_traces(textinfo='percent+label')


# 由上图可以看出，售卖出去的商品中，产品重要性为低以及中的数量远多于重要性高的；

# In[15]:


integer_columns = df.select_dtypes(include=['int64'])


# In[16]:


integer_columns


# <h2 style='border:3px solid DodgerBlue;'><center>Customer_care calls</center></h2>

# In[17]:


customer = df["Customer_care_calls"].value_counts().reset_index() 
customer.columns = ["Number of times","Value"] 
fig = px.pie(customer,names="Number of times",values="Value") 
fig.update_traces(textinfo='percent+label')


# 由上图可以看出，所售卖出去的商品中，单个货品的客服电话数量为7个，最少为2个，其中所有货品中，客服电话为4个的占比最大，为32.3%，客服电话为2个的占比最低，为2.24%；

# <h2 style='border:3px solid DodgerBlue;'><center>Customer ratings</center></h2>

# In[18]:


customer = df["Customer_rating"].value_counts().reset_index() 
customer.columns = ["Ratings","Value"]  


# In[19]:


customer["Ratings"] = ["Rating_"+str(i) for i in customer["Ratings"].tolist()]


# In[20]:


fig = px.pie(customer,names="Ratings",values="Value",color_discrete_sequence=px.colors.sequential.algae_r) 
fig.update_traces(textinfo='percent+label')


# 图中Rating为客户评价，Rating_1为最低，Rating_5为最高，看饼图可以看出，客户对商品的评价处于一个平均的状态，均大概有20%左右人；

# <h2 style='border:3px solid DodgerBlue;'><center>Prior_Purchases</center></h2>

# In[21]:


Prior_purchases = df["Prior_purchases"].value_counts().reset_index() 
Prior_purchases.columns = ["Prior_purchases","Value"] 
Prior_purchases = Prior_purchases[["Prior_purchases","Value"]]


# In[22]:


text1 = ["Experienced "+str(i)+" times before ordering" for i in Prior_purchases["Prior_purchases"].values.tolist()]


# In[23]:


Prior_purchases["Prior_purchases"] = text1
fig = px.pie(Prior_purchases,names="Prior_purchases",values="Value",color_discrete_sequence=px.colors.sequential.Darkmint_r) 
fig.update_traces(textinfo='percent+label')


# 图中表示的是用户在先前购买商品的数量，其中在之前购买过3次的人占比最高为36%，在之前购买6次以上的人占比最少，占比低于2%，由此可见，需要加强对老用户的维护

# <h2 style='border:3px solid DodgerBlue;'><center>Reached On time delivery</center></h2>

# In[24]:


Reached = df["Reached.on.Time_Y.N"].value_counts().reset_index() 
Reached.columns = ["Reached","Value"]  
Reached.drop("Reached",axis=1,inplace=True) 
Reached["Reached"] = ["successfully Reached","Not Successfully Reached"]
fig = px.pie(Reached,names="Reached",values="Value",color_discrete_sequence=px.colors.sequential.Darkmint_r) 
fig.update_traces(textinfo='percent+label')


# 上图代表的是货品准时到达以及延迟到达的占比，可以看出准时到达的占比为59.7%,未准时到达的占比为40.3%,需要对未准时到达的原因进行分析，提高到达准确率；

# <h2 style='border:3px solid DodgerBlue;'><center>Cost of the product</center></h2>

# In[27]:


sns.displot(data=df,x="Cost_of_the_Product",height=8,aspect=3,kde=True)


# 图中直方图表示的是产品成本的价格，由此可以看出产品成本多处于150到250间；直方图又称质量分布图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况

# In[28]:


df.columns


# In[29]:


sns.displot(data=df,x="Discount_offered",height=8,aspect=3,kde=True)


# 图中表示的是商品提供的折扣，由图看出，产品提供的折扣在0-10的数量最多；直方图又称质量分布图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况

# In[53]:


ots = OutlierTreatment() 
ots.fit(df,["Discount_offered"])  
df = ots.transform(df)


# In[54]:


plt.figure(figsize=(20,8))
df.boxplot(column="Discount_offered")


# 图中表示的是提供折扣的箱线图，折扣的中位数大概在6.8左右；箱线图(boxplot)属于到描述性统计(descriptive statistics), 描述性统计的作用简单的来说就是用数值来描述数据有何相同的地方又有何不同的地方,就是对数据做总结归纳. 而箱线图是一种使用五个数值(下边缘,第一分位数,中位数,第三分位数,上边缘)来描述数据集分布的方法, 就是观察数据集大概是集中再什么区域, 分布的情况是否是对称的还是说向左或向右偏, 有没有一些数据偏离的很离谱等等.
# 

# In[47]:


# making a lineplot to check the relation between customer care calls, customer ratings and gender

plt.figure(figsize = (18, 9))
sns.lineplot(x = 'Customer_care_calls', y = 'Customer_rating', hue = 'Gender', data = df,
             palette = 'rocket', ci = 0)
plt.title('Relation between Customer Care Calls and Customer Rating of Males and Females\n',
          fontsize = 15)
plt.show()


# 图中表示的是男性与女性用户在，客服电话数量对产品评价程度的影响关系，由图中可以看出，当客服数量为6个时，客户评价也最高；折线统计图不仅可以表示数量的多少，而且可以反映同一事物在不同时间里的发展变化的情况

# In[27]:


mode = df.groupby(["Mode_of_Shipment"])["Warehouse_block"].value_counts().to_frame()


# In[28]:


mode.columns = ["Count"] 
df1 = mode.reset_index(level=[0,1]) 
df1.head()


# <h2 style='border:3px solid DodgerBlue;'><center>Mode of shipment belongs to Various ware_house blocks</center></h2>

# In[29]:


px.sunburst(df1,path=["Mode_of_Shipment","Warehouse_block"],values="Count",color_discrete_sequence=px.colors.sequential.Greys_r)


# 图形表示的是各运输渠道下，仓库区块的分布，从图中可以看出无论实在轮船运输还是航空运输或公路运输下F区块的数量都是最多的，所以可适当增加F仓块的数量；旭日图中每个级别的数据通过1个圆环表示，离原点越近代表圆环级别越高，最内层的圆表示层次结构的顶级，然后一层一层去看数据的占比情况。越往外，级别越低，且分类越细。因此，它既能像饼图一样表现局部和整体的占比，又能像矩形树图一样表现层级关系。

# <h2 style='border:3px solid DodgerBlue;'><center>Mode_of_shipment related to their product_importance</center></h2>

# In[30]:


importance = df.groupby(["Mode_of_Shipment"])["Product_importance"].value_counts().to_frame() 
importance.columns = ["Count"] 
importance = importance.reset_index(level=[0,1]) 


# In[31]:


px.sunburst(importance,path=["Mode_of_Shipment","Product_importance"],values="Count",color_discrete_sequence=px.colors.sequential.GnBu_r)


# 图形表示的是各运输渠道下，各货品重要性的分布情况，从图中可以看出无论实在轮船运输还是航空运输或公路运输下，商品重要性为高的数量都是最小的，且低于重要性低的以及中等的，所以可适当增加F仓块的数量；旭日图中每个级别的数据通过1个圆环表示，离原点越近代表圆环级别越高，最内层的圆表示层次结构的顶级，然后一层一层去看数据的占比情况。越往外，级别越低，且分类越细。因此，它既能像饼图一样表现局部和整体的占比，又能像矩形树图一样表现层级关系。

# <h2 style='border:3px solid DodgerBlue;'><center>which type of shipment can carry more weight</center></h2>

# In[35]:


Product_importance = df.groupby(["Product_importance"])["Reached.on.Time_Y.N"].value_counts().to_frame() 
Product_importance.columns = ["Count"] 
Product_importance = Product_importance.reset_index(level=[0,1]) 
Product_importance["Reached.on.Time_Y.N"] = ["Reached","Not Reached","Reached","Not Reached","Reached","Not Reached"] 
px.sunburst(Product_importance,path=["Product_importance","Reached.on.Time_Y.N"],values="Count")


# 图中表示的是货品不同重要性下，货品是否准时到达，由图中可以看出，就算在不同重要性下，也没有对货品是否准时到达产生很大的影响；旭日图中每个级别的数据通过1个圆环表示，离原点越近代表圆环级别越高，最内层的圆表示层次结构的顶级，然后一层一层去看数据的占比情况。越往外，级别越低，且分类越细。因此，它既能像饼图一样表现局部和整体的占比，又能像矩形树图一样表现层级关系。

# <h2 style='border:3px solid DodgerBlue;'><center>How many items are delivered on time based on product_importance</center></h2>

# In[32]:


load = df.groupby(["Mode_of_Shipment"])["Weight_in_gms"].sum().reset_index() 
px.bar(load,x="Mode_of_Shipment",y="Weight_in_gms",color_discrete_sequence=px.colors.sequential.ice)


# 图中表示的是各运输方式所承载的货物的重量，其中轮船运输所承载的货物重量远高于航空运输以及公路运输；柱形图 图形显示的比较清晰、直观，并能同时对比各个项目在某特定时间内的差异

# <h2 style='border:3px solid DodgerBlue;'><center>At what range of product_weight reaches delivery on time?</center></h2>

# In[45]:


plt.figure(figsize=(20,8))
sns.histplot(data=df,x="Weight_in_gms",hue="Reached.on.Time_Y.N",element='poly')


# 图中表示的是货物的重量对货品准时到达的影响，由图中可以看出货品越重，货品未准时到的可能性也越大；直方图又称质量分布图，它是表示资料变化情况的一种主要工具。用直方图可以解析出资料的规则性，比较直观地看出产品质量特性的分布状态，对于资料分布状况一目了然，便于判断其总体质量分布情况

# <h2 style='border:3px solid DodgerBlue;'><center>Whether rating depends upon the cost_of_the_product</center></h2>

# In[47]:


plt.figure(figsize=(20,8))
sns.catplot(data=df,x="Customer_rating",y="Cost_of_the_Product",color="darkblue",kind="swarm")


# 由图中看出，客户的评价与产品成本之间没有什么关系；用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据

# In[55]:


#创建散点图，看看产品成本和折扣之间的关系，以及看产品是否能按时到达

plt.figure(figsize = (15, 7))
sns.scatterplot(x='Discount_offered', y='Cost_of_the_Product', data=df, hue='Reached.on.Time_Y.N')

plt.show()


# 图中表示的是产品折扣与产品成本间的关系是否影响货物准时到达；由图中可以看出产品的折扣约大，产品准时到达的数量越大；用两组数据构成多个坐标点，考察坐标点的分布，判断两变量之间是否存在某种关联或总结坐标点的分布模式。散点图将序列显示为一组点。值由点在图表中的位置表示。类别由图表中的不同标记表示。散点图通常用于比较跨类别的聚合数据
# 

# In[57]:


#2000 - 4000 and 6000+ gram products are not delivered on time every time.
#Delivered on time products' weights changing between 1000-2000 and 4000-6000 grams.
fig, ax = plt.subplots(figsize=(9, 5))
sns.scatterplot(x="Weight_in_gms",y="Cost_of_the_Product",hue="Reached.on.Time_Y.N",data=df,edgecolor=colors_dark[0],palette="deep")
ax.legend(["Not delivered on time","Delivered on time"],loc='upper center', bbox_to_anchor=(0.5, -0.2), ncol=2, borderpad=1, frameon=True, fontsize=10)
plt.ylabel("Cost_of_the_Product",fontsize=12, fontweight='light', color=colors_dark[0])
plt.xlabel("Weight_in_gms",fontsize=12, fontweight='light', color=colors_dark[0])
plt.title("Weight_in_gms - Cost_of_the_Product", fontsize=18, fontweight='bold', color=colors_dark[0])
plt.show()


# In[51]:


figure = plt.figure(figsize=(15,8))
sns.scatterplot(x="Cost_of_the_Product",y="Discount_offered",hue="Reached.on.Time_Y.N",style="Customer_rating",
               data=df)
plt.show()


# In[48]:


fig = px.histogram(data_frame = df,x = 'Warehouse_block',color='Reached.on.Time_Y.N',title = "<b>Warehouse vs Reached on Time or not</b>")
fig.update_layout(bargap=0.2)
fig.show()


# 从图中可以看出大约60%货物准时到达；反映数据细分和总体情况，我们常常会使用到堆积条形图，这种图形让我们既能看到整体推移情况，又能看到某个分组单元的总体情况，还能看到组内组成部分的细分情况，一举多得

# In[49]:


fig = px.histogram(data_frame = df,x = 'Mode_of_Shipment',color='Reached.on.Time_Y.N',title = "<b>mode of shipment vs Reached on Time or not</b>")
fig.update_layout(bargap=0.2)
fig.show()


# 无论采用何种装运方式，几乎60%的货物都能按时到达

# In[60]:


import matplotlib.pyplot as plt
import math
import numpy as np
import pandas as pd
# from plotnine.themes.seaborn_rcmod import mpl
import numpy as np
from matplotlib import pyplot as plt
from matplotlib import cm,colors


# In[52]:


pd.set_option('display.max_rows', 500)

pd.set_option('display.max_columns', 500)

pd.set_option('display.width', 1000)
x = df.drop(['Warehouse_block','Mode_of_Shipment','Product_importance','Gender'],axis = 1)
for i in x.columns:
    sns.violinplot(x = i, data = x,color = 'yellowgreen')   
    plt.xlabel(i)
    plt.show()


# 小提琴图 小提琴图类似于箱线图，不同之处在于它们还显示了数据在不同值下的概率密度。这些图包括数据中位数的标记和指示四分位距的框，如标准箱线图所示。叠加在此箱线图上的是核密度估计。与箱线图一样，小提琴图用于表示不同“类别”之间的变量分布（或样本分布）的比较。

# In[52]:


plt.figure(figsize=(20,8)) 
sns.heatmap(df.corr(),annot=True,vmin=-1,vmax=1,center=0,linewidths=3,linecolor='darkgreen')


# 由图中可以看出各个变量间的相关性关系；热力图可以更加直观的比较出各个变量间的相关性关系，可以看数据表里多个特征两两的相似度

网盘分享的文件：数据可视化.html
链接：https://pan.baidu.com/s/1BOTi4iwprfngd6sZjfEPYw
提取码：832V

山林里的迷路人
关注
  • 0
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
几个实用数据可视化图表Python代码!
y1282037271的博客
02-14 2412
可视化是一种方便的观察数据的方式，可以一目了然地了解数据块。我们经常使用柱状图、直方图、饼图、箱图、热图、散点图、线状图等。这些典型的图对于数据可视化是必不可少的。除了这些被广泛使用的图表外，还有许多很好的却很少被使用的可视化方法，这些图有助于完成我们的工作，下面我们看看有那些图可以进行。
40个python代码可视化实践案例
S1322986156的博客
06-05 1787
六. 紫色柱形图 十四、k线图
数据可视化教学代码和案例（python+jupyter）
06-01
数据可视化的教学代码： 包括折线图+柱状图+饼图+盒图+散点图+直方图+3d图 画布的布局、画图中中文乱码的解决、背景板的选择等 简单的数据分析和可视化案例： titanic数据的简单分析可视化 iris数据的聚类可视化 GDP数据结合pyechart的应用 股票数据的可视化与简单的策略实现
国一大佬也收藏的16个Python数据可视化案例（附源码）
数模国一er
11-16 9830
数据可视化是数学建模比赛中关键的一步。 同学们在以数据可视化表现某些数据时可以尝试使用 Python 的第三方库。 不过有些同学可能会问也会遇到不少问题，比如选择何种图表，以及如何制作，代码如何编写，这些都是问题！ 今天给大家介绍几种常见的 Python 数据可视化图表（第一期），总计约 16 个示例~
python数据可视化
世界需要程序员，而我就是其中一员！
05-20 1187
python数据可视化
python数据可视化显示(附代码)
阿利同学的博客
05-21 3757
Python提供了多种数据可视化工具，包括Matplotlib、Seaborn、Plotly、Bokeh等。在数据可视化中，需要选择合适的图表类型、坐标系、标签和标题等，以便更好地表达数据和信息。本文提供了Matplotlib和Seaborn的代码示例，介绍了如何使用Python进行数据可视化。希望本文能够帮助读者更好地理解Python数据可视化的基本概念、工具和技术。
Python中最常用的 14 种数据可视化类型的概念与代码
小詹学python的博客
02-04 3920
写在前面收集数据后，需要对其进行解释和分析，以深入了解数据所蕴含的深意。而这个含义可以是关于模式、趋势或变量之间的关系。数据解释是通过明确定义的方法审查数据的过程，数据解释有助于为数据赋予...
python数据可视化代码示例
m0_53685039的博客
10-19 2055
【代码】python数据可视化代码示例。
使用 Python 实现数据可视化（完整代码）
热门推荐
weixin_39880579的博客
04-11 3万+
点击打开链接
利用Python代码实现数据可视化的5种方法详解
09-20
在数据科学中，有多种...下面这篇文章主要给大家介绍了关于利用Python代码实现数据可视化的5种方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面来一起看看吧。
Python爬取数据并实现可视化代码解析
09-16
主要介绍了Python爬取数据并实现可视化代码解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
基于Python实现汽车销售数据可视化【500010086】
11-14
详情介绍：...实现基于Python实现汽车销售数据可视化 1、计算销量同比数据 2、汽车年销售量图 3、2023年与2022年同时期汽车销量数据对比图 4、各厂商汽车销量(年) 5、各车型汽车销量(年)
python代码实现TSNE降维数据可视化教程
09-17
今天小编就为大家分享一篇python代码实现TSNE降维数据可视化教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
一图胜千言！详解Python数据可视化！
CSDN_430422的博客
08-03 5581
描述性分析（descriptive analytics）是任何分析生命周期的数据科学项目或特定研究的核心组成部分之一。数据聚合（aggregation）、汇总（summarization）和可视化（visualization）是支撑数据分析领域的主要支柱。从传统商业智能（Business Intelligence）开始，甚至到如今人工智能时代，数据可视化都是一个强有力的工具；由于其能有效抽取正确的信息，同时清楚容易地理解和解释结果，可视化被业界组织广泛使用。
python数据可视化代码_5 种使用 Python 代码轻松实现数据可视化的方法
weixin_39587164的博客
11-20 463
柱状图当你试图将类别很少（可能小于10）的分类数据可视化的时候，柱状图是最有效的。如果我们有太多的分类，那么这些柱状图就会非常杂乱，很难理解。柱状图对分类数据很好，因为你可以很容易地看到基于柱的类别之间的区别（比如大小)；分类也很容易划分和用颜色进行编码。我们将会看到三种不同类型的柱状图：常规的，分组的，堆叠的。在我们进行的过程中，请查看图形下面的代码。常规的柱状图如下面的图1。在 barplot...
【Python入门可视化】：22个完整数据可视化小例子，带你玩转可视化～
yunyun云芸
08-02 2万+
1. 柱状图堆叠 不同系列的数据使用相同的stack值会堆叠在一起； from pyecharts.charts import * from pyecharts import options as opts from pyecharts.faker import Faker def bar_stack(): bar = Bar(init_opts=opts.InitOpts(theme='light', width='
12个案例教你用Python玩转数据可视化
Python大本营的博客
04-11 4934
「2019 Python开发者日」全日程揭晓，请扫码咨询 ↑↑↑作者|伊凡·伊德里斯（IvanIdris），曾是Java和数据库应用开发者，后专注于Python和数...
【Python】Python中变量或者函数加下划线‘_‘的含义
最新发布
yangweipeng708的博客
05-14 664
理解这些约定可以帮助Python开发者编写更清晰、更Pythonic的代码，并理解其他Python代码中的命名习惯。）通常用来指示特定的编程约定或用法，这些约定主要关乎变量和函数的可访问性以及预期的使用范围。在Python中，变量或函数前面加一个下划线（
python数据可视化项目源代码和设计文档
06-12
很抱歉，我无法提供具体的项目源代码和设计文档，因为我不知道您需要什么类型的可视化项目和设计文档。但是，我可以为您提供一些Python数据可视化项目的示例和一些设计文档的建议，希望能够帮助您。 1. Python数据可视化项目示例： - 使用Matplotlib和Pandas绘制股票价格走势图 - 使用Seaborn和Pandas绘制心脏病数据集的热力图和散点图 - 使用Plotly和Dash创建一个交互式的数据仪表板 - 使用Bokeh和Pandas创建一个动态的地图可视化项目 这些示例可以帮助您了解如何使用不同的Python数据可视化库来创建不同类型的图表和可视化项目。 2. Python数据可视化项目设计文档建议： - 项目概述：描述项目的目的、背景和范围。 - 数据来源和处理：描述数据的来源和处理方法，包括数据清洗、转换和可视化需求。 - 可视化需求：列出项目的可视化需求，包括图表类型、颜色、字体和标签等。 - 技术架构：描述项目的技术架构，包括使用的Python库、数据存储和云服务等。 - 项目计划：描述项目的时间表、里程碑和团队成员分工等。 以上是一些Python数据可视化项目设计文档的建议，您可以根据自己的需要进行拓展和调整。希望对您有所帮助！

“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 1
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

山林里的迷路人

你的鼓励将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