导入numpy、pandas以及matplotlib包和数据
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
加载数据
#加载result.csv这个数据
text = pd.read_csv(r'result.csv')
text.head()
最基本的可视化图案有哪些?分别适用于那些场景?
答:柱状图(分布情况),折线图(变换情况)
可视化展示泰坦尼克号数据集中男女中生存人数分布情况
#代码编写
sex = text.groupby('Sex')['Survived'].sum()
sex.plot.bar()
plt.title('survived_count')
plt.show()
从图可看出生存的人与性别有关
可视化展示泰坦尼克号数据集中男女中生存人与死亡人数的比例图
#代码编写
# 提示:计算男女中死亡人数 1表示生存,0表示死亡
text.groupby(['Sex','Survived'])['Survived'].count().unstack().plot(kind='bar',stacked='True')
plt.title('survived_count')
plt.ylabel('count')
可视化展示泰坦尼克号数据集中不同票价的人生存和死亡人数分布情况。(用折线图试试)(横轴是不同票价,纵轴是存活人数)
#代码编写
# 计算不同票价中生存与死亡人数 1表示生存,0表示死亡
fare_sur = text.groupby(['Fare'])['Survived'].value_counts().sort_values(ascending=False)
fare_sur
fig = plt.figure(figsize=(20, 18))
fare_sur.plot(grid=True)
plt.legend()
plt.show()
fare_sur1 = text.groupby(['Fare'])['Survived'].value_counts()
fare_sur1
可视化展示泰坦尼克号数据集中不同仓位等级的人生存和死亡人员的分布情况
#代码编写
# 1表示生存,0表示死亡
pclass_sur = text.groupby(['Pclass'])['Survived'].value_counts()
pclass_sur
可视化展示泰坦尼克号数据集中不同年龄的人生存与死亡人数分布情况。
#代码编写
facet = sns.FacetGrid(text, hue="Survived",aspect=3)
facet.map(sns.kdeplot,'Age',shade= True)
facet.set(xlim=(0, text['Age'].max()))
facet.add_legend()
可视化展示泰坦尼克号数据集中不同仓位等级的人年龄分布情况
#代码编写
text.Age[text.Pclass == 1].plot(kind='kde')
text.Age[text.Pclass == 2].plot(kind='kde')
text.Age[text.Pclass == 3].plot(kind='kde')
plt.xlabel("age")
plt.legend((1,2,3),loc="best")
总:图像的可视化可以让我们更加方便清楚地看见数据的结构特点以及变化规律。