欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python利用matplotlib畫(huà)出漂亮的分析圖表

 更新時(shí)間：2022年07月04日 15:47:47   作者：機(jī)器學(xué)習(xí)初學(xué)者  
這篇文章主要介紹了Python利用matplotlib畫(huà)出漂亮的分析圖表，文章首先引入數(shù)據(jù)集展開(kāi)詳情，需要的朋友可以參考一下

前言

作為一名優(yōu)秀的分析師，還是得學(xué)會(huì)一些讓圖表漂亮的技巧，這樣子拿出去才更加有面子哈哈。好了，今天的錦囊就是介紹一下各種常見(jiàn)的圖表，可以怎么來(lái)畫(huà)吧。

數(shù)據(jù)集引入

首先引入數(shù)據(jù)集，我們還用一樣的數(shù)據(jù)集吧，分別是 Salary_Ranges_by_Job_Classification以及 GlobalLandTemperaturesByCity。（具體數(shù)據(jù)集可以后臺(tái)回復(fù) plot獲?。?/p> 

# 導(dǎo)入一些常用包
import pandas as pd
import numpy as np
import seaborn as sns

%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib as mpl
plt.style.use('fivethirtyeight')

#解決中文顯示問(wèn)題，Mac
from matplotlib.font_manager import FontProperties

# 查看本機(jī)plt的有效style
print(plt.style.available)
# 根據(jù)本機(jī)available的style，選擇其中一個(gè)，因?yàn)橹爸纆gplot很好看，所以我選擇了它
mpl.style.use(['ggplot'])

# ['_classic_test', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark-palette', 'seaborn-dark', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'seaborn', 'Solarize_Light2']

# 數(shù)據(jù)集導(dǎo)入

# 引入第 1 個(gè)數(shù)據(jù)集 Salary_Ranges_by_Job_Classification
salary_ranges = pd.read_csv('./data/Salary_Ranges_by_Job_Classification.csv')

# 引入第 2 個(gè)數(shù)據(jù)集 GlobalLandTemperaturesByCity
climate = pd.read_csv('./data/GlobalLandTemperaturesByCity.csv')
# 移除缺失值
climate.dropna(axis=0, inplace=True)
# 只看中國(guó)
# 日期轉(zhuǎn)換, 將dt 轉(zhuǎn)換為日期，取年份, 注意map的用法
climate['dt'] = pd.to_datetime(climate['dt'])
climate['year'] = climate['dt'].map(lambda value: value.year)
climate_sub_china = climate.loc[climate['Country'] == 'China']
climate_sub_china['Century'] = climate_sub_china['year'].map(lambda x:int(x/100 +1))
climate.head()

折線圖

折線圖是比較簡(jiǎn)單的圖表了，也沒(méi)有什么好優(yōu)化的，顏色看起來(lái)順眼就好了。下面是從網(wǎng)上找到了顏色表，可以從中挑選～

# 選擇上海部分天氣數(shù)據(jù)
df1 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.set_index('dt')
df1.head()

# 折線圖
df1.plot(colors=['lime'])
plt.title('AverageTemperature Of ShangHai')
plt.ylabel('Number of immigrants')
plt.xlabel('Years')
plt.show()

上面這是單條折線圖，多條折線圖也是可以畫(huà)的，只需要多增加幾列。

# 多條折線圖
df1 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SH'})
df2 = climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'TJ'})
df3 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SY'})
# 合并
df123 = df1.merge(df2, how='inner', on=['dt'])\
.merge(df3, how='inner', on=['dt'])\
.set_index(['dt'])
df123.head()

# 多條折線圖
df123.plot()
plt.title('AverageTemperature Of 3 City')
plt.ylabel('Number of immigrants')
plt.xlabel('Years')
plt.show()

餅圖

接下來(lái)是畫(huà)餅圖，我們可以優(yōu)化的點(diǎn)多了一些，比如說(shuō)從餅塊的分離程度，我們先畫(huà)一個(gè)“低配版”的餅圖。

df1 = salary_ranges.groupby('SetID', axis=0).sum()

 
# “低配版”餅圖
df1['Step'].plot(kind='pie', figsize=(7,7),
autopct='%1.1f%%',
shadow=True)
plt.axis('equal')
plt.show()

# “高配版”餅圖
colors = ['lightgreen', 'lightblue'] #控制餅圖顏色 ['lightgreen', 'lightblue', 'pink', 'purple', 'grey', 'gold']
explode=[0, 0.2] #控制餅圖分離狀態(tài)，越大越分離

df1['Step'].plot(kind='pie', figsize=(7, 7),
autopct = '%1.1f%%', startangle=90,
shadow=True, labels=None, pctdistance=1.12, colors=colors, explode = explode)
plt.axis('equal')
plt.legend(labels=df1.index, loc='upper right', fontsize=14)
plt.show()

散點(diǎn)圖

散點(diǎn)圖可以優(yōu)化的地方比較少了，ggplot2的配色都蠻好看的，正所謂style選的好，省很多功夫！

# 選擇上海部分天氣數(shù)據(jù)
df1 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SH'})

df2 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SY'})
# 合并
df12 = df1.merge(df2, how='inner', on=['dt'])
df12.head()

# 散點(diǎn)圖
df12.plot(kind='scatter', x='SH', y='SY', figsize=(10, 6), color='darkred')
plt.title('Average Temperature Between ShangHai - ShenYang')
plt.xlabel('ShangHai')
plt.ylabel('ShenYang')
plt.show()

面積圖

# 多條折線圖
df1 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SH'})
df2 = climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'TJ'})
df3 = climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.rename(columns={'AverageTemperature':'SY'})
# 合并
df123 = df1.merge(df2, how='inner', on=['dt'])\
.merge(df3, how='inner', on=['dt'])\
.set_index(['dt'])
df123.head()

colors = ['red', 'pink', 'blue'] #控制餅圖顏色 ['lightgreen', 'lightblue', 'pink', 'purple', 'grey', 'gold']
df123.plot(kind='area', stacked=False,
figsize=(20, 10), colors=colors)
plt.title('AverageTemperature Of 3 City')
plt.ylabel('AverageTemperature')
plt.xlabel('Years')
plt.show()

直方圖

# 選擇上海部分天氣數(shù)據(jù)
df = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.set_index('dt')
df.head()

# 最簡(jiǎn)單的直方圖
df['AverageTemperature'].plot(kind='hist', figsize=(8,5), colors=['grey'])
plt.title('ShangHai AverageTemperature Of 2010-2013') # add a title to the histogram
plt.ylabel('Number of month') # add y-label
plt.xlabel('AverageTemperature') # add x-label
plt.show()

條形圖

# 選擇上海部分天氣數(shù)據(jù)
df = climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]\
.loc[:,['dt','AverageTemperature']]\
.set_index('dt')
df.head()

df.plot(kind='bar', figsize = (10, 6))
plt.xlabel('Month')
plt.ylabel('AverageTemperature')
plt.title('AverageTemperature of shanghai')
plt.show()

df.plot(kind='barh', figsize=(12, 16), color='steelblue')
plt.xlabel('AverageTemperature')
plt.ylabel('Month')
plt.title('AverageTemperature of shanghai')
plt.show()

到此這篇關(guān)于Python利用matplotlib畫(huà)出漂亮的分析圖表的文章就介紹到這了,更多相關(guān)Python 繪制分析圖表內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

相關(guān)文章

  • 基于Python的人臉檢測(cè)與分類過(guò)程詳解

    基于Python的人臉檢測(cè)與分類過(guò)程詳解

    這篇文章主要介紹了基于Python的人臉檢測(cè)與分類,算法分為兩個(gè)部分識(shí)別人臉位置和確定人臉?lè)诸?，由于這兩項(xiàng)工作截然相反，所以我們使用了兩個(gè)網(wǎng)絡(luò)分別完成，詳細(xì)過(guò)程跟隨小編一起看看吧
    2022-05-05
  • python的函數(shù)最詳解

    python的函數(shù)最詳解

    這篇文章主要介紹了詳解python中各種的函數(shù),是Python入門中的基礎(chǔ)知識(shí),需要的朋友可以參考下，希望能夠給你帶來(lái)幫助
    2021-10-10
  • 詳解python時(shí)間模塊中的datetime模塊

    詳解python時(shí)間模塊中的datetime模塊

    這篇文章主要為大家介紹了python時(shí)間模塊中的datetime模塊，datetime模塊的接口則更直觀、更容易調(diào)用，想要了解datetime模塊的朋友可以參考一下
    2016-01-01
  • Python DataFrame 設(shè)置輸出不顯示index(索引)值的方法

    Python DataFrame 設(shè)置輸出不顯示index(索引)值的方法

    今天小編就為大家分享一篇Python DataFrame 設(shè)置輸出不顯示index(索引)值的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
    2018-06-06

    • 最新評(píng)論