本文是《DataFrog三个月强化课程》第二期总结教程。 如果您想了解DataFrog社区,可以阅读DataFrog社区学员的学习技巧。 温馨提醒:如果你已经熟悉Python可视化内容,就不再需要阅读本文或选择一些文章
对于我们数据分析师来说,我们不仅需要了解数据背后的含义,而且还需要更直观地向老板展示数据的意义。 那么,让我们一起来学习一下这项不可或缺的技能吧。
在绘制之前,我们先导入包并生成数据集
我们先看一下使用的数据集
折线图是常用来观察趋势的图表。 您可以看到数据随着某个变量而变化。 默认情况下,kind="line"参数表示图表类型为折线图。
对于离散数据(例如分类数据),您需要了解数据在各个类别中的分布情况。
在这种情况下,您可以使用直方图。
让们为每个类别画一列。
此时,参数类型可以设置为bar。
条形图是将垂直直方图翻转90度得到的图表。 与柱形图一样,条形图可以包含一个或多个数据集。
当类别名称很长时,水平条形图非常方便,因为文本是从左到右书写的,与大多数用户的阅读顺序一致,这使得我们易于阅读图表。 当类别名称很长时,直方图无法很好地显示。
直方图是柱形图的一种特殊形式,当我们想要查看数据集的分布情况时,我们选择直方图。 直方图变量被划分为不同的范围,因此统计数据是在不同的范围内进行统计的。 在直方图中,列之间的一系列列意味着数值连续性。
箱线图用于显示数据集的描述性统计信息,即[四分位数]。 数据的。 框的顶部和底部边缘代表该数据集中前25%和75%的值。 方框中心的水平线代表中位数。 此时参数类型可以设置为box。
如果要画散点图,可以将kind参数设置为scatter,并且需要指定x和y。 散点图可帮助您探索变量之间的关系。
饼图使用面积来表示一组数据所占的比例。 此时,参数类型可以设置为pie。
我们刚开始学习的同学应该基本都明白什么数据应该用什么图表来展示。 让我们一起总结一下。
这里提供两种Python可视化方法,分别是marine和pyechart1简单介绍一下这两个库的安装和使用。 实验环境为win10+python3.6+pycharm5.0。 主要内容如下:
1。 (官方示例):这些是开发过程的截图,提取结果还不错:
3.妆容简单又好看,搭配视觉卡。 它易于学习、易于上手、易于使用。 直接在cmd窗口中输入“pipinstallpyecharts”,像这样:
2.安装成功后,我们就可以进行简单的测试了。 主要代码是这样的:
流水账的界面如下:
更多示例也可以参考饼图教程。 至此介绍了两种可视化方法。 总的来说,这两个可视化库使用起来都非常方便,简单易学且易于使用,其他可视化库适合您的目的。
导入随机
导入numpy为np
导入matplotlib为mpl
导入matplotlib.pyplot为plt
导入matplotlib.datesasmdates
frommpl_toolkits.mplot3dimportAxes3D
mpl.rcParams['font.size']=10
fig=plt.figure()
ax=Fig.add_subplot(111,projection='3d')
对于[2011,2012,2013,2014]中的z:
xs=xrange(1,13)
ys=1000*np.random.rand(12)
color=plt.cm.Set2(random.choice(xrange(plt.cm.Set2.N))))
ax.bar(xs,ys,zs=z,zdir='y',color=color,alpha=0.8)
ax.xaxis.set_major_locator(mpl.ticker.FixLocator(xs))
ax.yaxis.set_major_locator(mpl.ticker.FixedLocator(ys))
ax.set_xlabel('月')
ax.set_ylabel('年)')
ax.set_zlabel('销售网络[美元]')
plt.show()
渲染:
使用matplotlib3Dptyhon函数绘制一些3D视觉图
上一篇:python爬虫数据可视化分析
下一篇:python数据可视化分析案例