Python中不同图表的数据可视化的实现_Python

Python中不同图表的数据可视化的实现

2022-08-08 17:40海拥 Python

数据可视化是以图形格式呈现数据。它通过以简单易懂的格式汇总和呈现大量数据，帮助人们理解数据的重要性，并有助于清晰有效地传达信息。本文为大家准备了Python实现不同图表数据可视化的代码，需要的可以参考一下

数据可视化是以图形格式呈现数据。它通过以简单易懂的格式汇总和呈现大量数据，帮助人们理解数据的重要性，并有助于清晰有效地传达信息。

考虑这个给定的数据集，我们将为其绘制不同的图表：

Python中不同图表的数据可视化的实现

用于分析和呈现数据的不同类型的图表

1.直方图

直方图表示特定现象发生的频率，这些现象位于特定的数值范围内，并以连续和固定的间隔排列。

在下面的代码中绘制直方图Age, Income, Sales。因此，输出中的这些图显示了每个属性的每个唯一值的频率。

# 导入 pandas 和 matplotlib
import pandas as pd
import matplotlib.pyplot as plt

# 创建上面给出的表的二维数组
data = [["E001", "M", 34, 123, "Normal", 350],
		["E002", "F", 40, 114, "Overweight", 450],
		["E003", "F", 37, 135, "Obesity", 169],
		["E004", "M", 30, 139, "Underweight", 189],
		["E005", "F", 44, 117, "Underweight", 183],
		["E006", "M", 36, 121, "Normal", 80],
		["E007", "M", 32, 133, "Obesity", 166],
		["E008", "F", 26, 140, "Normal", 120],
		["E009", "M", 32, 133, "Normal", 75],
		["E010", "M", 36, 133, "Underweight", 40] ]

# 使用上述数据数组创建的数据框
df = pd.DataFrame(data, columns = ["EMPID", "Gender",
									"Age", "Sales",
									"BMI", "Income"] )

# 为数值数据创建直方图
df.hist()

# show plot
plt.show()

输出：

Python中不同图表的数据可视化的实现

2. 柱形图

柱形图用于显示不同属性之间的比较，或者它可以显示项目随时间的比较。

# 此处使用之前代码的数据框

# 绘制数值条形图，将显示所有 3 个年龄、收入、销售额之间的比较
df.plot.bar()

# 在 2 个属性之间绘制
plt.bar(df["Age"], df["Sales"])
plt.xlabel("Age")
plt.ylabel("Sales")
plt.show()

输出：

Python中不同图表的数据可视化的实现

3. 箱线图

箱线图是基于 minimum, first quartile, median, third quartile, and maximum. 术语“箱线图”来自这样一个事实，即图形看起来像一个矩形，线条从顶部和底部延伸。由于延伸线，这种类型的图有时被称为盒须图。

# 对于数据框的每个数字属性
df.plot.box()

# 单个属性箱线图
plt.boxplot(df["Income"])
plt.show()

输出：

Python中不同图表的数据可视化的实现

4、饼图

饼图显示一个静态数字以及类别如何代表整体的一部分。饼图以百分比表示数字，所有段的总和需要等于 100%。

plt.pie(df["Age"], labels = {"A", "B", "C",
							"D", "E", "F",
							"G", "H", "I", "J"},
							
autopct ="% 1.1f %%", shadow = True)
plt.show()

plt.pie(df["Income"], labels = {"A", "B", "C",
								"D", "E", "F",
								"G", "H", "I", "J"},
								
autopct ="% 1.1f %%", shadow = True)
plt.show()

plt.pie(df["Sales"], labels = {"A", "B", "C",
							"D", "E", "F",
							"G", "H", "I", "J"},
autopct ="% 1.1f %%", shadow = True)
plt.show()

输出：

Python中不同图表的数据可视化的实现

5、散点图

散点图显示了两个不同变量之间的关系，它可以揭示分布趋势。当有许多不同的数据点，并且您想突出数据集中的相似性时，应该使用它。这在查找异常值和了解数据分布时很有用。

# 收入和年龄之间的散点图
plt.scatter(df["income"], df["age"])
plt.show()

# 收入和销售额之间的散点图
plt.scatter(df["income"], df["sales"])
plt.show()

# 销售额和年龄之间的散点图
plt.scatter(df["sales"], df["age"])
plt.show()

输出：

Python中不同图表的数据可视化的实现