[转载] Python数据分析之Matplotlib数据可视化实例
参考链接: 使用Python进行数据分析和可视化2
Matplotlib数据可视化的应用实例 分析 :2000至2017年各季度国民生产总值数据 npy文件——numpy专用的二进制格式 np.load()和np.save()是读写磁盘数组数据的两个重要函数。使用时,数组会以未压缩的原始二进制格式保存在扩展名为.npy的文件中。
分析国民生产总值:
# -- coding:utf-8 --
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上allow_pickle=True
print(data) # 这时的data是数据对象,
print(data['columns'])
print(data['values'])
name = data['columns']
values = data['values']
plt.figure(figsize=(10, 10))
plt.scatter(values[:, 0], values[:, 2], marker='o') # 画散点图
plt.xlabel('年份')
plt.ylabel('生产总值(亿元)')
plt.ylim((0, 225000))
plt.xticks(range(0, 70, 4), values[range(0, 70, 4), 1], rotation=45) # 此时取得值都是第一季度的
plt.title('2000-2017年季度生产总值散点图')
plt.savefig('../images/2000-2017年季度生产总值散点图.png') # 图片要先保存再显示
plt.show() # 在当前设备显示图片
分析 :第一二三产业的的国民生产总值
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上
values = data['values']
plt.figure(figsize=(10, 10))
# 绘制的第一二三产业的增加值
plt.scatter(values[:, 0], values[:, 3], marker='o', c='red')
plt.scatter(values[:, 0], values[:, 4], marker='*', c='blue')
plt.scatter(values[:, 0], values[:, 5], marker='v', c='yellow')
plt.xlabel('年份')
plt.ylabel('生产总值(亿元)')
plt.xticks(range(0, 70, 4), values[range(0, 70, 4), 1], rotation=45) # 此时取得值都是第一季度的
plt.title('2000-2017年季度生产总值散点图')
plt.legend(['第一产业', '第二产业', '第三产业'])
plt.savefig('../images/2000-2017年季度生产总值散点图.png') # 注意要先保存再show
plt.show()
分析 :利用折线图分析第一季度
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上
values = data['values']
plt.figure(figsize=(10, 10))
plt.plot(values[:, 0], values[:, 2], color='k', linestyle='-')
plt.xlabel('年份')
plt.ylabel('生产总值(亿元)')
plt.xticks(range(0, 70, 4), values[range(0, 70, 4), 1], rotation=45) # 此时取得值都是第一季度的
plt.title('2000-2017年季度生产总值折线图')
plt.savefig('../images/2000-2017年季度生产总值散点图.png') # 注意要先保存再show
plt.show()
分析 :利用直方图分析第一季度国民生产总值
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上
values = data['values']
plt.figure(figsize=(10, 10))
l = ['r', 'g', 'b']
m = ['o', '*', 'D']
for i in enumerate([0, 1, 2]):
plt.bar(range(3), values[-1, 3:6], width=0.5, color=l)
plt.xlabel('行业', fontsize=20)
plt.ylabel('生产总值(亿元)', fontsize=20)
plt.xticks(range(3), ['第一产业', '第二产业', '第三产业'])
plt.title('2017年第一季度国民生产总值直方图')
plt.savefig('../images/2000-2017年季度生产总值脂肪图.png')
plt.show()
分析 :利用饼图分析2017年第一季度各产业国民生产总值
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上
values = data['values']
plt.figure(figsize=(6, 6))
label = ['第一产业', '第二产业', '第三产业']
explode = [0.01, 0.05, 0.03] # 设置指定项距离圆心的距离为N 倍的半径
plt.pie(values[-1, 3:6], explode=explode, labels=label, autopct='%.2f %%')
plt.title('2017年第一季度各产业国民生产总值饼图')
plt.savefig('../images/2000-2017年季度生产总值饼图.png')
plt.show()
分析 :利用箱线图分析2017年第一季度各产业国民生产总值
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei' # 设置中文显示,否则可能无法显示中文或者是各种字符错乱
plt.rcParams['axes.unicode_minus'] = False
data = np.load("../data/国民经济核算季度数据.npz", allow_pickle=True) # 加载数据 必须加上
values = data['values']
plt.figure(figsize=(6, 6))
label = ['第一产业', '第二产业', '第三产业']
gdp = (list(values[:, 3]), list(values[:, 4]), list(values[:, 5]))
plt.boxplot(gdp, notch=True, labels=label, meanline=True) # 第一个参数是数据,第二个参数是是否带有缺口,第三个参数是标签,第四个参数是是否带有均值线
plt.title('2017年第一季度各产业国民生产总值箱线图')
plt.savefig('../images/2017年第一季度各产业国民生产总值箱线图.png')
plt.show()
END
[转载] Python数据分析之Matplotlib数据可视化实例相关推荐
- Python数据分析之Matplotlib数据可视化实例
Matplotlib数据可视化的应用实例 分析 :2000至2017年各季度国民生产总值数据 npy文件--numpy专用的二进制格式 np.load()和np.save()是读写磁盘数组数据的两个重 ...
- 【python与数据分析】Matplotlib数据可视化
目录 前言 一.数据可视化库matplotlib 1.综述 2.pyplot基础语法 (1)创建画布与创建子图 (2)添加画布内容 (3)保存与展示图形 (4)设置pyplot的动态rc参数 二.绘制 ...
- python数据分析实战:数据可视化的一些基本操作
数据可视化 1.散点图 这里有我自己整理了一套最新的python系统学习教程,包括从基础的python脚本到web开发. 爬虫.数据分析.数据可视化.机器学习等. 小编这里推荐加小编的python学习 ...
- Python中关于Matplotlib数据可视化的简单总结
Matplotlib绘图库 数据可视化在机器学习和数据科学中是很重要的组成部分.在数据分析阶段,数据可视化能够帮助我们理解洞察数据间关系:在算法调试阶段,数据可视化能够发现问题,优化算法:在项目总结阶 ...
- 数据分析(8)--matplotlib 数据可视化
数据可视化 基本概念 数据可视化是指借助于图形化的手段,清晰.快捷有效的传达与沟通信息.同时,也可以辅助用户做出相应的判断,更好的去洞悉数据背后的价值. 字不如表,表不如图. 观察号码的频率,每个号码 ...
- python—matplotlib数据可视化实例注解系列-----之plot图线型设置
本文代码源自官方实例,部分进行了修改和注解,增加不同线型的显示实例,帮助学习和查询. """ ====================================== ...
- 数据分析入门——Matplotlib数据可视化
1.创建画布 import matplotlib.pyplot as plt plt.figure(figsize=(4,4)) import numpy as np x=np.arange(10) ...
- Python数据分析——Matplotlib数据可视化基础(二)
Python数据分析--Matplotlib数据可视化基础(二) 思维导图: 图形的绘制 认识要绘制的图形 基本绘图流程 pyplot基础图表函数 pyplot饼图的绘制 pie函数 matplotl ...
- 【Matplotlib】数据可视化实例分析
数据可视化实例分析 作者:白宁超 2017年7月19日09:09:07 摘要:数据可视化主要旨在借助于图形化手段,清晰有效地传达与沟通信息.但是,这并不就意味着数据可视化就一定因为要实现其功能用途而令 ...
最新文章
- 基于snmp的windows主机私有信息监控(编辑中)
- [Ubuntu] 如何在Ubuntu11.04将PHP5.3降级到PHP5.2
- OpenCV 为图像转换为漫画效果
- java的继承_java中的继承(一)
- nagios监控mysql
- cookie html5,HTML5——存储(cookie、localStorage、sessionStorage)的区别
- 通过修改注册表设定浏览器的却省值
- Linux命令——chmod
- 剑指offer之和为s的数组
- 生成验证码图片的Java代码
- Redis多机功能介绍
- vux radio 改造为 tree 代码片段
- SPOJ 4487 Can you answer these queries VI
- android.mk 强制编译,android.mk文件的编译
- 去除listView和recyclerview滑动到顶部和底部边界的阴影
- php什么版本好玩_PHP各种版本区别对比详解
- 苹果Mac白噪音软件:Noise Machine
- 算法题-字符串匹配算法
- 如何使用光学检测汽车前仪表盘玻璃
- LIS O(n*lgn)
热门文章
- android java service_[Java教程]Android四大组件之Service浅见
- 如何在CSDN上发gif - 超简单版本
- apicloud mysql 登录_PHP+MySQL实现前台的登陆注册。
- python机器学习库keras——CNN卷积神经网络人脸识别
- python后台架构Django教程——项目配置setting
- 保存数组类型数据_「Java」基础12:什么叫数组?
- javascript常用工具类整理(copy)
- [POJ3254]Corn Fields
- 在网页中加入神奇的效果
- Java Script 第09章 Ajax应用