数据可视化----常用图表样式

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np# 解决中文乱码问题
plt.rcParams['font.sans-serif'] = ['SimHei']# 解决负号无法正常显示的问题
plt.rcParams['axes.unicode_minus'] = False'''
折线图
使用plot()函数
代码格式如下:
plt.plot(x, y, color, linestyle, linewidth, marker, markeredgecolor, markeredgwidthmarkerfacecolor, markersize, label)linestyle主要有solid(实线),dashed(虚线),dashdot(线点相接),dotted(虚电线)marker:折线图中每点的标记物的形状markeredgecolor:标记外边颜色markeredgwidth:标记外边线宽markerfacecolor:标记物实心颜色label:图例
'''# x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# y = np.array([886, 2335, 5710, 6482, 6120, 1605, 3813, 4428, 4631])
#
# plt.plot(x, y, label='注册用户数量', color='k', linestyle='dashdot',
#          linewidth=1, marker='o', markersize=5)
# plt.title('XXX公司1-9月注册用户数量')
# plt.xlabel('月份')
# plt.ylabel('注册人数')
# plt.grid()
# plt.legend()
# # 添加数据标签
# for a, b in zip(x, y):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=10)
# plt.show()'''
柱状图
使用bar()函数
代码格式如下:
plt.bar(x, height, width=0.8, bottom=None, align='center', color, edgecolor)x:在什么位置显示柱形图width:每根柱子宽度可以不同bottom:每根柱子的底部位置,可以不同aligh:柱子位置与x值得关系,center表示柱子位于x值得中心位置,edge表示柱子位于x值得边缘位置
'''
# 建立一个坐标系
# plt.subplot(1, 1, 1)
# x = np.array(['东区', '北区', '南区', '西区'])
# y = np.array([8566, 6482, 5335, 7310])
# plt.bar(x, y, width=0.5, label='任务量')
# plt.title('全国各区分区任务量')
# plt.xlabel('分区')
# plt.ylabel('任务量')
# for a, b in zip(x, y):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=12)
# plt.legend()
# plt.grid()
# plt.show()'''
簇状柱形图
'''
# 建立一个坐标系
# plt.subplot(1, 1, 1)
# x = np.array([1, 2, 3, 4])
# y1 = np.array([8566, 6482, 5335, 7310])
# y2 = np.array([4286, 2667, 3655, 3241])
# plt.bar(x, y1, width=0.3, label='任务量')
# plt.bar(x + 0.3, y2, width=0.3, label='完成量')
# plt.title('全国各区分区任务量')
# plt.xlabel('分区')
# plt.ylabel('任务情况')
# for a, b in zip(x, y1):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=12)
# for a, b in zip(x + 0.3, y2):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=12)
# plt.legend()
# plt.grid()
# # 设置x轴刻度值
# plt.xticks(x + 0.15, ['东区', '南区', '西区', '北区'])
# plt.show()'''
堆积柱状图
'''
# plt.subplot(1, 1, 1)
# x = np.array(['东区', '南区', '西区', '北区'])
# y1 = np.array([8566, 6482, 5335, 7310])
# y2 = np.array([4286, 2667, 3655, 3241])
# plt.bar(x, y1, width=0.5, label='任务量')
# plt.bar(x, y2, width=0.5, label='完成量')
# plt.title('全国各区分区任务量')
# plt.xlabel('分区')
# plt.ylabel('任务情况')
# for a, b in zip(x, y1):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=12)
# for a, b in zip(x, y2):
#     plt.text(a, b, b, ha='center', va='bottom', fontsize=12)
# plt.legend()
# plt.grid()
# plt.show()'''
条形图
使用barh()方法
代码格式如下:
plt.barh(y, width, height, align, color, edgecolor)y:在什么位置显示柱子,即纵坐标width:横坐标height:柱子得宽度
'''
# plt.subplot(1, 1, 1)
# y = np.array([8566, 6482, 6335, 7310])
# x = np.array(['东区', '北区', '南区', '西区'])
# plt.barh(x, height=0.5, width=y, label='任务量')
# plt.xlabel('任务量')
# plt.ylabel('区域')
# plt.legend(loc='upper right')
# plt.grid()
# plt.title('全国各分区任务量')
# for a, b in zip(x, y):
#     plt.text(b, a, b, ha='center', va='center', fontsize=12)
# plt.show()'''
散点图
散点图常用来发现个变量之间的关系
使用scatter()函数
代码格式如下:
plt.scatter(x, y, s, c, marker, linewidths, edgecolors)(x, y):散点位置s:散点的大小。如果只有一个值,则每个点的大小一致,可以呈现多个值,让每个点的大小不一致c:散点颜色,可以不同marker:每个点的标记
'''
# 绘制1-8月平均气温与啤酒销量关系的散点图
# # 气温
# x = np.array([5.5, 6.6, 8.1, 15.8, 19.5, 22.4, 28.3, 28.9])
# # 销量
# y = np.array([2.38, 3.85, 4.41, 5.67, 5.44, 6.03, 8.15, 6.87])
# plt.subplot(1, 1, 1)
# plt.xlabel('平均气温')
# plt.ylabel('啤酒销量')
# plt.title('1-8月平均气温与啤酒销量关系图')
# plt.scatter(x, y, marker='o', s=150)
# for a, b in zip(x, y):
#     plt.text(a, b, b, va='center', ha='center', fontsize=7)
# plt.show()'''
气泡图
与散点图类似,但图中各点的大小不一致
同样使用scatter()函数
'''
# # 气温
# x = np.array([5.5, 6.6, 8.1, 15.8, 19.5, 22.4, 28.3, 28.9])
# # 销量
# y = np.array([2.38, 3.85, 4.41, 5.67, 5.44, 6.03, 8.15, 6.87])
# colors = y*10  # 根据y值得大小生成不同的颜色
# area = y*100  # 根据y值得大小生成大小不同的形状
# plt.subplot(1, 1, 1)
# plt.xlabel('平均气温')
# plt.ylabel('啤酒销量')
# plt.title('1-8月平均气温与啤酒销量关系图')
# plt.scatter(x, y, marker='o', s=area, c=colors)
# for a, b in zip(x, y):
#     plt.text(a, b, b, va='center', ha='center', fontsize=7, color='white')
# plt.show()'''
面积图
使用stackplot()函数
代码格式如下:
plt.stackplot(x, y, labels, colors)(x, y):x/y坐标数值labels:不同系列图表的图例名
'''
# XXX公司1-9月注册与激活人数面积图
# plt.subplot(1, 1, 1)
# x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# y1 = np.array([866, 2335, 5710, 6482, 6120, 1605, 3813, 4428, 4631])
# y2 = np.array([433, 1167, 2855, 3241, 3060,  802, 1906, 2214, 2315])
# labels = ['注册人数', '激活人数']
# # 绘制面积图
# plt.stackplot(x, y1, y2, labels=labels)
# plt.xlabel('月份')
# plt.ylabel('注册与激活人数')
# plt.title('XXX公司1-9月注册与激活人数')
# plt.legend()
# plt.show()'''
树地图
树地图常用来表示同一等级中不同类别的占比关系
代码格式如下:
squarify.plot(sizes, label, color, value, edgecolor, linewidth)sizes:待绘图数据value:不同类别的数据标签
'''# 绘制菊粉星座分布的树地图
# import squarify
#
# # 指定树地图每一块的大小
# size = np.array([3.4, 0.693, 0.585, 0.570, 0.562, 0.531, 0.530, 0.524, 0.501, 0.478, 0.468, 0.436])
#
# # 指定树地图每一块的文字标签
# text = np.array(['未知', '魔羯座', '天枰座', '双鱼座', '天蝎座', '金牛座', '处女座', '双子座', '射手座', '狮子座', '水瓶座', '白羊座'])
#
# # 指定树地图每一块的数值标签
# rate = np.array(['34%', '6.93%', '5.85%', '5.70%', '5.62%', '5.31%',
#                  '5.30%', '5.24%', '5.01%', '4.78%', '4.68%', '4.36%'])
#
# # 指定树地图每一块的颜色
# colors = ['steelblue', '#9999ff', 'red', 'indianred', 'green', 'yellow', 'orange']
#
# # 绘图
# plot = squarify.plot(sizes=size, label=text, color=colors, value=rate, edgecolor='white', linewidth=3)
#
# # 去除坐标轴
# plt.axis('off')
# # 去除上边框和右边框的刻度
# plt.tick_params(top='off', right='off')
# plt.title('菊粉星座分布', fontdict={'fontsize': 12})
# plt.show()'''
雷达图
雷达图常用来综合评价某一事物,可以直观地看出该事物得优势与不足
使用polar()函数,polar()函数是用来建坐标系的
代码格式如下:
plt.polar(theta, r, color, marker, linewidth)theta:每一点在极坐标系中的角度r:半径marker:每一点的标记物
'''
# XXX数据分析师的综合评级雷达图
# plt.subplot(1, 1, 1, polar=True)  # 参数polar=True表示建立一个极坐标系
# dataLenth = 5  # 将圆分为5份
# # np.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)表示在指定的间隔内返回均匀间隔的数字
# # 在[start, stop]范围内计算，返回num个(默认为50)均匀间隔的样本
# # endpoint若为True，则stop为最后一个样本。否则，返回序列不包含stop。默认值为True
# angles = np.linspace(0, 2*np.pi, dataLenth, endpoint=False)
#
# labels = ['沟通能力', '业务理解能力', '逻辑思维能力', '快速学习能力', '工具使用能力']
# data = [2, 3.5, 4, 4.5, 5]
#
# # 闭合各点
# # np.concatenate()函数用于将具有相同结构的array序列结合成一个array
# data = np.concatenate((data, [data[0]]))
# angles = np.concatenate((angles, [angles[0]]))
# plt.polar(angles, data, color='r', marker='o')
# plt.xticks(angles, labels)
#
# plt.title('XXX数据分析师的综合评级')
# plt.show()'''
箱型图
箱型图用来反映一组数据离散情况
使用boxplot()方法
代码格式如下:
plt.boxplot(x, vert, widths, labels)x:待绘图数据vert:箱型图方向,True为总像,False为横向,默认为True
'''
# plt.subplot(1, 1, 1)
# y1 = np.array([866, 2335, 5710, 6482, 6120, 1605, 3813, 4428, 4631])
# y2 = np.array([433, 1167, 2855, 3241, 3060, 802, 1906, 2214, 2315])
# x = [y1, y2]
#
# # 绘图
# labels = ['注册人数', '激活人数']
# plt.boxplot(x, labels=labels, widths=[0.2, 0.5])
# plt.title('XXX公司1-9月注册与激活人数')
# plt.show()'''
饼图
使用pie()方法
代码格式如下:
plt.pie(x, explode, labels, colors, autopct, pctdistance, shadow, labeldistance, startangle, radius,counterclock, wedgeprops, textprops, center, frame)x:待绘图数据explods:饼图中每一块离圆心的距离labels:饼图中每一块的标签autopct:饼图中数值的百分比格式pctdistance:数据标签距中心的距离shadow:饼图是否有阴影,默认为Falselabeldistance:每一块索引距离中心的距离startangle:饼图的初始角度counterclock:是否让饼图逆时针显示,默认为Truewedgeprops:饼图内外边界属性textprops:并途中文本相关属性center:饼图中心位置frame:是否显示饼图背后的图框,默认为False
'''
# plt.subplot(1, 1, 1)
# x = np.array([8566, 5335, 7310, 6482])
# labels = ['东区', '北区', '南区', '西区']
# explode = [0.05, 0, 0, 0]  # 让第一块远离圆心一点
# labeldistance = 1.1
# plt.pie(x, labels=labels, explode=explode, labeldistance=labeldistance, autopct='%.0f%%',
#         radius=1.0)
# plt.title('全国各区域任务量占比')
# plt.show()'''
圆环图
表示同一层级不同类别的占比关系
使用pie方法,参数与饼图一致,只要在饼图的基础上调整wedgeprops参数即可实现圆环图
'''
# plt.subplot(1, 1, 1)
# # 任务量
# x1 = np.array([8566, 5335, 7310, 6482])
# # 完成量
# x2 = np.array([4283, 2667, 3655, 3241])
# labels = ['东区', '北区', '南区', '西区']
# plt.pie(x1, labels=labels, radius=1.0, wedgeprops=dict(width=0.3, edgecolor='w'))
# plt.pie(x2, radius=0.7, wedgeprops=dict(width=0.3, edgecolor='w'))
#
# # 添加注释
# plt.annotate('完成量', xy=(0.35, 0.35), xytext=(0.7, 0.45),
#              arrowprops=dict(facecolor='black', arrowstyle='->'))
# plt.annotate('任务量', xy=(0.75, 0.20), xytext=(1.1, 0.2),
#              arrowprops=dict(facecolor='black', arrowstyle='->'))
# plt.title('全国各区域任务量占比')
# plt.show()'''
热力图
将某一事物的响应度反映在图标上,可以快速发现需要重点关注的区域
使用imshow()方法
代码格式如下:
plt.imshow(x, cmap)x:待绘图数据,需要时矩阵形式cmap:配色方案,表明图标渐变的主题色。cmap的所有可选值都封装在plt.cm中
'''
# import itertools
#
# # 定义一个变量,给变量赋值一个矩阵
# cm = np.array([[1, 0.082, 0.031, -0.0086],
#               [0.082, 1, -0.09, 0.062],
#               [0.031, -0.09, 1, 0.026],
#               [-0.0086, 0.062, 0.026, 1]])
#
# # 设置配色方案
# cmap = plt.cm.cool
# plt.imshow(cm, cmap=cmap)
# # 显示右边颜色条
# plt.colorbar()
#
# # 设置x,y轴坐标刻度值
# classes = ['负债率', '信贷数量', '年龄', '家属数量']
# tick_marks = np.arange(len(classes))
# plt.xticks(tick_marks, classes)
# plt.yticks(tick_marks, classes)
#
# # 将数值显示在指定位置
# # itertools.product(*iterables[, repeat])
# # 笛卡尔积
# # 创建一个迭代器，生成表示item1，item2等中的项目的笛卡尔积的元组，repeat是一个关键字参数，指定重复生成序列的次数。
# # horizontalalignment:水平对齐方式
# for i, j in itertools.product(range(cm.shape[0]),
#                               range(cm.shape[1])):
#     plt.text(j, i, cm[i, j], horizontalalignment='center')
# plt.show()'''
绘制水平线和垂直线
水平线和垂直休闲主要用来做对比参考
使用axhline()和axvline()方法
代码格式如下:
plt.axhline(y, xmin, xmax)
plt.axvline(x, ymin, ymax)y/x:画水平/垂直直线时的横/纵坐标xmin/xmax:水平线的起点和终点ymin/ymax:垂直线的起点和终点
'''
# plt.subplot(1, 2, 1)
# plt.axhline(y=2, xmax=0.6, xmin=0.2)
# plt.subplot(1, 2, 2),
# plt.axvline(x=2, ymax=0.6, ymin=0.2)
# plt.show()'''
绘图样式设置
matplotlib模块支持你调用其他样式,使用plt.style.available即可查看matplotlib模块支持的所有样式
如果要使用某种样式,只要在程序的开头加上下面这行代码即可
plt.style.use(样式名)
一旦在程序开头指明了使用哪种样式,那么该程序接下来所有图标都会使用这种样式
'''

数据可视化----常用图表样式相关推荐

python 柱状图设置样式_python数据可视化之图表样式调整(三)
适当的调整图表样式可以大大增强图表"讲故事"的能力.实际工作中可能需要调整很多东西,因此本篇不可能涵盖所有图表样式.本篇将介绍一些最有用的基本知识:更改图形大小.颜色和字体大小;加 ...
大数据可视化常用图表--简单说
一图胜千言选取常用到echarts工具进行前端实现的使用说明.主要基于二维视图进行讲解. 类型是强调共性,类别是强调区别. 柱形图定义:显示一段时间内的数据变化或显示各项之间的比较情况,主要使用颜 ...
Vue 之 echarts 图表数据可视化常用的一些图表/动态图表/3D图表的简单整理
Vue 之 echarts 图表数据可视化常用的一些图表/动态图表/3D图表的简单整理目录 Vue 之 echarts 图表数据可视化常用的一些图表/动态图表/3D图表的简单整理一.简单介绍二. ...
ant如何形成时间轴和图库_Python数据可视化常用4大绘图库原理详解_python
这篇文章主要介绍了Python数据可视化常用4大绘图库原理详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下今天我们就用一篇文章,带大家梳理mat ...
数据图表与分析图_史上最全最实用的数据可视化分析图表制作工具汇总
俗话说的好:工欲善其事,必先利其器!一款好的工具可以让你事半功倍,尤其是在大数据时代,更需要强有力的工具通过使数据有意义的方式实现数据可视化,还有数据的可交互性;我们还需要跨学科的团队,而不是单个数据 ...
数据可视化常用工具推荐
数据可视化是将数据分析的结果以图形.表格等形式展示出来,这样能我们更加清晰.明了的理解分析结果.判断数据走势等,让没有进行过数据分析的人也能清楚的了解数据中所含有的规律.趋势等.下面小编将向大家介绍几 ...
Echarts数据可视化event图表事件的相关操作，开发全解+完美注释
全栈工程师开发手册 (作者:栾鹏) Echarts数据可视化开发代码注释全解 Echarts数据可视化开发参数配置全解 6大公共组件详解(点击进入): title详解. tooltip详解.toolb ...
Echarts数据可视化action图表行为的相关操作，开发全解+完美注释
全栈工程师开发手册 (作者:栾鹏) Echarts数据可视化开发代码注释全解 Echarts数据可视化开发参数配置全解 6大公共组件详解(点击进入): title详解. tooltip详解.toolb ...
几种常见的数据可视化分析图表
可视化技术的高速发展带动着数据的进步.数据可视化的数据分析图表,借助于可视化的大屏,将数据以图表的形式进行汇总分析,加快着用户对于数据的接受时间,同时对于整体的布局美观,也是一种合理化的设计.如何设计 ...

数据可视化----常用图表样式

数据可视化----常用图表样式相关推荐

最新文章

热门文章