数据分析——人口变化matplotilb绘图

实验要求

通过可视化可以直观看出人口从1996年到2015年的变化情况，分析我国人口结构变化情况以及变化速率的增减状况。

正文

在数据分析实验中，要求使用matplotlib库，分析作图，可视化数据来帮助我们分析人口变化情况。

首先查看了所给数据后，因为要分析人口结构，首先想到得是男女人口变化情况和城乡人口变化情况，为了更好得看出不同群体得人口数量变化和结构变化，在统计显示人口时，使用直方图同时绘制男性人口数量和女性人口数量。如下：

想要直观看出比例的，用饼状图是一个不错的选择

主要用到的函数：

直方图

plt.bar(range(2), values[19, 2:4], width=0.5, color='red')
#原函数定义
bar(x, height, width=0.8, bottom=None, ***, align='center', data=None, **kwargs)

x: x坐标
height:条形的高度
width:宽度
color:颜色

饼状图

plt.pie(values[19, 2:4], explode=ex, labels=label1, colors=['pink', 'crimson'], autopct='%1.1f%%')
plt.title('1996年男、女人口数饼图')

x：每一块饼图的比例，为必填项，如果sum(x)>1，会将多出的部分进行均分（也就是对应的value 数据部分）
labels : 每一块饼图外侧显示的说明文字
explode : 每一块饼图离开中心距离，默认值为（0,0），就是不离开中心
colors：数组，可选参数，默认为：None；用来标注每块饼图的matplotlib颜色参数序列。如果为None，将使用当前活动环的颜色。

箱线图

plt.boxplot(values[0:20, 1:6], notch=True, labels=['年末', '男性', '女性', '城镇', '乡村'], meanline=True)

x, 指定要绘制箱线图的数据；
meanline=None, # 是否用线的形式表示均值，默认用点来表示；
labels=None, # 为箱线图添加标签，类似于图例的作用；
notch=None, # 是否是凹口的形式展现箱线图，默认非凹口；

完整代码如下：

import matplotlib
import numpy as np
import matplotlib.pyplot as pltmatplotlib.rcParams['font.sans-serif'] = ['SimHei']
data_load = np.load('data/exp1/populations.npz', allow_pickle=True)
feature = data_load["feature_names"]
values = data_load["data"]plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
label1 = ['男性', '女性']  # 标签
label2 = ['城镇', '乡村']
ex = [0.01, 0.01]  # 饼图：设定各项距离圆心n个半径# 1.直方图
p1 = plt.figure(figsize=(24, 8))  # 设置画布大小
# 子图1
a1 = p1.add_subplot(1, 3, 1)
plt.bar(range(2), values[19, 2:4], width=0.5, color='red')
plt.ylabel('人口（万人）')
plt.ylim(0, 80000)  # 设置当前图形y轴的范围
plt.xticks(range(2), label1)  # 指定x轴刻度的数目与取值
plt.title('1996年男、女人口数直方图')# 子图2
b1 = p1.add_subplot(1, 3, 2)
plt.bar(range(2), values[9, 2:4], width=0.5, color='orange')
plt.ylabel('人口（万人）')
plt.ylim(0, 80000)
plt.xticks(range(2), label1)
plt.title('2005年男、女人口数直方图')
# 子图3
c1 = p1.add_subplot(1, 3, 3)
plt.bar(range(2), values[0, 2:4], width=0.5, color='red')
plt.ylabel('人口（万人）')
plt.ylim(0, 80000)
plt.xticks(range(2), label1)
plt.title('2015年男、女人口数直方图')
plt.savefig('1996、2005、2015男女人口数直方图')
# 子图1
p11 = plt.figure(figsize=(24, 8))  # 设置画布大小
d1 = p11.add_subplot(1, 3, 1)
plt.bar(range(2), values[19, 4:6], width=0.5, color='orange')
plt.xlabel('类别')
plt.ylabel('人口（万人）')
plt.ylim(0, 90000)
plt.xticks(range(2), label2)
plt.title('1996年城、乡人口数直方图')# 子图2
e1 = p11.add_subplot(1, 3, 2)
plt.bar(range(2), values[9, 4:6], width=0.5, color='red')
plt.xlabel('类别')
plt.ylabel('人口（万人）')
plt.ylim(0, 90000)
plt.xticks(range(2), label2)
plt.title('2005年城、乡人口数直方图')# 子图3
f1 = p11.add_subplot(1, 3, 3)
plt.bar(range(2), values[0, 4:6], width=0.5, color='orange')
plt.xlabel('类别')
plt.ylabel('人口（万人）')
plt.ylim(0, 90000)
plt.xticks(range(2), label2)
plt.title('2015年城、乡人口数直方图')
plt.savefig('1996、2005、2015年城乡人口直方图.png')  # 保存图片# 2.饼图
p2 = plt.figure(figsize=(12, 8))
# 子图1
a2 = p2.add_subplot(2, 3, 1)
plt.pie(values[19, 2:4], explode=ex, labels=label1, colors=['pink', 'crimson'], autopct='%1.1f%%')
plt.title('1996年男、女人口数饼图')# 子图2
b2 = p2.add_subplot(2, 3, 2)
plt.pie(values[9, 2:4], explode=ex, labels=label1, colors=['PeachPuff', 'skyblue'], autopct='%1.1f%%')
plt.title('2005年男、女人口数饼图')
# 子图3
c2 = p2.add_subplot(2, 3, 3)
plt.pie(values[0, 2:4], explode=ex, labels=label1, colors=['PeachPuff', 'skyblue'], autopct='%1.1f%%')
plt.title('2015年男、女人口数饼图')# 子图4
d2 = p2.add_subplot(2, 3, 4)
plt.pie(values[19, 4:6], explode=ex, labels=label2, colors=['pink', 'crimson'], autopct='%1.1f%%')
plt.title('1996年城、乡人口数饼图')# 子图5
e2 = p2.add_subplot(2, 3, 5)
plt.pie(values[9, 4:6], explode=ex, labels=label2, colors=['PeachPuff', 'skyblue'], autopct='%1.1f%%')
plt.title('2005年城、乡人口数饼图')# 子图6
f2 = p2.add_subplot(2, 3, 6)
plt.pie(values[0, 4:6], explode=ex, labels=label2, colors=['PeachPuff', 'skyblue'], autopct='%1.1f%%')
plt.title('2015年城、乡人口数饼图')
plt.savefig('1996、2005、2015年各类人口饼图.png')# 3.箱线图
p3 = plt.figure(figsize=(10, 10))
plt.boxplot(values[0:20, 1:6], notch=True, labels=['年末', '男性', '女性', '城镇', '乡村'], meanline=True)
plt.xlabel('类别')
plt.ylabel('人口（万人）')
plt.title('1996~2015年各特征人口箱线图')
plt.savefig('1996`2015年各特征人口箱线图.png')# 显示
plt.show()

数据分析——人口变化matplotilb绘图相关推荐

汉字编码变化_新编码员：薪资和时间花费如何根据人口变化
汉字编码变化 by David Venturi 大卫·文图里(David Venturi) 新编码员:薪资和时间花费如何根据人口变化 (New Coders: How Salary and Time ...
[数据分析与可视化] 数据绘图要点9-颜色的选择
数据绘图要点9-颜色的选择文章目录数据绘图要点9-颜色的选择颜色绘图要点准确选择图表类型如何做出更好的颜色选择绘图实例参考颜色是数据可视化中传达信息的主要媒介之一.它们允许我们适当突出 ...
matplotlib柱状图上方显示数据_Python数据分析matplotlib可视化之绘图！
Matplotlib是一个基于python的2D画图库,能够用python脚本方便的画出折线图,直方图,功率谱图,散点图等常用图表,而且语法简单. Python中通过matplotlib模块的pypl ...
python可视化直方图的x轴参数设置_Python数据分析matplotlib可视化之绘图
Matplotlib是一个基于python的2D画图库,能够用python脚本方便的画出折线图,直方图,功率谱图,散点图等常用图表,而且语法简单. Python中通过matplotlib模块的pypl ...
[数据分析与可视化] 数据绘图要点11-雷达图的注意事项
数据绘图要点11-雷达图的注意事项准确通过雷达图表现数据有许多值得需要思考的地方,本文主要介绍雷达图的一些注意事项. 文章目录数据绘图要点11-雷达图的注意事项雷达图绘制基础雷达图多类别雷达 ...
[数据分析与可视化] 数据绘图要点1-注重数据排序
数据绘图要点1-注重数据排序文章目录数据绘图要点1-注重数据排序实例无序棒棒糖图有序棒棒糖图参考默认情况下,大多数数据可视化工具将使用字母顺序或使用输入表中的出现顺序对分类变量组进行排序 ...
python画中国人口变化情况以及数据拟合
数据来源中国人口统计年鉴 mport matplotlib.pyplot as plt import numpy as np import xlrd from scipy.optimize impor ...
2020、2021近两年全球人口变化数据集
1950-2020年,全球人口从25.4亿人增长至77.9亿人,年复合增长率为1.61%.到2100年,世界人口依然会处于增长阶段,但人口增长率出现放缓态势. 联合国预测:2022年11月15日左右, ...
[数据分析与可视化] 数据绘图要点5-误差线的问题
数据绘图要点5-误差线的问题文章目录数据绘图要点5-误差线的问题误差线的绘制误差线中的问题误差线隐藏信息误差线的计算方式解决方法参考误差线给出了测量精确度的一般概念,真实(无误差)值 ...
[数据分析与可视化] 数据绘图要点6-数据组过多
数据绘图要点6-数据组过多比较几个数值变量的分布是数据展示中的一项常见任务.变量的分布可以使用直方图或密度图来表示,在同一轴上表示适量数据的组是非常有吸引力的.但是数据组过多将严重影响图表信息表现. ...

数据分析——人口变化matplotilb绘图

实验要求

正文

完整代码如下：

数据分析——人口变化matplotilb绘图相关推荐

最新文章

热门文章