Day44.Python数据可视化（2）
Day44.Python数据可视化（2）
文章目录
Python数据可视化（2）
前言
一. Matplotlib
1.1 几个常见图形
1.2 Matplotlib 可视化例子：
1.2.1 分析问题一：销售额随时间的变化情况
1.2.2 销售额与星期的关系
1.2.3 时间，订单量，销售额之间的关系
二. Pyecharts 可视化
2.1 散点图
2.2 折线图
2.3 饼图
2.4 玫瑰图
2.5 柱状图
2.6 并行多图（上下）
2.7 并行多图（左右）
2.8 柱状图与折线图的组合
三. Pyecharts 地理图标
3.1 中国地图
3.2 特效散点图
3.3 特效散点图：添加箭头
3.4 广东的热力图
3.5 广东详情
总结
前言
本文主要是对上一篇内容一些细节部分做下补充，对于叙述不足之处，在上一篇文章里面应该是有的（先说明一下，这里的代码主要是用Jupyter Notebook写的）。
一. Matplotlib
1.1 几个常见图形
# 导入相关库
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文显示问题
mpl.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
%matplotlib inline # 让图形直接显示在网页上
1
2
3
4
5
6
7
8
9
10
散点图
plt.figure(figsize=(10, 5)) # 设定画板的大小
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x) + np.random.random(len(x)) # 加个随机点（白噪音）
plt.title('sin(x) 散点图') # 写标题
plt.scatter(x, y, c='green') # 画散点图，c表示设定颜色。
plt.show() # 图形显示
1
2
3
4
5
6
散点图+曲线图+折线图
plt.figure(dpi=120) # 像素为120
plt.scatter(x, y, c='g', label='散点图')
plt.plot(x,y, 'r--', label='随机点')
plt.plot(x, np.sin(x) + 0.5, c='b', label='sin曲线')
plt.legend() # 在图中显示标签
plt.show()
1
2
3
4
5
6
柱状图
# np.seed(123) # 这样的话，生成的随机数都是一样的。
n = 12;
x = np.arange(n)
y1 = np.random.random(n)
y2 = np.random.random(n)
plt.bar(x, y1, color='y')
plt.bar(x, -y2, color='b')
# ha 表示左右位置， va 表示上下位置
for i,j in zip(x, y1):
plt.text(i, j+0.05, "%.2f"%j, ha='center', va='bottom')
for i,j in zip(x, y2):
plt.text(i, -j-0.05, "%.2f"%j, ha='center', va='top')
plt.ylim(-1.2, 1.2) # 限定 y 轴的取值范围
plt.title(r'$\alpha$') # 两个‘$’表示将使用LaTex格式
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
饼图
n = 20
z = np.ones(n)
plt.figure(figsize=(5, 5))
# autopct 展示比例（需要显示百分号的话使用 %%），
# explode 突出显示什么（其他设为0），当然份数要一样。
# labels 显示标签；labeldistance 表示标签距离
plt.pie(z, autopct='%.2f', explode=[0.1]*(n-1)+[0.3],
colors=['%f'%(i/n) for i in range(n)])
plt.title(r'饼图')
plt.show()
# 这里颜色可以设定自己喜欢的颜色，当然份数得一样。
1
2
3
4
5
6
7
8
9
10
11
12
13
1.2 Matplotlib 可视化例子：
以某个餐饮业企业的订单详情表数据为可视化对象
dishes_name: 菜品名称
counts: 菜品数量
amounts: 菜品单价
order_id: 订单号
place_order_time: 下单时间
1.2.1 分析问题一：销售额随时间的变化情况
数据预处理
# 创建连接
import pandas as pd
from sqlalchemy import create_engine
# 这里root后面接自己的密码；@后面接你的localhost号，基本是一样的，
# 然后就是数据库名称；最后是你在创建数据库时，自己设定的编码格式。
con = create_engine('mysql+pymysql://root:1234567@127.0.0.1:3306/pyecharts_test?charset=utf8')
1
2
3
4
5
6
将数据导入 jupyter 然后进行复制
tmp1 = pd.read_sql('meal_order1', con=con)
tmp2 = pd.read_sql('meal_order2', con=con)
tmp3 = pd.read_sql('meal_order3', con=con)
# 将所得的数据进行合并。以列进行合并
data = pd.concat([tmp1, tmp2, tmp3], axis=0)
data.shape
1
2
3
4
5
6
7
计算收入,并生成新的列
data['price'] = data['counts'] * data['amounts']
data.columns
1
2
格式转换
# 把时间列标准化时间格式
data['time_slot'] = pd.to_datetime(data['place_order_time'])
# 输出这一天是周中的第几天，Monday=0, Sunday=6
data['dayofweek'] = data['time_slot'].dt.dayofweek
# 生成新的列
data['day'] = pd.DatetimeIndex(data['place_order_time']).day
# 以 day 为区分索引
data_gb = data[['day', 'price']].groupby(by='day')
price_num = data_gb.agg(np.sum) # 对两列数据进行求和
1
2
3
4
5
6
7
8
9
利用上面的数据进行画图
plt.scatter(range(1, 32), price_num, marker='D')
plt.plot(range(1, 32), price_num)
plt.title('2021年4月门店销售额趋势示意图')
plt.xticks(range(1, 32)[::7], range(1, 32)[::7]) # 这里设定七天为一个显示
plt.xlabel('日期')
plt.ylabel('销售额')
plt.text(price_num['price'].argmin(), price_num['price'].min(), '最小值为：' + str(price_num['price'].min())) # 对最小值进行显示
plt.show()
1
2
3
4
5
6
7
8
1.2.2 销售额与星期的关系
先进行分组
data_gb = data[['dayofweek', 'price']].groupby(by='dayofweek')
number = data_gb.agg(np.sum)
number
# price
# dayofweek
#0 40312.0
#1 33066.0
#2 42068.0
#3 31988.0
#4 37684.0
#5 139665.0
#6 138921.0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
跟换索引，并开始画图
# 柱状图
number.index = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
plt.bar(range(1, len(number)+1), number['price'], width=0.5, alpha=0.5)
plt.xticks(range(1, len(number)+1), number.index)
for i,j in zip(range(1, len(number)+1), number['price']):
plt.text(i, j, '%i' % j, ha='center', va='bottom')
plt.title('星期与销售额之间的关系')
plt.xlabel('星期')
plt.ylabel('销售额')
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
# 饼状图
plt.figure(figsize=(5, 5))
plt.style.use('ggplot') # 使用ggplot的绘图形式，让图片形式更好看。
# autopct 展示占比， wedgeprops 字典形式展示这个环图，之前不是个饼图的嘛，
# width 表示环的宽度，edgecolor表示环图边界颜色
plt.pie(number['price'], labels=number.index, autopct='%.2f %%', wedgeprops=dict(width=0.7, edgecolor='w'))
plt.title('星期与销售额占比情况')
plt.show()
1
2
3
4
5
6
7
8
1.2.3 时间，订单量，销售额之间的关系
# 数据准备
data_gb = data[['order_id', 'price', 'day']].groupby(by='day')
def myfun(data):
return len(np.unique(data))
# agg 要是同时使用多个函数，要用字典形式
number = data_gb.agg({'price':np.sum, 'order_id':myfun})
number
1
2
3
4
5
6
7
8
9
画特殊的散点图
# 这里 s 表示使用的数据越大，这个点（球）就约大。
plt.scatter(range(1, 32), number['price'], s=number['order_id'])
plt.title('订单量，销售额与时间的关系')
plt.xlabel('时间')
plt.ylabel('销售额')
plt.show()
1
2
3
4
5
6
二. Pyecharts 可视化
from pyecharts.charts import *
from pyecharts import options as opts
1
2
3
2.1 散点图
x = np.linspace(0, 10, 51)
y = np.sin(x)
y2 = np.cos(x)
point = (Scatter(init_opts=opts.InitOpts(width="720px",height="320px"))
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name="sin(x)",y_axis=y)
.add_yaxis(series_name="cos(x)",y_axis=y2, label_opts=opts.LabelOpts(is_show=False)) # 这里表示数据不显示
)
point.render_notebook() # 直接在notebook上展示
1
2
3
4
5
6
7
8
9
2.2 折线图
line = (Line(init_opts=opts.InitOpts(width="720px",height="320px"))
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name="sin(x)",y_axis=y,
# 是否显示散点对应的数据（默认显示）
label_opts = opts.LabelOpts(is_show=False))
.add_yaxis(series_name="cos(x)",y_axis=y2, label_opts = opts.LabelOpts(is_show=False))
.set_global_opts(title_opts=opts.TitleOpts(title='曲线'), # 设置全局变量
tooltip_opts=opts.TooltipOpts(axis_pointer_type='cross')) # 一个解释器，方便横纵轴对比
)
line.render_notebook()
# line.render() # 如果想生成一个html保存下来，可以指定绝对地址即可
1
2
3
4
5
6
7
8
9
10
11
2.3 饼图
num = [110, 136, 108, 48, 111, 112, 103]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
# radius 可以用来画环图
pie = (Pie(init_opts=opts.InitOpts(width='720px', height='320px'))
.add(series_name='饼图', data_pair=[(i,j) for i,j in zip(lab, num)], radius=['40%', '75%'])) # 没有radius，就是个饼图了，里面表示设定的宽高比例
pie.render_notebook()
1
2
3
4
5
6
7
2.4 玫瑰图
num = [110, 136, 108, 48, 111, 112, 103]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
# radius 可以用来画环图, rosetype 玫瑰图
pie = (Pie(init_opts=opts.InitOpts(width='720px', height='320px'))
.add(series_name='饼图', data_pair=[(i,j) for i,j in zip(lab, num)], rosetype='radius')) # 与饼图相比，就改了这个rosetype。
pie.render_notebook()
1
2
3
4
5
6
7
2.5 柱状图
num1 = [110, 136, 108, 48, 111, 112, 103]
num2 = [90, 110, 101, 70, 90, 120, 99]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
bar = (Bar(init_opts=opts.InitOpts(width='720px', height='320px'))
.add_xaxis(xaxis_data=lab)
.add_yaxis(series_name='商家A', y_axis=num1)
.add_yaxis(series_name='商家B', y_axis=num2)
.set_global_opts(title_opts=opts.TitleOpts(title='各商家拥有的犬数量统计情况', subtitle='仅做学习使用'))
)
bar.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
2.6 并行多图（上下）
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
line = (Line()
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name='', y_axis=y,
label_opts=opts.LabelOpts(is_show=False))
)
point = (Scatter()
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name='', y_axis=y,
label_opts=opts.LabelOpts(is_show=False))
)
grid = (Grid(init_opts=opts.InitOpts(width='720px', height='320px'))
.add(point, grid_opts=opts.GridOpts(pos_bottom='60%'))
.add(line, grid_opts=opts.GridOpts(pos_top='60%')))
grid.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2.7 并行多图（左右）
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)
line = (Line()
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name='', y_axis=y,
label_opts=opts.LabelOpts(is_show=False))
)
point = (Scatter()
.add_xaxis(xaxis_data=x)
.add_yaxis(series_name='', y_axis=y,
label_opts=opts.LabelOpts(is_show=False))
)
# 与上面一个图相比，就改了 pos_left, pos_right，即相对位置
grid = (Grid(init_opts=opts.InitOpts(width='720px', height='320px'))
.add(point, grid_opts=opts.GridOpts(pos_left='60%'))
.add(line, grid_opts=opts.GridOpts(pos_right='60%')))
grid.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2.8 柱状图与折线图的组合
num = [110, 136, 108, 48, 111, 112, 103]
lab = ['哈士奇', '萨摩耶', '泰迪', '金毛', '牧羊犬', '吉娃娃', '柯基']
bar = (Bar(init_opts=opts.InitOpts(width='720px', height='360px'))
.add_xaxis(xaxis_data=lab)
.add_yaxis(series_name='', y_axis=num)
)
lines = (Line()
.add_xaxis(xaxis_data=lab)
.add_yaxis(series_name='', y_axis=num,
label_opts=opts.LabelOpts(is_show=False)))
bar.overlap(lines).render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
三. Pyecharts 地理图标
导入数据和库
from pyecharts.charts import Geo
import pyecharts.options as popts
from common import *
1
2
3
3.1 中国地图
geo = (Geo()
.add_schema(maptype="china")
.add(series_name='',
data_pair=[(i,j) for i,j in zip(Faker.provinces, Faker.values())])
.set_global_opts(
title_opts=opts.TitleOpts(title='中国地图'),
visualmap_opts=opts.VisualMapOpts(
# is_piecewise=True # 表示左下角的数据显示是否连续表示
)
)
)
geo.render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
3.2 特效散点图
from pyecharts.globals import ChartType
geo = (Geo()
.add_schema(maptype="china")
.add(series_name='',
data_pair=[(i,j) for i,j in zip(Faker.provinces, Faker.values())],
type_=ChartType.EFFECT_SCATTER) # 特效之处
.set_global_opts(
title_opts=opts.TitleOpts(title='中国地图（特效散点图）'),
visualmap_opts=opts.VisualMapOpts(
is_piecewise=True # 表示左下角的数据显示是否连续表示
)
)
)
geo.render_notebook()
# 这里特效体现在，散点图中的每个点都会波纹闪动。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3.3 特效散点图：添加箭头
from pyecharts.globals import SymbolType
city_num = [('广州',105), ('成都',70), ('北京',99), ('西安',80)]
start_end = [('广州','成都'), ('广州','北京'), ('广州','西安')]
# 绘图实现
(
Geo()
.add_schema(maptype='china',
itemstyle_opts=opts.ItemStyleOpts(color='#323c48',
border_color='#111'))
.add('', data_pair=city_num, color='white')
# 对箭头进行设定，起始点，以及线的类型
.add('', data_pair=start_end, type_=ChartType.LINES,
# 对箭头进行设定，类型为箭头，箭头的颜色，以及箭头的大小
effect_opts=opts.EffectOpts(symbol=SymbolType.ARROW, color='blue', symbol_size=8))
).render_notebook()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
3.4 广东的热力图
(
Geo()
.add_schema(maptype='广东')
.add(series_name='', data_pair=[(i,j) for i,j in zip(Faker.guangdong_city, Faker.values())],
type_=ChartType.HEATMAP)
.set_global_opts(visualmap_opts=opts.VisualMapOpts())
).render_notebook()
1
2
3
4
5
6
7
8
3.5 广东详情
from pyecharts.charts import Map
(
Map()
.add(series_name=r'', data_pair=[(i,j) for i,j in zip(Faker.guangdong_city, Faker.values())],maptype='广东')
.set_global_opts(visualmap_opts=opts.VisualMapOpts()) # 图片渲染
).render_notebook()
1
2
3
4
5
6
7
说明： 第三章所展示的代码所生成的图片在上一篇文章中都有的，在这里不做过多展示。而且在上文展示的关于微信好友的地域图，由于wxpy这个库被禁用了。因为微信网页登录端口关闭了，所以这个库基本上算是被禁了，这样微信无法登录导致微信好友在地图上展示的操作，目前还没有得到有效解决。如果后面成功了，可定第一时间发出来。
总结
本文主要是对上一篇文章的一个细节补充，当然了，代码可以直接拿去使用的，转载的话，麻烦写一下出处，谢谢大家。
最后安利一下华为云的服务（也有 个人/企业 免费版，可以先试用的。）
企业免费版
个人免费版
活动打折版
从下方图片或者这里链接进入还有其他优惠
溜了溜了，脑壳疼。Loading（44/100）。。。
————————————————
版权声明：本文为CSDN博主「晶晶家的小可爱」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Tomandjava/article/details/115902135