【AI Study】第四天，Pandas（5）- 数据可视化

发布于：2025-06-19 ⋅ 阅读:(11) ⋅ 点赞:(0)

文章概要

本文详细介绍 Pandas 的数据可视化功能，包括：

  • 基础绘图
  • 高级可视化
  • 统计图表
  • 实际应用示例

基础绘图

折线图

# 基本折线图
df.plot(x='日期', y='值')
df.plot.line(x='日期', y='值')

# 多列折线图
df.plot(x='日期', y=['列1', '列2'])

# 自定义样式
df.plot(x='日期', y='值',
        title='标题',
        xlabel='X轴标签',
        ylabel='Y轴标签',
        color='red',
        linestyle='--',
        marker='o')

# 保存图表
plt.savefig('折线图.png')

柱状图

# 基本柱状图
df.plot.bar(x='类别', y='值')
df.plot.barh(x='类别', y='值')  # 水平柱状图

# 堆叠柱状图
df.plot.bar(x='类别', y=['列1', '列2'], stacked=True)

# 分组柱状图
df.plot.bar(x='类别', y=['列1', '列2'])

# 自定义样式
df.plot.bar(x='类别', y='值',
            title='标题',
            color='skyblue',
            width=0.8,
            alpha=0.7)

散点图

# 基本散点图
df.plot.scatter(x='列1', y='列2')

# 带颜色映射的散点图
df.plot.scatter(x='列1', y='列2', c='列3', cmap='viridis')

# 带大小映射的散点图
df.plot.scatter(x='列1', y='列2', s='列3')

# 自定义样式
df.plot.scatter(x='列1', y='列2',
                title='标题',
                color='red',
                marker='*',
                s=100)

饼图

# 基本饼图
df.plot.pie(y='值', labels=df['类别'])

# 环形图
df.plot.pie(y='值', labels=df['类别'], hole=0.5)

# 自定义样式
df.plot.pie(y='值',
            labels=df['类别'],
            title='标题',
            autopct='%1.1f%%',
            colors=['red', 'blue', 'green'])

高级可视化

多子图

# 创建子图
fig, axes = plt.subplots(2, 2, figsize=(12, 8))

# 在子图中绘图
df.plot.line(x='日期', y='列1', ax=axes[0, 0])
df.plot.bar(x='类别', y='列2', ax=axes[0, 1])
df.plot.scatter(x='列1', y='列2', ax=axes[1, 0])
df.plot.pie(y='值', labels=df['类别'], ax=axes[1, 1])

# 调整布局
plt.tight_layout()

自定义样式

# 设置全局样式
plt.style.use('seaborn')

# 自定义颜色
colors = ['#FF9999', '#66B2FF', '#99FF99', '#FFCC99']

# 自定义字体
plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['font.size'] = 12

# 自定义网格
plt.grid(True, linestyle='--', alpha=0.7)

# 自定义图例
plt.legend(loc='upper right', frameon=True, fancybox=True, shadow=True)

交互式图表

# 使用 plotly 创建交互式图表
import plotly.express as px
import plotly.graph_objects as go

# 折线图
fig = px.line(df, x='日期', y='值', title='交互式折线图')
fig.show()

# 散点图
fig = px.scatter(df, x='列1', y='列2', color='列3', title='交互式散点图')
fig.show()

# 保存为 HTML
fig.write_html('交互式图表.html')

统计图表

箱线图

# 基本箱线图
df.plot.box(y='值')

# 多列箱线图
df.plot.box(y=['列1', '列2'])

# 分组箱线图
df.boxplot(column='值', by='类别')

# 自定义样式
df.plot.box(y='值',
            title='标题',
            color='skyblue',
            vert=False)  # 水平箱线图

直方图

# 基本直方图
df.plot.hist(y='值')

# 多列直方图
df.plot.hist(y=['列1', '列2'])

# 自定义样式
df.plot.hist(y='值',
             bins=20,
             title='标题',
             color='skyblue',
             alpha=0.7)

密度图

# 基本密度图
df.plot.kde(y='值')

# 多列密度图
df.plot.kde(y=['列1', '列2'])

# 自定义样式
df.plot.kde(y='值',
            title='标题',
            color='red',
            linestyle='--')

热力图

# 基本热力图
import seaborn as sns
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')

# 自定义样式
sns.heatmap(df.corr(),
            annot=True,
            cmap='coolwarm',
            center=0,
            fmt='.2f',
            square=True)

实际应用示例

示例1：股票数据分析可视化

# 创建示例数据
dates = pd.date_range('2023-01-01', periods=100)
stock_data = pd.DataFrame({
    '收盘价': np.random.randn(100).cumsum() + 100,
    '成交量': np.random.randint(1000, 10000, 100),
    'MA5': None,
    'MA20': None
}, index=dates)

# 计算移动平均
stock_data['MA5'] = stock_data['收盘价'].rolling(window=5).mean()
stock_data['MA20'] = stock_data['收盘价'].rolling(window=20).mean()

# 创建子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), height_ratios=[2, 1])

# 绘制K线图
stock_data['收盘价'].plot(ax=ax1, label='收盘价')
stock_data['MA5'].plot(ax=ax1, label='MA5')
stock_data['MA20'].plot(ax=ax1, label='MA20')

# 绘制成交量图
stock_data['成交量'].plot(ax=ax2, kind='bar', color='skyblue', alpha=0.7)

# 设置标题和标签
ax1.set_title('股票价格走势')
ax1.set_ylabel('价格')
ax1.legend()
ax2.set_title('成交量')
ax2.set_ylabel('成交量')

# 调整布局
plt.tight_layout()
plt.show()

示例2：销售数据分析可视化

# 创建示例数据
dates = pd.date_range('2023-01-01', periods=365)
sales_data = pd.DataFrame({
    '销售额': np.random.randn(365).cumsum() + 1000,
    '订单数': np.random.randint(10, 100, 365),
    '客单价': None
}, index=dates)

# 计算客单价
sales_data['客单价'] = sales_data['销售额'] / sales_data['订单数']

# 创建子图
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(12, 12))

# 绘制销售额趋势
sales_data['销售额'].plot(ax=ax1, color='blue')
ax1.set_title('销售额趋势')
ax1.set_ylabel('销售额')

# 绘制订单数分布
sales_data['订单数'].plot.hist(ax=ax2, bins=30, color='green', alpha=0.7)
ax2.set_title('订单数分布')
ax2.set_xlabel('订单数')
ax2.set_ylabel('频次')

# 绘制客单价箱线图
sales_data.boxplot(column='客单价', ax=ax3)
ax3.set_title('客单价分布')
ax3.set_ylabel('客单价')

# 调整布局
plt.tight_layout()
plt.show()

总结

数据可视化部分涵盖了：

  1. 基础图表类型（折线图、柱状图、散点图、饼图）
  2. 高级可视化技术（多子图、自定义样式、交互式图表）
  3. 统计图表（箱线图、直方图、密度图、热力图）
  4. 实际应用示例

掌握数据可视化技术对于数据分析至关重要，它可以帮助我们：

  • 直观地展示数据特征和趋势
  • 发现数据中的规律和异常
  • 有效地传达分析结果
  • 支持决策制定

建议通过实际项目多加练习，熟悉各种可视化方法的适用场景和组合使用方式。同时，也要注意：

  • 选择合适的图表类型
  • 保持图表的简洁性和可读性
  • 使用适当的颜色和样式
  • 添加必要的标题和标签
  • 考虑图表的交互性需求

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布