python画散点图代码,python 绘制散点图

　　1996年至2015年的人口数据保存在“populations.npz”文件中。(1)绘制1996-2015年总人口及其特征散点图。子图1:1996-2015年总人口散点图。子图2:1996-2015年城乡人口散点图。(2)绘制1996-2015年总人口及其特征的折线图。子图1: 1996-2015。城乡人口折线图(3)绘制1996-2015年男女人口和城乡人口数的柱状图。分图1:1996-2015年男女人口柱状图。子图2:1996-2015年城乡人口柱状图。(4)绘制1996年和2015年男女人口、城乡人口比例饼状图1:1996年男女人口比例饼状图2:2015年男女人口比例饼状图3:1996年城乡人口比例饼状图4:2015年城乡人口比例饼状图(5)绘制1996-2015年男女人口、城乡人口特征箱线图。

　　数据都用在网盘里了！

　　链接：06-08讲座文件

　　提货代码：2p61

　　1996年至2015年的人口数据保存在“populations.npz”文件中。数据有六个特征，即年份、年末总人口、男性人口、女性人口、城市人口和农村人口。看各种特征随时间的变化，可以分析出男女人口比例，以及未来城乡人口变化的方向。1996年至2015年的人口数据保存在“populations.npz”文件中。数据有六个特征，即年份、年末总人口、男性人口、女性人口、城市人口和农村人口。看各种特征随时间的变化，可以分析出男女人口比例，以及未来城乡人口变化的方向。(1)绘制1996-2015年总人口及其特征散点图。子图1:1996-2015年总人口散点图。子图2:1996-2015年城乡人口散点图。import numpy as NP import matplotlib . py PLT as pltsumdata=NP . load(r c:/Users/Desktop/Python数据分析与应用/Chapter 3/training data/populations . npz ，allow _ pickle=true)print(sum data . files)name=sum data[ data ]# #从中提取数据数组，Values=sum data[ feature_names ]# #从中取 feature _ names 数组， 数据的位置a=name[19:-1] #反印(a)# (1)绘制1996-2015年总人口和各人口特征的散点图PLT . FIG size=(8，6)) PLT.scatter (A [:0]，A [:) Marker=s) #年末总人口(万人)的平方图PLT.scatter (A [:0)，A [:2]，marker= x) #六边形)#城市人口. plt.scatter (a [:0]，a [:5]，marker= *) #农村人口* PLT . title( 1996-2015年总人口和个体人口特征散点图)plt.xlabel ) PLT。x刻度(range (0，20，1)，A [range (0，20，1)，0]，rotation=45) PLT。保存FIG( C:/users/desktop/散点图1996-2015年总人口和个体人口特征. png )

　　#与以上代码相连#子图1:1996-2015年总人口散点图P=PLT。图(FIG size=(12，12)) AX1=P.Add _ Subplot (2，2，1) #子图1 PLT。Scatter (A [:0]，)标记= . )#年末总人口(万人)平方图PLT。标题( 1996-2015年总人口散点图)plt.xlabel (Time) plt.ylabel(人口(万人))plt。Xtickets (range (0，Rotation=45)#子图2:1996-2015年男女、城乡人口散点图AX2=p.add _ plot (2，2，2) #子图2PLT.scatter (A [:0)，A [:2]，marker= x) Marker=o) #女性人口圈PLT.scatter (A [:0)，A [:4)，marker= )#城市人口。plt.scatter(a[:0]，a[:5]，Marker=*) #农村人口*plt.title(1996-2015年男女、城乡人口散点图)plt.xlabel (time) plt.ylabel(人口(万人))plt .x张票(范围(0，20，000)旋转=45) PLT。save fig( C:/用户/桌面/人口子图。png ，dpi=600)plt.show()

　　(2)绘制1996-2015年总人口和各个人口特征的折线图子图1:1996-2015年总人口折线图子图2:1996-2015年男女、城乡人口折线图# (2)绘制1996-2015年总人口和各个人口特征的折线图导入numpy作为NP导入matplotlib。py绘图为pltsumdata=NP。load(r c:/Users/Desktop/Python数据分析与应用/第3章/实训数据/populations.npz ，allow _ pickle=True)name=sumdata[ data ]values=sumdata[ feature _ names ]a=name[19:-1]#逆序plt.figure(figsize=(8，6))plt.plot(a[:0]，a[:1]，color=r ，linestyle= -，marker=x) #年末总人口（万人)正方形图plt.plot(a[:0]，a[:2]，color=b ，linestyle= -，marker=o) #男性人口六边形plt.plot(a[:0]，a[:3]，color=g ，linestyle= - ) #女性人口圆plt.plot(a[:0]，a[:4]，color=y ，line style=-. 1 ) # 城镇人口。plt.plot(a[:0]，a[:5]，color=k ，line style=-. 5 ) # 乡村人口*工厂名称( 1996年至2015年年总人口和各个人口特征的折线图)plt.xlabel(时间)plt.ylabel(人口数量（万人))plt.xticks(range(0，20，1)，a[range(0，20，1)，0]，rotation=45，)plt。保存图( C:/用户/桌面/1996-2015年总人口和各个人口特征的折线图. png ，dpi=600)plt.show()#子图1:1996-2015年总人口折线图# plt.figure(figsize=(8，6))p=plt.figure(figsize=(12，12))ax1=p.add_subplot(2，2，1)plt.plot(a[:0]，a[:1]，marker= . 1 ) # 年末总人口（万人)正方形图plt.title(1996-2015年总人口折线图)plt.xlabel(时间)plt.ylabel(人口数量（万人)，)plt.xticks(range(0，20，1)，a[range(0，20，1)，0]，rotation=45，)#子图2:1996-2015年男女、城乡人口折线图ax2=p.add_subplot(2，2，2)plt.plot(a[:0]，a[:2]，marker=x ，linestyle= - ) #男性人口六边形plt.plot(a[:0]，a[:3]，marker=o) #女性人口圆plt.plot(a[:0]，a[:4]，marker= .) # 城镇人口。plt.plot(a[:0]，a[:5]，marker=*) #乡村人口*工厂名称( 1996年至2015年年男女、城乡人口折线图)plt.xlabel(时间)plt.ylabel(人口数量（万人)，)plt.xticks(range(0，20，1)，a[range(0，20，1)，0]，rotation=45，)plt.savefig(C:/Users/Desktop/人口子图折线图. png ，dpi=600)plt.show()

　　(3)绘制1996-2015年男女人口、城乡人口数目的条形图子图1:1996-2015年男女人口条形图子图2:1996-2015年城乡人口条形图# (3)绘制1996-2015年男女人口、城乡人口数目的条形图将数组作为npimport matplotlib.pyplot作为pltplt。rcparams[ font。无衬线]= sim hei # #设置中文显示PLT。RC params[轴。unicode _ MINUS ]=false sum data=NP。load(r c:/Users/Desktop/Python数据分析与应用/第3章/实训数据/populations.npz ，allow _ pickle=True)name=sumdata[ data ]values=sumdata[ feature _ names ]a=name[19:-1]#逆序b=NP。arange(20)-0.25 p=PLT。图(figsize=(12，14)，dpi=600)#子图1:1996-2015年男女人口条形图ax1=p.add_subplot(2，2，1)plt.bar(b，a[:2]，宽度=0.5)plt.bar(b 0.5，a[:3)，宽度=0.5)工厂名称( 1996-2015年男女人口数目的条形图)plt.xlabel(时间)plt.ylabel(人口数量（万人))plt.legend([男性人口,女性人口])plt.xticks(range(0，20，1)，a[range(0，20，1)，0]，rotation=45，)#子图2:1996-2015年城乡人口条形图ax2=p.add_subplot(2，2，2)plt.bar(b，a[:4]，宽度=0.5) plt.bar(b 0.5，a[:5]，宽度=0.5)工厂名称( 1996-2015年城乡人口数目的条形图)plt.xlabel(时间)plt.ylabel(人口数量（万人))plt.xticks(range(0，20，1)，a[range(0，20，1)，0]，rotation=45，))plt.legend([城镇人口,农村人口])PLT。保存fig( C:/用户/桌面/人口子条形图. png ，dpi=600)plt.show()

　　(4)绘制1996年和2015年男女人口比例和城乡人口比例的饼状图。图1:1996年男女人口比例饼状图。图2:2015年男女人口比例饼状图。图3:1996年和2015年城乡人口比例饼状图。图4:1996年和2015年城乡人口比例饼图城乡比例饼图导入numpy为NP导入matplotlib.py plot为pltplt . rcparams[ font . sans-serif ]= sim hei # #设置中文显示PLT . rcparams[ axes . unicode _ MINUS ]=false sumdata=NP . load(r c:/users/desktop/python数据分析与应用/第三章/training data /populations.npz ， allow _ pickle=true)name=sum data[ data ]values=sum data[ feature _ names ]A=name[19:-1] # reverse p=PLT . figure(figure size=(14，14)) ex=[0.01 0.01]L1=[男性人口，女性人口]#子图1:1996年男女人口比例饼图AX1=p.add _ subplot (2，2，1) PLT.pie (A [1，2 标题( 1996年男女人口比例饼状图)#子图2:2015年男女人口比例饼状图Ax2=P.Add _ Subplot (2，2，2) Ex=[0.01，0.01] PLT。Pie(A Pct= % 1.1f % % )PLT . title( 2015年男女人口比例饼状图)#子图3:1996年城乡人口比例饼状图Ax3=p.add _ plot (2，2，3) L2=[城市人口，农村人口] ex=[0 Explode=ex，labels=L2，auto Pct= % 1.1f % % )PLT . title( 1996年城乡人口比例饼状图Explode=ex，labels=L2，自动百分比=% 1.1f%% )工厂。Title (2015年城乡人口占比饼状图)PLT . save fig( C:/用户/桌面/人口子饼状图. png ，dpi=600) PLT。显示()

　　(5)画出1996-2015年男女人口和城乡人口特征的方框图。准备数据，定义标签，绘制箱线图。

　　# (5)画出1996-2015年男女人口和城乡人口特征的方框图。import numpy as NP import matplotlib . py PLT as pltsumdata=NP . load(r c:/users/desktop/Python数据分析与应用/第三章/training data/Population.npz ，allow _ pickle=true)name=sum data[ data ]values=sum data[ feature _ names ]a=name[19:-1]# reverse label=[男性人口，女性人口，城市人口，农村人口] # Definition Tags GDP=(list (a [:2])、list(a[]图(figure size=(6，4)) Meanline=True) #画一个方框图PLT . title( 1996-2015年男女人口和城乡人口特征方框图)PLT . save fig( C:/users/desktop/1996-2015年男女人口和城乡人口特征方框图. png ，dpi=600) PLT.show

　　这些小例子希望对你学习有帮助！除了这个文件，网盘文件还保存了‘国民经济核算季度数据’。npz’文件，保存2000-2017年各季度、各行业GDP的数据。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。