python用pyecharts画柱状图,pyecharts绘制柱状图
本文主要介绍Python可视化神器pyecharts绘制的箱线图。盒图(Box-plot)又称盒须图、盒图或盒图,是用来显示一组数据离散信息的统计图,因其形状像一个盒子而得名。
00-1010箱形图概念用法箱形图系列模板第一个箱形图是一个比较复杂的图例。
目录
箱形图
以下数字都是专业的统计数字,当然也会是我们可视化的对象。
箱形图(Box-plot)又称箱形图、箱形图或箱形图,是一种用来显示一组数据离散度的统计图。因其形状像盒子而得名。它还经常用于各种领域,经常用于质量管理。主要用于反映原始数据的分布特征,也可以比较多组数据的分布特征。箱线图的绘制方法是:首先找出一组数据的上边缘、下边缘、中间值和两个四分位数;然后,连接两个四分点来画盒子;然后将上边缘和下边缘与箱体连接,中位在箱体中间。
概念
1.直观明了地识别数据批中的异常值
上面已经提到了很长一段时间来识别异常值。实际上,盒图判断异常值的标准是基于四分位数和四分位数距离。吵架有一定的阻力,多达25%的数据可以变得任意远,而不会对四分位数产生很大的扰动。因此,异常值不会影响盒图的数据形态,盒图识别异常值的结果是客观的。可见,箱线图在识别异常值方面具有一定的优势。
2.利用箱线图判断数据批的偏态和尾重
对于具有标准正态分布的样本,只有少数值是异常值。离群值越多,尾部越重,自由度越小(即自由变化量的个数);
偏度表示偏离程度,当异常值集中在较小的一侧时,分布为左偏度。如果异常值集中在较大值的一侧,则分布是右偏的。
3.利用箱线图比较几批数据的形状
在同一个数轴上,几批数据的箱线图平行排列,几批数据的中位数、尾长、离群值、分布区间等形态信息明显。如上图,可以直观的看出,三季度各分店的销售额普遍在下降。
用处
箱形图系列模板
讲真,这种图形的绘制,如果不了解专业知识,可能看不懂。对于如何深入理解这个图形的具体含义,请移至其他栏目,我会详细介绍,这里不做过多解释。
从pyecharts将选项作为选项导入
从pyecharts.charts导入箱线图
v1=[
[850, 740, 900, 1070, 930, 850, 950, 980, 980, 880, 1000, 980],
[960, 940, 960, 940, 880, 800, 850, 880, 900, 840, 830, 790],
]
v2=[
[890, 810, 810, 820, 800, 770, 760, 740, 750, 760, 910, 920],
[890, 840, 780, 810, 760, 810, 790, 810, 820, 850, 870, 870],
]
c=箱线图()
c.add_xaxis([expr1 , expr2])
c.add_yaxis(A ,c.prepare_data(v1))
c.add_yaxis(B ,c.prepare_data(v2))
碳(carbon的缩写)set _ global _ opts(title _ opts=opts . title topts(title= title ))
c . render(“simple example . html”)
print(c.prepare_data(v1))
第一个箱形图
将pyecharts.options作为选项导入
从pyecharts.charts导入网格、箱线图、散点图
y_data=[
[
850,
740,
900,
1070,
930,
850,
950,
98
0,
980,
880,
1000,
980,
930,
650,
760,
810,
1000,
1000,
960,
960,
],
[
960,
940,
960,
940,
880,
800,
850,
880,
900,
840,
830,
790,
810,
880,
880,
830,
800,
790,
760,
800,
],
[
880,
880,
880,
860,
720,
720,
620,
860,
970,
950,
880,
910,
850,
870,
840,
840,
850,
840,
840,
840,
],
[
890,
810,
810,
820,
800,
770,
760,
740,
750,
760,
910,
920,
890,
860,
880,
720,
840,
850,
850,
780,
],
[
890,
840,
780,
810,
760,
810,
790,
810,
820,
850,
870,
870,
810,
740,
810,
940,
950,
800,
810,
870,
],
]
scatter_data = [650, 620, 720, 720, 950, 970]
box_plot = Boxplot()
box_plot = (
box_plot.add_xaxis(xaxis_data=["expr 0", "expr 1", "expr 2", "expr 3", "expr 4"])
.add_yaxis(series_name="", y_axis=box_plot.prepare_data(y_data))
.set_global_opts(
title_opts=opts.TitleOpts(
pos_left="center", title="Michelson-Morley Experiment"
),
tooltip_opts=opts.TooltipOpts(trigger="item", axis_pointer_type="shadow"),
xaxis_opts=opts.AxisOpts(
type_="category",
boundary_gap=True,
splitarea_opts=opts.SplitAreaOpts(is_show=False),
axislabel_opts=opts.LabelOpts(formatter="expr {value}"),
splitline_opts=opts.SplitLineOpts(is_show=False),
),
yaxis_opts=opts.AxisOpts(
type_="value",
name="km/s minus 299,000",
splitarea_opts=opts.SplitAreaOpts(
is_show=True, areastyle_opts=opts.AreaStyleOpts(opacity=1)
),
),
)
.set_series_opts(tooltip_opts=opts.TooltipOpts(formatter="{b}: {c}"))
)
scatter = (
Scatter()
.add_xaxis(xaxis_data=["expr 0", "expr 1", "expr 2", "expr 3", "expr 4"])
.add_yaxis(series_name="", y_axis=scatter_data)
.set_global_opts(
title_opts=opts.TitleOpts(
pos_left="10%",
pos_top="90%",
title="upper: Q3 + 1.5 * IQR \nlower: Q1 - 1.5 * IQR",
title_textstyle_opts=opts.TextStyleOpts(
border_color="#999", border_width=1, font_size=14
),
),
yaxis_opts=opts.AxisOpts(
axislabel_opts=opts.LabelOpts(is_show=False),
axistick_opts=opts.AxisTickOpts(is_show=False),
),
)
)
grid = (
Grid(init_opts=opts.InitOpts(width="1200px", height="600px"))
.add(
box_plot,
grid_opts=opts.GridOpts(pos_left="10%", pos_right="10%", pos_bottom="15%"),
)
.add(
scatter,
grid_opts=opts.GridOpts(pos_left="10%", pos_right="10%", pos_bottom="15%"),
)
.render("第一个箱形图.html")
)
其实对于这个图形的绘制我个人觉得掌握好一定技巧,绘制图形并不难,主要是你要知道一定数据分析方法,不然空谈数据可视也是枉然。
到此这篇关于Python可视化神器pyecharts之绘制箱形图的文章就介绍到这了,更多相关Python绘制箱形图内容请搜索盛行IT软件开发工作室以前的文章或继续浏览下面的相关文章希望大家以后多多支持盛行IT软件开发工作室!
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。