python绘图及可视化,python数据可视化分析报告

  python绘图及可视化,python数据可视化分析报告

  这篇文章主要介绍了大蟒数据分析绘图可视化,数据可视化旨在直观展示信息的分析结果和构思,令某些抽象数据具象化,这些抽象数据包括数据测量单位的性质或数量

  前言:

  数据分析初始阶段,通常都要进行可视化处理。数据可视化旨在直观展示信息的分析结果和构思,令某些抽象数据具象化,这些抽象数据包括数据测量单位的性质或数量。本章用的程序库绘制精美的图表是建立在数组之上的一个大蟒图库,它提供了一个面向对象的应用程序界面和一个过程式类的MATLAB API,他们可以并行使用。

  1、

  将数组作为铭牌导入

  将matplotlib.pyplot作为血小板计数导入

  scores=np.random.randint(0,100,50)

  工厂历史(分数,bins=8,histtype=stepfilled )

  plt.title(37 )

  plt.show()

  2、

  x=np.arange(6)

  y1=np.array([1,4,3,5,6,7])

  y2=np.array([3,4,3,5,6,7])

  y3=np.array([2,4,3,5,6,7])

  plt.stackplot(x,y1,y2,y3)

  plt.title(37 )

  plt.show()

  3、

  随机状态=NP。随机的。随机状态(1231241)

  random _ x=随机状态。兰特(10000)

  plt.hist(random_x,bins=25)

  plt.title(37 )

  plt.show()

  4、

  data=np.array([10,30,15,30,15])

  pie_labels=np.array([A , B , C , D , E])

  plt.pie(data,radius=1.5,labels=pie_labels,autopct=%3.1f%% )

  plt.title(37 )

  plt.show()

  5、

  将绘制精美的图表作为数学编程语言(Mathematical Programming Language)导入

  mpl。RC params[ font。sans-serif ]=[ sim hei ]

  mpl。RC params[轴。unicode _ MINUS ]=False

  种类=[购物,礼尚往来,餐饮美食,通信,生活日用,交通出行,休闲娱乐,其他]

  money _ scale=[500/1500 123/1500 400/1500 234/1500 300/1500 200/1500 100/1500 150/1500]

  开发位置=[0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1]

  plt.pie(money_scale,labels=kinds,autopct=%3.1f%% ,shadow=True,

  explode=dev_position,startangle=90)

  plt.title(37 )

  plt.show()

  6、

  num=50

  x=np.random.rand(数字)

  y=np.random.rand(数字)

  平面散点图(x,y)

  plt.title(37 )

  plt.show()

  7、

  num=50

  x=np.random.rand(数字)

  y=np.random.rand(数字)

  面积=(800 * NP。随机的。兰特(数字)* * 2)

  plt.scatter(x,y,s=面积)

  plt.title(37 )

  plt.show()

  8、

  PLT。RC params[ font。无衬线]= sim hei

  PLT。RC params[轴。unicode _ MINUS ]=False

  x_speed=np.arange(10,210,10)

  y_distance=np.array([0.3,0.5,1,3,5,5.5,7,8,9,12,14,15.5,17.8,19,20,23,27,30,31,32])

  PLT。散布(x _速度,y _距离,s=50,=0.9)

  plt.title(37 )

  plt.show()

  9、

  PLT。RC params[ font。家庭]= sim hei

  PLT。RC params[轴。unicode _ MINUS ]=False

  data_2018=np.array([4500,6654.5,5283.4,5107.8,5443.3,5550.6,6400.2,6404.9,5483.1,5330.2,5543,6199.9])

  data_2017=np.array([4605.2,4710.3,5168.9,4767.2,4947,5203,6047.4,5945.5,5219.6,5038.1,5196.3,5698.6])

  PLT。箱形图([数据_2018,数据_2017],标签=(2018年,2017年),meanline=True,widths=0.5,vert=False,patch_artist=True)

  plt.title(37 )

  plt.show()

  10、

  PLT。RC params[ font。家庭]= sim hei

  PLT。RC params[轴。unicode _ MINUS ]=False

  dim_num=6

  data=np.array([[0.50,0.32,0.35,0.30,0.30,0.88],

  [0.45,0.35,0.30,0.40,0.40,0.30],

  [0.43,0.99,0.30,0.28,0.22,0.30],

  [0.30,0.25,0.48,0.95,0.45,0.40],

  [0.20,0.38,0.87,0.45,0.32,0.28],

  [0.34,0.31,0.38,0.40,0.92,0.28]])

  angles=np.linspace(0,2 * np.pi,dim_num,endpoint=False)

  angles=np.concatenate((angles,[angles[0]]))

  data=np.concatenate((data,[data[0]]))

  radar_labels=[研究型(I),艺术型(A),社会型,企业型(E),传统型,现实型]

  雷达标签=np.concatenate雷达标签,[雷达标签[0]]))

  极坐标(角度,数据)

  植物标签(角度* 180/np.pi,标签=雷达_标签)

  工厂填充(角度,数据=0.25)

  plt.title(37 )

  plt.show()

  11、

  data=np.array([20,50,10,15,30,55])

  pie_labels=np.array([A , B , C , D , E , F])

  plt.pie(data,radius=1.5,wedgeprops={width: 0.7},labels=pie_labels,autopct=%3.1f%% ,pctdistance=0.75)

  plt.title(37 )

  plt.show()

  12、

  x=np.arange(1,13)

  ya=NP。数组([191,123,234,42,123,432,567,234,231,132,123,134])

  y_b=np.array([123,143,234,242,523,232,467,334,131,332,234,345])

  y _ c=NP . array([91123534432223332367434111322345560])

  plt.stackplot(x,y_a,y_b,y_c)

  plt.title(37 )

  plt.show()

  这就是这篇关于python数据分析和绘图可视化的文章。更多相关python可视化内容,请搜索热门IT软件开发工作室之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热门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。

留言与评论(共有 条评论)
   
验证码: