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。