python数据统计分析制图大数据可视化

Python数据统计分析制图大数据可视化简介

作为本站小编，我将向大家详细介绍Python数据统计分析制图大数据可视化。大数据可视化致力于形象化展现数据的分析数据和设计构思，令一些抽象化数据信息形象化，这种抽象化数据包括数据信息测量单位的特性或总数。

Python数据统计分析制图大数据可视化实例

以下是基于matplotlib库的Python数据统计分析制图大数据可视化实例：

1. 直方图

使用numpy库生成50个0到100之间的随机整数，然后使用matplotlib库的plt.hist函数生成直方图。

import numpy as np
import matplotlib.pyplot as plt
scores=np.random.randint(0,100,50)
plt.hist(scores,bins=8,histtype='stepfilled')
plt.title('37')
plt.show()

2. 堆叠图

生成三个数组，用于创建堆叠图。

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. 直方图（正态分布）

使用random_state函数生成10000个随机数，然后使用matplotlib库的plt.hist函数生成直方图。

import numpy as np
import matplotlib.pyplot as plt
random_state=np.random.RandomState(1231241)
random_x=random_state.randn(10000)
plt.hist(random_x,bins=25)
plt.title('37')
plt.show()

4. 扇形图

使用numpy库生成一个包含5个整数的数组，然后使用matplotlib库的plt.pie函数生成扇形图。

import numpy as np
import matplotlib.pyplot as plt
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. 饼图

使用numpy库生成包含8个浮点数的数组，然后使用matplotlib库的plt.pie函数生成饼图。

import matplotlib as mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
kinds=['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]
dev_position=[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. 散点图

使用numpy库生成50对随机数，并用matplotlib库的plt.scatter函数生成散点图。

import numpy as np
import matplotlib.pyplot as plt
num=50
x=np.random.rand(num)
y=np.random.rand(num)
plt.scatter(x,y)
plt.title('37')
plt.show()

7. 改变散点图点的大小

使用numpy库生成50对随机数，并用matplotlib库的plt.scatter函数生成散点图。通过定义一个与rand函数相乘的area数组，可以修改散点图点的大小。

import numpy as np
import matplotlib.pyplot as plt
num=50
x=np.random.rand(num)
y=np.random.rand(num)
area=(800*np.random.rand(num)**2)
plt.scatter(x,y,s=area)
plt.title('37')
plt.show()

8. 带标签的散点图

使用numpy库生成两个包含20个整数的数组，然后用matplotlib库的plt.scatter函数生成带标签的散点图。

import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']='SimHei'
plt.rcParams['axes.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.scatter(x_speed,y_distance,s=50,alpha=0.9)
plt.title('37')
plt.show()

9. 箱线图

比较2017和2018两年的收入差异，用matplotlib库的plt.boxplot函数生成箱线图。

import matplotlib.pyplot as plt
plt.rcParams['font.family']='SimHei'
plt.rcParams['axes.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.boxplot([data_2018,data_2017],labels=('2018年','2017年'),meanline=True,widths=0.5,vert=False,patch_artist=True)
plt.title('37')
plt.show()

10. 雷达图

展示六个类别的数据，用matplotlib库的plt.polar函数生成雷达图。

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(S)','企业型(E)','传统型(C)','现实型(R)']
radar_labels=np.concatenate((radar_labels,[radar_labels[0]]))
plt.polar(angles,data)
plt.thetagrids(angles*180/np.pi,labels=radar_labels)
plt.fill(angles,data,alpha=0.25)
plt.title('37')
plt.show()

11. 环形图

使用numpy库生成一个包含6个整数的数组，然后使用matplotlib库的