python进行数据分析的各种绘图_使用python指标排序画图

人们通常使用Excel软件或者程序进行数据分析，python语言成为进行人们进行数据分析的常用语言。下面是我使用python语言进行数据分析所绘画的各种图：

1.引用所需要的库及设置正常显示中文标签和负号

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
'
运行
运行

2.箱型图

#箱型图
df='d:/numberfx/catering_fish_congee(1).xls'
data=pd.read_excel(df,index_col='date')
print(data.describe())
 
plt.figure()
p=data.boxplot(return_type='dict')
x=p['fliers'][0].get_xdata()
y=p['fliers'][0].get_ydata()
y.sort()
for i in range(len(x)):
    if i>0:
        plt.annotate(y[i],xy=(x[i],y[i]),xytext=(x[i]+0.05 -0.8/(y[i]-y[i-1]),y[i]))
    else:
        plt.annotate(y[i],xy=(x[i],y[i]),xytext=(x[i]+0.08,y[i]))
plt.title('3008箱型图')
plt.show()

效果图：

3.直方分布图

#直方图
data2=pd.read_excel(df,names=['date','sale'])
print(data2.describe())
bins=[0,500,1000,1500,2000,2500,3000,3500,4000]
labels=['[0,500)','[500,1000)','[1000,1500)','[1500,2000)','[2000,2500)','[2500,3000)','[3000,3500)','[3500,4000)']
data2['sale分层']=pd.cut(data2.sale,bins,labels=labels)
aggResult=data2.groupby(by=['sale分层'])['sale'].agg([("sale", np.size)])
pAggResult=round(aggResult/aggResult.sum(),2,)*100
 
plt.figure(figsize=(10,6))
pAggResult['sale'].plot(kind='bar',width=0.8,fontsize=10)
plt.title('3008分布直方图',fontsize=20)
plt.show()

效果图：

 

4.饼状图：

#饼状图
df2='d:/numberfx/catering_dish_profit(1).xls'
data3=pd.read_excel(df2)
 
x=data3['盈利']
labels=data3['菜品名']
plt.figure(figsize=(8,6))
plt.pie(x,labels=labels)
plt.title('3008饼图')
plt.axis('equal')
plt.show()

效果图：

 

5.条形图

#条形图
x=data3['菜品名']
y=data3['盈利']
plt.figure(figsize=(8,4))
plt.bar(x,y)
plt.xlabel('菜名')
plt.ylabel('销量')
plt.title('3008条形图')
plt.show()

 效果图：

6.折线图比较数据 

#折线图比较数据
df3='d:/numberfx/dish_sale(1).xls'
data4=pd.read_excel(df3)
plt.figure(figsize=(8,4))
plt.plot(data4['月份'],data4['A部门'],color='green',label='A部门',marker='o')
plt.plot(data4['月份'],data4['B部门'],color='red',label='B部门',marker='s')
plt.plot(data4['月份'],data4['C部门'],color='skyblue',label='C部门',marker='x')
plt.legend()
plt.ylabel('销售额（万元）')
plt.show()
 
df4='d:/numberfx/dish_sale_b(1).xls'
data5=pd.read_excel(df4)
plt.figure(figsize=(8,4))
plt.plot(data5['月份'],data5['2012年'],color='green',label='2012年',marker='o')
plt.plot(data5['月份'],data5['2013年'],color='red',label='2013年',marker='s')
plt.plot(data5['月份'],data5['2014年'],color='skyblue',label='2014年',marker='x')
plt.legend()
plt.ylabel('销售额（万元）')
plt.show()

效果图：

 

7.帕累托图

#帕累托图
data6=pd.read_excel(df2,index_col='菜品名')
data6=data6['盈利'].copy()
data6.sort_values(ascending=False)
plt.figure()
data6.plot(kind='bar')
plt.ylabel('盈利（元）')
p=1.0*data6.cumsum()/data6.sum()
p.plot(color='r',secondary_y=True,style='-o',linewidth=2)
plt.annotate(format(p[6],'.4%'), xy=(6,p[6]), xytext=(6*0.9,p[6]*0.9), arrowprops=dict(arrowstyle="->",connectionstyle="arc3,rad=.2"))
plt.ylabel('盈利（比例）')
plt.title('3008帕累托图')
plt.show()

效果图：

 

8.散点图

#散点图
years=[2001,2002,2003,2004,2005,2006,2007,2008,2009,2010]
turnovers=[1,1.5,2,3,4,5.5,6,7.6,8,20]
plt.figure()
plt.scatter(years,turnovers,c='green',s=100,label='legend')
plt.xticks(range(2000,2011,1))
plt.yticks(range(0,21,1))
plt.xlabel("Year",fontdict={'size':16})
plt.ylabel("number",fontdict={'size':16})
plt.title("3008散点图",fontdict={'size':20})
plt.legend(loc='best')
plt.show()

 效果图：

结论：使用python进行数据分析容易上手，并能准确看出数据的分布情况和分布特点。