小蓝xlanll

这个屌丝很懒，什么也没留下！

热门标签

数据可视化-课堂记录

作者：小蓝xlanll | 2024-05-18 06:34:14

踩

数据可视化-课堂记录

week02

# 数据可视化的发展历史 作用  格式塔原则
# 数据可视化的流程

# 数据分析 指标体系建设 确定一个行业+指标体系+实现报表（power bi  python matplotlib seaborn pyecharts echarts）
# 数据分析面试  
技术：sql+excel+python+powerbi+spss  
业务：理解一个行业，做日报周报月报外加临时取数，并进行指标异常分析

# 课程目标
完成一个BI报表：神策数据
懂业务+会一种BI技术+会指标体系构建+评价体系


# power bi快速实现了一个报表
1
2
3
4
5
6
7
8
9
10
11
12
13
14

# matplotlib 2周  如何理解这个库 + 更好的使用
https://blog.csdn.net/m0_38139250/article/details/136796724
1
2

# 6-8 周 seaborn库 如何理解这个库 + 更好的使用
https://blog.csdn.net/m0_38139250/article/details/137009691
1
2

机器学习的流程

有数据集
数据探索EDA 多少条什么类型有无缺失值数据是文本or连续or离散数据分布情况特征之间和特征于标签之间的关系如何
数据特征工程预处理缺失值填充删除不管文本转换为数字onehot独热二进制序列编码数字太大进行归一化产生新的特征
数据模型选择逻辑回归
模型评估
模型优化交叉验证和模型融合

seabron

Seaborn是一个用Python制作统计图形的库。它构建在matplotlib之上，并与pandas数据结构紧密集成。
Seaborn帮助您探索和理解您的数据。它的绘图功能对包含整个数据集的数据框架和数组进行操作，并在内部执行必要的语义映射和统计聚合以生成信息丰富的绘图。它的面向数据集的声明性API让您可以专注于图表的不同元素的含义，而不是如何绘制它们的细节。
ax=sns.relplot(x=“total_bill”,y=“tip”,hue=“day”,
col=“time”,row=“sex”,data=tips,kind=“line”)

seaborn是做什么的

帮助理解数据完整数据内部语义映射面向数据集的声明式api 不需要关注如何实现，只要关注要做什么

seaborn模块设计思想

绘图函数有两个级别画布级FacetGrid（大多用这个）子图级（如果要和matplotlib的子图一起做，就用这个）

relplot
分布
分类

双变量联合分布于单变量分布图 joinplot 画布
双变量分布图 pairplot

seaborn基本使用

from matplotlib import pyplot as plt 
import matplotlib as mpl
import numpy as np 

x = np.linspace(0, 2, 100)

fig, ax = plt.subplots()  
ax.plot(x, x, label='linear')  
ax.plot(x, x**2, label='quadratic')  
ax.plot(x, x**3, label='cubic')  
ax.set_xlabel('x label') 
ax.set_ylabel('y label') 
ax.set_title("Simple Plot")  
ax.legend() 
plt.show()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

# Import seaborn
import seaborn as sns

# Apply the default theme
sns.set_theme()

# Load an example dataset 需要
# tips = sns.load_dataset("tips")
tips = sns.load_dataset("tips",cache=True,data_home=r'.\seaborn-data')

# Create a visualization
sns.relplot(
    data=tips,
    x="total_bill", y="tip", col="time",
    hue="smoker", style="smoker", size="size",
)



# 画布级别 通过col和row绘制多个子图
ax=sns.relplot(x="total_bill",y="tip",hue="day",
            col="time",row="sex",data=tips,kind="line")
# ax.figure.set_size_inches(5,5)
plt.suptitle("7-指定col和row")

# 轴级别
fig,axes=plt.subplots(1,1)
ax = sns.scatterplot(x="total_bill", y="tip",hue="day",
 style="time",size='size',data=tips,ax=axes)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

=============================

seaborn库使用

导入数据
绘图：画布级接口子图级接口

关系：x和y都是连续或是x为多个离散值
分类：一个变量为分类的

人口普查的案例
说明了通过seaborn可以有效的帮我们理解数据
作业：
seaborn怎么学习，掌握数据集钻石四重奏
介绍相关、分类、分布、回归、结构网格绘图的作用，并描述其中的画布级（图形级）别函数和轴级函数是什么，有什么特点，并能说出5个常见的参数以及作用
餐馆案例，你是餐馆老板，上周收入10000块，这周8000块，怎么进行分析，指标拆解，这个数据的变动到底是哪一个细粒度数据应用，按照人货场，
VIP 3000–1000 散客 1000-1000 外卖6000-6000得出是VIP用户消费少了，活动针对VIP，
VIP用户怎么少了男女男1000-500 女2000-500 针对与女性VIP进行进一步的拆解

模型

考上研究生
100条 1条 Y
99 N
N 99%
50人
姓名 age 住址高数概率论英语1 2 3 4 计算机网络体测社团数量竞赛考研成绩
XX 20 河南 92 87 80 75 82 65 80 2 3 351

============================

Echarts

百度开源 apache基金会
能做什么想做得都能做

canvas svg —》zrender 封装 —>echarts 对zrender 封装

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <!-- <script src=""></script> -->
    <!-- 1.导入echarts.js  import -->
    <script src="https://cdn.jsdelivr.net/npm/echarts@5.3.2/dist/echarts.js"></script>
    <title>Document</title>
</head>
<body>
    <!-- 2. 提供一个具有 宽 和 高的 元素 div -->
    <div id="main" style="width: 600px;height: 600px;">  </div>
    <!-- 3. 提供一个script元素 写js代码 -->
    <script>
      // 4. 初始化元素为echarts对象
      var myid = document.getElementById("main");
      var myecharts = echarts.init(myid);


        //   5. 构建一个option
        var option = {
            // 6. 看官网
        }

        // 6. myecharts.setOption(option)
        myecharts.setOption(option)

    </script>
</body>
</html>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

==============================
目标：前后端异步交互的可视化实现
项目目录

webapp.py
templates/index.html
static/js/echarts.js

1.写一个flask 接受 /index请求返回 index.html页面

@app.route('/index')
def index():
    return render_template('index.html')
1
2
3

2.前端发送异步请求 fetch 发送给后端的一个请求request，后端web框架会接受 flask

<script>
    fetch("http://127.0.0.1:5000/api_json2")
    .then(res => res.json())
    .then(function(data) {
        console.log(data);
        alert(data['data'][0]["name"]);
    })
</script>
1
2
3
4
5
6
7
8

2.flask 接受前端的请求进行数据的读取，封装为json，返回给前端

dict1 = {"result":"success", "data":[{"name":"北京","value":3245.896},{"name":"上海","value":2789.8}]}
@app.route('/api_json2')  # 127.0.0.1:5000/api_json1
def api_json1():
    return jsonify(dict1)
1
2
3
4

3.前端在异步请求中获取响应 response ，解析把解析后的数据放在option中的series中

<script>
        // 4.绑定main 和  echarts
        div1 = document.getElementById("main2")
        myecharts2 = echarts.init(div1)
        
        // 5. 一个option
        var option3={
            xAxis:{
                type:'category',
                data:['a','b','c','d']
            },
            yAxis:{
                type:'value'
            },
            series:[
                {
                    data:[],
                    type:'scatter'
                },
                {
                    data:[],
                    type:'pie'
                }
            ]
        }
        // fetch 是 js内置的异步请求函数  请求json的接口
        fetch('http://127.0.0.1:5000/jsonify2')
            .then(function(response) {
                // 把请求到响应转换为json
                return response.json();
            })
            .then(function(myJson) {
                // 转换后的json数据  输出到控制台
                console.log(myJson);
                console.log(myJson);
                // 提取json数据中的key对应的value 并且把value赋值给option
                option3.series[0].data = myJson['c']
                option3.series[1].data = myJson['d']

                // 6.把option传递给myecharts
                myecharts2.setOption(option3)
            });

    </script>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

==============================

echarts做一个前后端交互的可视化大屏
目的完成一个前后端交互的可视化==Echarts5.3.2可视化案例-交互篇
django flask fastapi
1.基于html和css实现页面布局，包括9个具有宽高的div
2.基于flask提供9个接口 /jsonbar 返回对应json数据
3.前端发生9个异步请求请求对应的 /json 接口获取json数据
4.前端针对获取到的json数据进行解析
5.把获取到的数据填入option的series的data中
fetch ajax 功能一样都是异步刷新

==================================

报表设计与实现

指标体系标签体系评价体系

1.多个可视化大屏，每个可视化大屏是一个主题域
给销售人员（销售额地区销售额人员销售销售订单排名销售目标）
给财务人员（收入支出固定成本流水 …）
给供应链人员（待生产现有库存原材料的缺口产品库的数据 …）
给生产人员
给决策人员
给安全风险人员
给质量检测人员

2.类似excel透视表的交互表格 fine report做后端

1.什么是flex
2.什么是rem flexable.js提供的一个可以随浏览器变化的单位

=========================================

课程目标：懂业务+会一种BI技术+会指标体系构建+评价体系

技术：matplotlib seaborn echarts 数据可视化绘图
应用：
数据分析报告和行业白皮书：matplotlib seaborn + 特定pyecharts+powerbi+finebi
https://www2.deloitte.com/content/dam/Deloitte/cn/Documents/consumer-business/deloitte-cn-consumer-coffee-industry-whitepaper-2021-210412.pdf

报表系统：WEB+数据开发 echarts 多个可视化大屏
https://cn.bing.com/images/search?q=%e7%a5%9e%e7%ad%96%e6%95%b0%e6%8d%ae&form=HDRSC2&first=1

知道什么样的图表达了什么信息，才能正确的使用图形
https://blog.csdn.net/m0_38139250/article/details/137217930

数据分析报告：
1.先把结论说明下
2.数据定义：关键指标以及指标定义
3.数据分析方法：对比和趋势 osm模型和象限模型，swot模型
4.分析过程：图文表的结合，要有明确结论
5.代码实现：
数据集加载
数据探索
数据处理
数据分析可视化
数据挖掘

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/小蓝xlanll/article/detail/587103