Python 数据分析与可视化实践与python数据分析绘图表的实现，和实际的完整案例_用python做表格设计结果分享报告

本文链接：Python 数据分析与可视化实践与python数据分析绘图表的实现，和实际的完整案例-CSDN博客

学习Python数据可视化对于数据分析和数据科学领域是至关重要的，它有着许多作用，包括但不限于以下几个方面：

1. 数据理解与探索：可视化使得数据更加直观，通过图表和图形，可以更容易地观察数据的分布、趋势和模式。这有助于深入理解数据，识别异常值和发现潜在的关联性。

2. 决策支持：数据可视化为决策提供了有力的支持。通过直观的图表，决策者能够更好地理解业务情况，做出明智的战略和战术决策。

3. 沟通与传达：数据可视化是将复杂数据结果以直观、易懂的方式传达给非专业人士的有效手段。通过图表和可视化，分析师能够向业务团队、管理层或其他非技术人员解释分析结果。

4. 发现新的见解：通过可视化工具，人们能够更容易地发现数据中的模式、趋势和关联性，这有助于挖掘新的见解和发现隐藏在数据背后的故事。

5. 交互性分析：一些数据可视化工具提供交互性功能，用户可以自由地探索数据，缩放、滑动、筛选数据，从而更深入地进行分析。

6. 监控和预测：可视化对于监控业务指标和预测未来趋势也是非常有用的。通过实时更新的图表，业务团队可以迅速了解业务的运行状况。

7. 报告与展示：在数据分析项目完成后，通过可视化结果的报告，分享和展示分析成果更为生动和具体，有助于向团队或客户传递分析的重要信息。

8. 优化用户体验：在用户界面设计中，数据可视化可以改善用户体验。例如，在网站分析中使用图表展示用户行为，从而改进网站布局和功能。

总体而言，学习Python数据可视化有助于更好地理解数据、提高决策效率、增强沟通能力，是数据分析和数据科学中不可或缺的重要技能之一。

引言

# Python 数据分析与可视化实践

在当今信息时代，数据分析和可视化成为了解决问题、做出决策的关键步骤。Python 提供了丰富的库，其中 Pandas 和 Matplotlib 是进行数据分析和可视化的两个强大工具。本文将通过一个销售数据集的实例，详细介绍如何使用 Pandas 进行数据处理，然后利用 Matplotlib 创建各种图表，以便更深入地理解数据。

## 准备工作

首先，确保你已经安装了必要的库，可以使用以下命令安装：

```python
pip install pandas matplotlib
```

接下来，我们将加载一个包含销售数据的 CSV 文件。数据集包括日期（Date）、销售额（Sales）、广告投入（Advertising）等字段。

```python
import pandas as pd
 
# 读取 CSV 文件
data = pd.read_csv('sales_data.csv')
# 显示前几行数据
print(data.head())
```

## 数据摘要

在进行可视化之前，我们可以先对数据进行摘要，以了解数据的基本信息：

```python
# 数据摘要
summary = data.describe()
print(summary)
```

## 可视化时间趋势

### 1. 折线图

我们可以使用折线图来展示销售额随时间的变化。首先，将日期字段转换为日期类型：

import matplotlib.pyplot as plt
 
# 示例数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales = [150, 200, 180, 220, 250, 210]
 
# 绘制折线图
plt.plot(months, sales, marker='o', linestyle='-', color='b')
 
# 添加标题和标签
plt.title('Monthly Sales Trend')
plt.xlabel('Month')
plt.ylabel('Sales')
 
# 显示图形
plt.show()
'
运行
运行

然后，绘制销售额随时间的折线图：

```python
import matplotlib.pyplot as plt

# 设置图形大小
plt.figure(figsize=(10, 6))
# 绘制销售额随时间的折线图
plt.plot(data['Date'], data['Sales'], marker='o', linestyle='-', color='b')
# 添加标题和标签
plt.title('Sales Over Time')
plt.xlabel('Date')
plt.ylabel('Sales')
# 显示图形
plt.show()

```

### 2. 移动平均线

为了平滑数据并更好地展示趋势，我们可以添加移动平均线：

```python
# 计算销售额的7天移动平均
data['Sales_MA'] = data['Sales'].rolling(window=7).mean()
# 设置图形大小
plt.figure(figsize=(10, 6))
# 绘
 
(data['Date'], data['Sales'], marker='o', linestyle='-', color='b', label='Sales')
plt.plot(data['Date'], data['Sales_MA'], linestyle='--', color='r', label='7-Day Moving Average')
 
# 添加标题和标签
plt.title('Sales Over Time with Moving Average')
plt.xlabel('Date')
plt.ylabel('Sales')
# 显示图例
plt.legend()
# 显示图形
plt.show()
```

制销售额随时间的折线图和移动平均线
plt.plot

## 探索数据关系

### 3. 散点图

我们可以通过散点图来研究销售额与广告投入之间的关系：

```python
# 设置图形大小
plt.figure(figsize=(10, 6))
# 绘制散点图
plt.scatter(data['Advertising'], data['Sales'], color='g', alpha=0.7)
# 添加标题和标签
plt.title('Sales vs. Advertising Spend')
plt.xlabel('Advertising Spend')
plt.ylabel('Sales')
# 显示图形
plt.show()

通过scatter函数，我们创建了一个散点图，其中color参数设置了散点的颜色。
```

### 4. 热力图

如果数据集中有多个变量，我们可以使用热力图展示它们之间的相关性：

```python
import seaborn as sns
 
# 计算变量之间的相关性矩阵
correlation_matrix = data.corr()
 
# 设置图形大小
plt.figure(figsize=(10, 8))
 
# 绘制热力图
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt='.2f')
 
# 添加标题
plt.title('Correlation Heatmap')
 
# 显示图形
plt.show()

在这个例子中，我们使用了Seaborn库的heatmap函数，通过annot参数添加数值标签，cmap参数设置颜色映射
```

结论

通过这个实例，我们学到了如何使用 Pandas 和 Matplotlib 进行数据处理和可视化。这仅仅是数据分析和可视化的入门，你可以根据项目需求进一步探索更多功能和图表类型。记住，数据分析是一个灵活的过程，根据不同场景可以使用不同的方法和技巧。希望这篇文章对你在数据分析和可视化的学习过程中提供帮助。

#2 Python 数据分析图表绘制详解

## 饼状图

饼状图适用于展示各部分占整体的比例。考虑一个示例，展示不同销售渠道的销售额占比：

import matplotlib.pyplot as plt
 
# 示例数据
sales_channel_labels = ['Online', 'In-Store', 'Offline']
sales = [40, 35, 25]
 
# 绘制饼状图
plt.pie(sales, labels=sales_channel_labels, autopct='%1.1f%%', startangle=90, colors=['skyblue', 'lightgreen', 'lightcoral'])
 
# 添加标题
plt.title('Sales Distribution by Channel')
 
# 显示图形
plt.show()

通过pie函数，我们创建了一个饼状图。autopct参数用于显示百分比标签，startangle参数设置起始角度，colors参数设置每个部分的颜色

## 柱状图

柱状图常用于比较不同类别之间的数值。例如，我们可以使用柱状图比较不同产品的销售量：

```python
# 数据
products = ['Product A', 'Product B', 'Product C']
sales = [150, 200, 120]
 
# 绘制柱状图
plt.figure(figsize=(10, 6))
plt.bar(products, sales, color=['lightblue', 'lightgreen', 'lightcoral'])
plt.xlabel('Products')
plt.ylabel('Sales')
plt.title('Sales by Product')
plt.show()
```

在柱状图中，我们使用了bar函数，通过color参数设置每个柱子的颜色。为了提升可读性，我们还添加了标题和标签。

1. 数据探索与分析

通过数据可视化，可以更直观地观察数据的分布、趋势和异常值。例如，使用线型图可以追踪销售额随时间的变化，帮助分析销售业绩的趋势。

## 线型图

线型图通常用于展示数据随时间的变化趋势。考虑一个销售数据的时间序列：

```python
import pandas as pd
import matplotlib.pyplot as plt
 
# 创建示例时间序列数据
date_rng = pd.date_range(start='2023-01-01', end='2023-01-10', freq='D')
sales_data = {'Date': date_rng, 'Sales': [50, 45, 60, 80, 75, 90, 85, 100, 120, 110]}
sales_df = pd.DataFrame(sales_data)
 
# 绘制线型图
plt.figure(figsize=(10, 6))
plt.plot(sales_df['Date'], sales_df['Sales'], marker='o', linestyle='-', color='b')
plt.xlabel('Date')
plt.ylabel('Sales')
plt.title('Sales Over Time')
plt.show()

```

## 扇形图

扇形图适用于展示整体中各部分的相对大小。例如，展示不同产品类别在整体销售中的比例：

```python
# 数据
categories = ['Electronics', 'Clothing', 'Books', 'Home Goods']
sales = [200, 150, 120, 80]
 
# 绘制扇形图
plt.figure(figsize=(8, 8))
plt.pie(sales, labels=categories, autopct='%1.1f%%', startangle=90, colors=['skyblue', 'lightgreen', 'lightcoral', 'lightsalmon'])
plt.title('Sales Distribution by Category')
plt.show()
```

完整的一个实例：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
data1 = pd.read_csv('data1.csv',encoding='gbk')
data2 = pd.read_csv('data2.csv',encoding='gbk')
data3 = pd.read_csv('data3.csv',encoding='gbk')
data2 = data2.dropna()
describe1 = '允许通过'
data3 = data3[data3['Describe'] == describe1]
 
# 设置字体为SimHei（黑体）
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
 
# 性别占比饼图
gender_counts = data1['Sex'].value_counts()
plt.figure(figsize=(6, 6))
plt.pie(gender_counts, labels=gender_counts.index, autopct='%1.1f%%', startangle=90, colors=['skyblue', 'lightcoral'])
plt.title('性别分布')
plt.show()
 
# 不同专业人数柱状图
major_counts = data1['Major'].value_counts()
plt.figure(figsize=(10, 6))
sns.barplot(x=major_counts.index, y=major_counts.values, palette='viridis')
plt.xticks(rotation=45, ha='right')
plt.title('各专业学生人数')
plt.show()
 
# 不同专业性别比柱状图
gender_major_counts = data1.groupby(['Major', 'Sex']).size().unstack()
gender_major_counts.plot(kind='bar', stacked=True, colormap='coolwarm', figsize=(12, 6))
plt.title('各专业的性别分布')
plt.xlabel('Major')
plt.ylabel('学生人数')
plt.show()
 
#不同地点进出次数饼图
 
location_counts = data3['Address'].value_counts()
plt.figure(figsize=(8, 8))
plt.pie(location_counts, labels=location_counts.index, autopct='%1.1f%%', startangle=120)
plt.title('不同地点的进出次数')
plt.show()
 
data3['Date'] = pd.to_datetime(data3['Date'])
 
# 筛选进门和出门的数据
entry_data = data3[data3['Address'].str.contains('进门')]
exit_data = data3[data3['Address'].str.contains('出门')]
 
# 统计每天进门和出门的次数
entry_counts = entry_data.resample('D', on='Date').size()
exit_counts = exit_data.resample('D', on='Date').size()
 
# 绘制进门和出门次数随时间变化的折线图
plt.figure(figsize=(12, 6))
plt.plot(entry_counts.index, entry_counts.values, label='进门次数')
plt.plot(exit_counts.index, exit_counts.values, label='出门次数')
plt.title('进门和出门次数随时间变化')
plt.xlabel('日期')
plt.ylabel('次数')
plt.legend()
plt.show()
#不同地点消费金额、消费人数的柱状图
 
data2 = pd.read_csv('data2.csv', encoding='gbk')
 
# 按照地点 ('Dept') 进行分组，计算消费金额和消费人数
location_stats = data2.groupby('Dept').agg({'Money': 'sum', 'CardCount': 'nunique'}).reset_index()
 
# 绘制柱状图
plt.figure(figsize=(12, 6))
sns.barplot(x='Dept', y='Money', data=location_stats, palette='viridis')
plt.xlabel('地点')
plt.ylabel('总消费金额')
plt.title('不同地点的总消费金额')
plt.xticks(rotation=45, ha='right')
plt.show()
 
# 绘制柱状图，显示不同地点的消费人数
plt.figure(figsize=(12, 6))
sns.barplot(x='Dept', y='CardCount', data=location_stats, palette='viridis')
plt.xlabel('地点')
plt.ylabel('消费人数')
plt.title('不同地点的消费人数')
plt.xticks(rotation=45, ha='right')
plt.show()

## 结论

本文介绍了使用 Matplotlib 绘制饼状图、柱状图、线型图和扇形图的基本方法。这些图表类型可以根据数据类型和分析目的进行选择。在实际应用中，可以根据需要进行更多的定制和美化，以使图表更具表达力。希望这篇文章对你在 Python 数据分析和可视化的学习过程中提供了实用的指导。

心得：

学习Python数据可视化让我深刻体会到数据背后的故事是如何通过图表和图形得以呈现的。掌握Matplotlib等库，我能够将复杂的数据转化为清晰直观的可视化展示，更深入地理解数据的内在规律。这不仅提高了我对数据的洞察力，也增强了我的决策支持能力。通过练习，我学到了如何创建折线图、柱状图、饼状图等多种图表类型，以及如何进行图表的美化和定制。数据可视化不仅是分析工作的得力助手，更是一种沟通和传达分析成果的有效方式。这段学习经历为我打开了数据科学的大门，使我更加自信地处理和解释复杂的数据集。