正文

揭秘Pandas数据可视化：50个实战案例，轻松掌握数据分析技巧

/0 浏览量
1027

引言

Pandas是Python中一个强大的数据分析库，它提供了丰富的数据处理功能，同时也支持多种数据可视化方法。数据可视化是数据分析的重要环节，它可以帮助我们更直观地理解数据，发现数据中的规律和趋势。本文将通过50个实战案例，详细介绍如何使用Pandas进行数据可视化，帮助您轻松掌握数据分析技巧。

1. 案例一：基础柱状图

柱状图是最常见的图表之一，用于展示不同类别之间的数量比较。以下是一个简单的柱状图示例：

import pandas as pd
import matplotlib.pyplot as plt

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制柱状图
df.plot(kind='bar', x='类别', y='数量', legend=False)
plt.show()

2. 案例二：分组柱状图

分组柱状图可以展示同一类别下不同子类的数量比较。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '子类别': ['子A', '子B', '子C', '子D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制分组柱状图
df.groupby(['类别', '子类别'])['数量'].sum().plot(kind='bar', stacked=True)
plt.show()

3. 案例三：基础折线图

折线图用于展示数据随时间或其他连续变量的变化趋势。

# 创建数据
data = {'时间': ['2021-01-01', '2021-01-02', '2021-01-03', '2021-01-04'], '温度': [10, 15, 8, 12]}
df = pd.DataFrame(data)

# 绘制折线图
df.plot(kind='line', x='时间', y='温度', legend=False)
plt.show()

4. 案例四：散点图

散点图用于展示两个变量之间的关系。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制散点图
df.plot(kind='scatter', x='类别', y='数量', legend=False)
plt.show()

5. 案例五：箱线图

箱线图用于展示数据的分布情况，包括中位数、四分位数和异常值。

# 创建数据
data = {'数值': [10, 20, 15, 5, 30, 25, 18, 22, 17, 12]}
df = pd.DataFrame(data)

# 绘制箱线图
df['数值'].plot(kind='box', legend=False)
plt.show()

6. 案例六：热力图

热力图用于展示二维数据的密集程度。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '子类别': ['子A', '子B', '子C', '子D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制热力图
df.pivot('类别', '子类别', '数量').plot(kind='heatmap', cmap='viridis')
plt.show()

7. 案例七：堆积柱状图

堆积柱状图可以展示同一类别下不同子类的数量比较，同时还可以展示总数。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '子类别': ['子A', '子B', '子C', '子D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制堆积柱状图
df.groupby(['类别', '子类别'])['数量'].sum().plot(kind='bar', stacked=True, legend=False)
plt.show()

8. 案例八：基础饼图

饼图用于展示不同类别在总数中的占比。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制饼图
df.plot(kind='pie', y='数量', labels='类别', autopct='%1.1f%%', legend=False)
plt.show()

9. 案例九：堆积饼图

堆积饼图可以展示同一类别下不同子类的占比，同时还可以展示总数。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '子类别': ['子A', '子B', '子C', '子D'], '数量': [10, 20, 15, 5]}
df = pd.DataFrame(data)

# 绘制堆积饼图
df.groupby(['类别', '子类别'])['数量'].sum().plot(kind='pie', subplots=True, autopct='%1.1f%%', legend=False)
plt.show()

10. 案例十：基础雷达图

雷达图用于展示多个变量之间的比较。

# 创建数据
data = {'类别': ['A', 'B', 'C', 'D'], '变量1': [10, 20, 15, 5], '变量2': [5, 10, 15, 20], '变量3': [20, 15, 10, 5]}
df = pd.DataFrame(data)

# 绘制雷达图
import numpy as np
angles = np.linspace(0, 2 * np.pi, len(df.columns), endpoint=False).tolist()
df_melted = df.melt(var_name='变量', value_name='数值')
df_melted['角度'] = df_melted.groupby('类别')['数值'].cumcount() * (2 * np.pi / len(df.columns))
df_melted['角度'] = df_melted['角度'].values.tolist() + [df_melted['角度'].values[0]]

ax = plt.subplot(111, polar=True)
ax.plot(df_melted['角度'], df_melted['数值'], 'o-', linewidth=2)
ax.fill(df_melted['角度'], df_melted['数值'], alpha=0.25)
ax.set_thetagrids([angle * 180 / np.pi for angle in angles[:-1]], labels=df.columns)
plt.show()

结语

通过以上10个实战案例，您已经可以初步掌握Pandas数据可视化的技巧。在实际应用中，您可以根据自己的需求选择合适的图表类型和参数进行定制。希望本文能帮助您更好地进行数据分析，提高工作效率。

-- 展开阅读全文 --