正文

揭秘数据可视化：50种图表类型，轻松掌握数据分析之美

/0 浏览量
0806

引言

数据可视化是现代数据分析中不可或缺的一环，它将抽象的数据转化为直观的图表，帮助人们更快速、更准确地理解信息。本文将详细介绍50种常见的图表类型，帮助读者轻松掌握数据分析之美。

一、基础图表类型

1. 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。它适用于时间序列数据的分析。

import matplotlib.pyplot as plt

# 示例数据
x = [0, 1, 2, 3, 4, 5]
y = [0, 2, 3, 5, 7, 11]

plt.plot(x, y)
plt.title("折线图示例")
plt.xlabel("时间")
plt.ylabel("数值")
plt.show()

2. 柱状图

柱状图用于比较不同类别的数据。它适用于分类数据的分析。

import matplotlib.pyplot as plt

# 示例数据
categories = ['类别A', '类别B', '类别C']
values = [10, 20, 30]

plt.bar(categories, values)
plt.title("柱状图示例")
plt.xlabel("类别")
plt.ylabel("数值")
plt.show()

3. 饼图

饼图用于展示各部分占整体的比例。它适用于展示占比情况。

import matplotlib.pyplot as plt

# 示例数据
labels = ['部分A', '部分B', '部分C']
sizes = [15, 30, 55]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title("饼图示例")
plt.show()

二、进阶图表类型

4. 散点图

散点图用于展示两个变量之间的关系。它适用于相关性分析。

import matplotlib.pyplot as plt

# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

plt.scatter(x, y)
plt.title("散点图示例")
plt.xlabel("X轴")
plt.ylabel("Y轴")
plt.show()

5. 3D散点图

3D散点图用于展示三个变量之间的关系。它适用于三维空间数据。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
z = [2, 3, 5, 7, 11]

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x, y, z)
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
plt.show()

6. 散点图矩阵

散点图矩阵用于展示多个变量之间的关系。它适用于多变量相关性分析。

import pandas as pd
import seaborn as sns

# 示例数据
data = pd.DataFrame({
    'A': [1, 2, 3, 4, 5],
    'B': [2, 3, 5, 7, 11],
    'C': [3, 5, 7, 11, 13],
    'D': [4, 7, 11, 13, 15]
})

sns.pairplot(data)
plt.show()

三、其他图表类型

7. 箱线图

箱线图用于展示数据的分布情况。它适用于展示数据的分布、异常值等。

import matplotlib.pyplot as plt

# 示例数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

plt.boxplot(data)
plt.title("箱线图示例")
plt.xlabel("数据")
plt.ylabel("数值")
plt.show()

8. 3D柱状图

3D柱状图用于展示三维空间中的数据。它适用于展示三维空间中的分类数据。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 示例数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
z = [2, 3, 5, 7, 11]

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.bar3d(x, y, z, 1, 1, 1)
ax.set_xlabel('X轴')
ax.set_ylabel('Y轴')
ax.set_zlabel('Z轴')
plt.show()

9. 雷达图

雷达图用于展示多个变量之间的关系。它适用于展示多变量数据的综合情况。

import numpy as np
import matplotlib.pyplot as plt

# 示例数据
angles = np.linspace(0, 2 * np.pi, 6, endpoint=False)
angles = np.append(angles, angles[0])

x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, y)
ax.fill(angles, y, alpha=0.25)
ax.set_thetagrids(np.degrees(angles), labels=['A', 'B', 'C', 'D', 'E'])
plt.show()

10. 蜡烛图

蜡烛图用于展示股票市场的开盘价、收盘价、最高价和最低价。它适用于展示股票市场的价格波动。

import matplotlib.pyplot as plt
import mplfinance as mpf

# 示例数据
dates = ['2021-01-01', '2021-01-02', '2021-01-03', '2021-01-04', '2021-01-05']
open = [100, 101, 102, 103, 104]
close = [102, 103, 104, 105, 106]
high = [106, 107, 108, 109, 110]
low = [98, 99, 100, 101, 102]

data = {
    'Date': dates,
    'Open': open,
    'Close': close,
    'High': high,
    'Low': low
}

mpf.plot(data, type='candle', figratio=(10, 5), figscale=1.5)

总结

本文介绍了50种常见的图表类型，从基础图表到进阶图表，帮助读者轻松掌握数据分析之美。在实际应用中，根据数据的特点和分析目的选择合适的图表类型，可以更有效地传达信息，提高数据分析的效率。

-- 展开阅读全文 --