正文

解锁Matplotlib：200+实用数据可视化案例，轻松上手数据之美

/0 浏览量
0529

引言

数据可视化是数据分析中不可或缺的一环，它能够帮助我们更直观地理解数据的分布、趋势和关系。Matplotlib作为Python中功能强大的绘图库，在数据可视化领域有着广泛的应用。本文将为您介绍超过200个Matplotlib数据可视化案例，帮助您轻松上手数据之美。

Matplotlib基础

在开始案例之前，我们需要先了解Matplotlib的基本用法。以下是一些Matplotlib的基础知识：

安装与导入

!pip install matplotlib
import matplotlib.pyplot as plt

绘制简单图表

以下是一个简单的折线图示例：

import numpy as np

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 绘制折线图
plt.plot(x, y)
plt.xlabel('X axis')
plt.ylabel('Y axis')
plt.title('Simple Line Plot')
plt.show()

实用案例

1. 折线图

折线图常用于展示数据随时间或类别的变化趋势。

# 绘制折线图：股票走势
import pandas as pd

# 加载数据
data = pd.read_csv('stock_data.csv')

# 绘制折线图
plt.plot(data['日期'], data['收盘价'])
plt.xlabel('日期')
plt.ylabel('收盘价')
plt.title('股票走势')
plt.show()

2. 柱状图

柱状图常用于比较不同类别的数值。

# 绘制柱状图：销售额对比
import pandas as pd

# 加载数据
data = pd.read_csv('sales_data.csv')

# 绘制柱状图
plt.bar(data['产品'], data['销售额'])
plt.xlabel('产品')
plt.ylabel('销售额')
plt.title('销售额对比')
plt.show()

3. 散点图

散点图常用于分析两个变量之间的关系。

# 绘制散点图：身高与体重关系
import pandas as pd

# 加载数据
data = pd.read_csv('height_weight_data.csv')

# 绘制散点图
plt.scatter(data['身高'], data['体重'])
plt.xlabel('身高')
plt.ylabel('体重')
plt.title('身高与体重关系')
plt.show()

4. 饼图

饼图常用于展示各部分占总体的比例。

# 绘制饼图：市场份额
import pandas as pd

# 加载数据
data = pd.read_csv('market_share_data.csv')

# 绘制饼图
plt.pie(data['市场份额'], labels=data['公司'], autopct='%1.1f%%')
plt.title('市场份额')
plt.show()

5. 箱线图

箱线图常用于查看数据的分布和离群值。

# 绘制箱线图：薪资分布
import pandas as pd

# 加载数据
data = pd.read_csv('salary_data.csv')

# 绘制箱线图
plt.boxplot(data['薪资'])
plt.title('薪资分布')
plt.show()

6. 3D图表

Matplotlib还支持绘制3D图表。

from mpl_toolkits.mplot3d import Axes3D

# 创建数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
x, y = np.meshgrid(x, y)
z = x**2 + y**2

# 创建3D图表
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(x, y, z)
plt.title('3D曲面图')
plt.show()

7. 动态图表

Matplotlib还支持绘制动态图表。

import matplotlib.animation as animation

# 创建数据
x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

# 创建动态图表
fig, ax = plt.subplots()
line, = ax.plot([], [], lw=2)
ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-1, 1)
ax.set_title('动态图表')

# 初始化动画
def init():
    line.set_data([], [])
    return line,

# 更新动画
def update(frame):
    x_data = np.linspace(0, 2 * np.pi, 100)
    y_data = np.sin(x_data + frame / 10.0)
    line.set_data(x_data, y_data)
    return line,

# 创建动画
ani = animation.FuncAnimation(fig, update, frames=200, init_func=init, blit=True)
plt.show()

总结

通过以上案例，您已经掌握了Matplotlib的基本用法和多种数据可视化技巧。希望这些案例能够帮助您更好地理解和应用Matplotlib，从而轻松上手数据之美。

-- 展开阅读全文 --