正文

掌握Python，轻松绘制数据之美：30个实用实例教你数据可视化技巧

/0 浏览量
0927

引言

数据可视化是将数据转换为图形或图像的过程，它可以帮助我们更好地理解复杂的数据关系和趋势。Python作为一种功能强大的编程语言，拥有丰富的数据可视化库，如Matplotlib、Seaborn、Plotly等，可以轻松实现各种数据可视化效果。本文将提供30个实用实例，帮助您掌握Python数据可视化技巧。

实例1：使用Matplotlib绘制折线图

折线图是展示数据随时间或其他变量变化的常用图表。以下是一个简单的折线图实例：

import matplotlib.pyplot as plt

# 数据
x = [0, 1, 2, 3, 4, 5]
y = [0, 1, 4, 9, 16, 25]

# 绘制折线图
plt.plot(x, y)
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.title('折线图示例')
plt.show()

实例2：使用Seaborn绘制散点图

散点图用于展示两个变量之间的关系。以下是一个散点图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': [1, 2, 3, 4, 5], 'y': [2, 3, 5, 7, 11]}

# 绘制散点图
sns.scatterplot(data=data, x='x', y='y')
plt.show()

实例3：使用Matplotlib绘制柱状图

柱状图用于比较不同类别或组的数据。以下是一个柱状图实例：

import matplotlib.pyplot as plt

# 数据
categories = ['A', 'B', 'C', 'D']
values = [10, 20, 30, 40]

# 绘制柱状图
plt.bar(categories, values)
plt.xlabel('类别')
plt.ylabel('值')
plt.title('柱状图示例')
plt.show()

实例4：使用Seaborn绘制箱线图

箱线图用于展示数据的分布情况。以下是一个箱线图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制箱线图
sns.boxplot(x='x', y='y', data=data)
plt.show()

实例5：使用Plotly绘制交互式图表

Plotly是一个强大的交互式图表库。以下是一个交互式散点图实例：

import plotly.express as px

# 数据
data = {'x': [1, 2, 3, 4, 5], 'y': [2, 3, 5, 7, 11]}

# 绘制交互式散点图
fig = px.scatter(data, x='x', y='y')
fig.show()

实例6：使用Matplotlib绘制饼图

饼图用于展示各部分占整体的比例。以下是一个饼图实例：

import matplotlib.pyplot as plt

# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [10, 20, 30, 40]

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')  # 保持饼图为圆形
plt.show()

实例7：使用Seaborn绘制热力图

热力图用于展示数据矩阵的分布情况。以下是一个热力图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = [[10, 20, 30], [40, 50, 60], [70, 80, 90]]

# 绘制热力图
sns.heatmap(data)
plt.show()

实例8：使用Matplotlib绘制散点图与回归线

散点图与回归线结合可以展示变量之间的线性关系。以下是一个实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])

# 绘制散点图与回归线
plt.scatter(x, y)
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
plt.plot(x, p(x), "r--")
plt.show()

实例9：使用Seaborn绘制小提琴图

小提琴图结合了箱线图和密度图的特点，可以展示数据的分布和密度。以下是一个小提琴图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制小提琴图
sns.violinplot(x='x', y='y', data=data)
plt.show()

实例10：使用Matplotlib绘制条形图

条形图与柱状图类似，但通常用于展示类别数据。以下是一个条形图实例：

import matplotlib.pyplot as plt

# 数据
categories = ['A', 'B', 'C', 'D']
values = [10, 20, 30, 40]

# 绘制条形图
plt.bar(categories, values)
plt.xlabel('类别')
plt.ylabel('值')
plt.title('条形图示例')
plt.show()

实例11：使用Seaborn绘制箱线图与点图

箱线图与点图结合可以展示数据的分布和异常值。以下是一个实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制箱线图与点图
sns.boxplot(x='x', y='y', data=data)
sns.stripplot(x='x', y='y', data=data, jitter=True)
plt.show()

实例12：使用Plotly绘制3D散点图

Plotly支持3D图表的绘制。以下是一个3D散点图实例：

import plotly.graph_objects as go

# 数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
z = [10, 20, 30, 40, 50]

# 绘制3D散点图
fig = go.Figure(data=[go.Scatter3d(x=x, y=y, z=z)])
fig.show()

实例13：使用Matplotlib绘制雷达图

雷达图用于展示多个变量之间的关系。以下是一个雷达图实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
angles = np.linspace(0, 2 * np.pi, 6, endpoint=False)
values = [10, 20, 30, 40, 50, 60]

# 绘制雷达图
fig, ax = plt.subplots()
ax.set_theta_direction(-1)
ax.set_theta_zero_location('N')
ax.set_thetagrids(angles[:-1], labels=['A', 'B', 'C', 'D', 'E', 'F'])
ax.bar(angles[:-1], values, color='blue', alpha=0.6)
plt.show()

实例14：使用Seaborn绘制堆叠柱状图

堆叠柱状图可以展示多个类别数据的总和。以下是一个堆叠柱状图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40], 'category': ['A', 'B', 'C', 'D']}

# 绘制堆叠柱状图
sns.barplot(x='x', y='y', hue='category', data=data)
plt.show()

实例15：使用Matplotlib绘制极坐标图

极坐标图可以展示数据在圆形区域中的分布情况。以下是一个极坐标图实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
theta = np.linspace(0, 2 * np.pi, 100)
r = np.sin(theta)

# 绘制极坐标图
ax = plt.subplot(111, polar=True)
ax.plot(theta, r)
plt.show()

实例16：使用Seaborn绘制时间序列图

时间序列图用于展示数据随时间的变化趋势。以下是一个时间序列图实例：

import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd

# 数据
data = pd.DataFrame({
    'Date': pd.date_range(start='2020-01-01', periods=100),
    'Value': np.random.randn(100).cumsum()
})

# 绘制时间序列图
sns.lineplot(x='Date', y='Value', data=data)
plt.show()

实例17：使用Matplotlib绘制等高线图

等高线图用于展示数据的分布和趋势。以下是一个等高线图实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.linspace(-5, 5, 100)
y = np.linspace(-5, 5, 100)
X, Y = np.meshgrid(x, y)
Z = np.sin(np.sqrt(X**2 + Y**2))

# 绘制等高线图
plt.contour(X, Y, Z, levels=20)
plt.show()

实例18：使用Seaborn绘制散点图与回归线

散点图与回归线结合可以展示变量之间的线性关系。以下是一个实例：

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.random.randn(100)
y = 2 * x + np.random.randn(100)

# 绘制散点图与回归线
sns.regplot(x=x, y=y)
plt.show()

实例19：使用Matplotlib绘制气泡图

气泡图可以展示三个变量之间的关系。以下是一个气泡图实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.random.randn(100)
y = np.random.randn(100)
size = np.random.randn(100) * 100

# 绘制气泡图
plt.scatter(x, y, s=size)
plt.show()

实例20：使用Seaborn绘制箱线图与点图

箱线图与点图结合可以展示数据的分布和异常值。以下是一个实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制箱线图与点图
sns.boxplot(x='x', y='y', data=data)
sns.stripplot(x='x', y='y', data=data, jitter=True)
plt.show()

实例21：使用Plotly绘制交互式图表

Plotly支持多种交互式图表，如地图、仪表盘等。以下是一个地图实例：

import plotly.express as px

# 数据
data = px.data.world_happiness()

# 绘制地图
fig = px.choropleth(data, locations='iso_alpha3', color='happiness_score',
                    projection='natural earth')
fig.show()

实例22：使用Matplotlib绘制饼图

饼图用于展示各部分占整体的比例。以下是一个饼图实例：

import matplotlib.pyplot as plt

# 数据
labels = ['A', 'B', 'C', 'D']
sizes = [10, 20, 30, 40]

# 绘制饼图
plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.axis('equal')  # 保持饼图为圆形
plt.show()

实例23：使用Seaborn绘制热力图

热力图用于展示数据矩阵的分布情况。以下是一个热力图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = [[10, 20, 30], [40, 50, 60], [70, 80, 90]]

# 绘制热力图
sns.heatmap(data)
plt.show()

实例24：使用Matplotlib绘制散点图与回归线

散点图与回归线结合可以展示变量之间的线性关系。以下是一个实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 3, 5, 7, 11])

# 绘制散点图与回归线
plt.scatter(x, y)
z = np.polyfit(x, y, 1)
p = np.poly1d(z)
plt.plot(x, p(x), "r--")
plt.show()

实例25：使用Seaborn绘制小提琴图

小提琴图结合了箱线图和密度图的特点，可以展示数据的分布和密度。以下是一个小提琴图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制小提琴图
sns.violinplot(x='x', y='y', data=data)
plt.show()

实例26：使用Matplotlib绘制条形图

条形图与柱状图类似，但通常用于展示类别数据。以下是一个条形图实例：

import matplotlib.pyplot as plt

# 数据
categories = ['A', 'B', 'C', 'D']
values = [10, 20, 30, 40]

# 绘制条形图
plt.bar(categories, values)
plt.xlabel('类别')
plt.ylabel('值')
plt.title('条形图示例')
plt.show()

实例27：使用Seaborn绘制箱线图与点图

箱线图与点图结合可以展示数据的分布和异常值。以下是一个实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40]}

# 绘制箱线图与点图
sns.boxplot(x='x', y='y', data=data)
sns.stripplot(x='x', y='y', data=data, jitter=True)
plt.show()

实例28：使用Plotly绘制3D散点图

Plotly支持3D图表的绘制。以下是一个3D散点图实例：

import plotly.graph_objects as go

# 数据
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
z = [10, 20, 30, 40, 50]

# 绘制3D散点图
fig = go.Figure(data=[go.Scatter3d(x=x, y=y, z=z)])
fig.show()

实例29：使用Matplotlib绘制雷达图

雷达图用于展示多个变量之间的关系。以下是一个雷达图实例：

import matplotlib.pyplot as plt
import numpy as np

# 数据
angles = np.linspace(0, 2 * np.pi, 6, endpoint=False)
values = [10, 20, 30, 40, 50, 60]

# 绘制雷达图
fig, ax = plt.subplots()
ax.set_theta_direction(-1)
ax.set_theta_zero_location('N')
ax.set_thetagrids(angles[:-1], labels=['A', 'B', 'C', 'D', 'E', 'F'])
ax.bar(angles[:-1], values, color='blue', alpha=0.6)
plt.show()

实例30：使用Seaborn绘制堆叠柱状图

堆叠柱状图可以展示多个类别数据的总和。以下是一个堆叠柱状图实例：

import seaborn as sns
import matplotlib.pyplot as plt

# 数据
data = {'x': ['A', 'B', 'C', 'D'], 'y': [10, 20, 30, 40], 'category': ['A', 'B', 'C', 'D']}

# 绘制堆叠柱状图
sns.barplot(x='x', y='y', hue='category', data=data)
plt.show()

总结

通过以上30个实例，您已经掌握了Python数据可视化的基本技巧。在实际应用中，可以根据具体需求选择合适的图表类型和库。希望这些实例能够帮助您更好地理解和应用数据可视化技术。

-- 展开阅读全文 --