Python-可视化

文章目录

饼图垂直条形图水平条形图堆叠条形图水平交错条形图pandas模块之垂直或水平条形图pandas模块之水平交错条形图seaborn模块之垂直或水平条形图pandas模块之水平交错条形图matplotlib模块之直方图pandas模块之直方图和核密度图seaborn模块之分组的直方图和核密度图单个箱线图分组箱线图小提琴图单条折线图多条折线图pandas模块之单组散点图seaborn模块之分组散点图气泡图热力图词云分词

饼图

# %% # 饼图的绘制 # 导入第三方模块 import matplotlib.pyplot as plt # 构造数据 edu = [0.2515, 0.3724, 0.3336, 0.0368, 0.0057] labels = ['中专', '大专', '本科', '硕士', '其他'] plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 绘制饼图 plt.pie(x=edu, # 绘图数据 labels=labels, # 添加教育水平标签 autopct='%.1f%%' # 设置百分比的格式，这里保留一位小数 ) # 添加图标题 plt.title('失信用户的教育水平分布') # 显示图形 plt.show() # %% # 添加修饰的饼图 explode = [0, 0.1, 0, 0, 0] # 生成数据，用于突出显示大专学历人群 # 自定义颜色,英文单词也可以 colors = ['#9999ff', '#ff9999', '#7777aa', '#2442aa', '#dd5555'] # 中文乱码和坐标轴负号的处理 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 将横、纵坐标轴标准化处理，确保饼图是一个正圆，否则为椭圆 plt.axes(aspect='equal') # 绘制饼图 plt.pie(x=edu, # 绘图数据 explode=explode, # 突出显示大专人群 labels=labels, # 添加教育水平标签 colors=colors, # 设置饼图的自定义填充色 autopct='%.1f%%', # 设置百分比的格式，这里保留一位小数 pctdistance=0.8, # 设置百分比标签与圆心的距离 labeldistance=1.1, # 设置教育水平标签与圆心的距离 startangle=180, # 设置饼图的初始角度 radius=1.2, # 设置饼图的半径 counterclock=False, # 是否逆时针，这里设置为顺时针方向 wedgeprops={'linewidth': 1.5, 'edgecolor': 'green'}, # 设置饼图内外边界的属性值 textprops={'fontsize': 10, 'color': 'black'}, # 设置文本标签的属性值 ) # 添加图标题 plt.title('失信用户的受教育水平分布') # 显示图形 plt.show() # %% # 导入第三方模块 import pandas as pd # 构建序列 data1 = pd.Series({'中专': 0.2515, '大专': 0.3724, '本科': 0.3336, '硕士': 0.0368, '其他': 0.0057}) # 将序列的名称设置为空字符，否则绘制的饼图左边会出现None这样的字眼 data1.name = '' # 控制饼图为正圆 plt.axes(aspect='equal') # plot方法对序列进行绘图 data1.plot(kind='pie', # 选择图形类型 autopct='%.1f%%', # 饼图中添加数值标签 radius=1, # 设置饼图的半径 startangle=180, # 设置饼图的初始角度 counterclock=False, # 将饼图的顺序设置为顺时针方向 title='失信用户的受教育水平分布', # 为饼图添加标题 wedgeprops={'linewidth': 1.5, 'edgecolor': 'green'}, # 设置饼图内外边界的属性值 textprops={'fontsize': 10, 'color': 'black'} # 设置文本标签的属性值 ) # 显示图形 plt.show()

垂直条形图

# %% # 条形图的绘制--垂直条形图 # 读入数据 GDP = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\Province GDP 2017.xlsx') # 设置绘图风格（不妨使用R语言中的ggplot2风格） plt.style.use('ggplot') # 绘制条形图 plt.bar(x=range(GDP.shape[0]), # 指定条形图x轴的刻度值 height=GDP.GDP, # 指定条形图y轴的数值 tick_label=GDP.Province, # 指定条形图x轴的刻度标签 color='steelblue', # 指定条形图的填充色 ) # 添加y轴的标签 plt.ylabel('GDP(万亿)') # 添加条形图的标题 plt.title('2017年度6个省份GDP分布') # 为每个条形图添加数值标签 for x, y in enumerate(GDP.GDP): plt.text(x, y + 0.1, '%s' % round(y, 1), ha='center') # 显示图形 plt.show()

水平条形图

# %% # 条形图的绘制--水平条形图 # 对读入的数据作升序排序 GDP.sort_values(by='GDP', inplace=True) # 绘制条形图 plt.barh(y=range(GDP.shape[0]), # 指定条形图y轴的刻度值 width=GDP.GDP, # 指定条形图x轴的数值 tick_label=GDP.Province, # 指定条形图y轴的刻度标签 color='steelblue', # 指定条形图的填充色 ) # 添加x轴的标签 plt.xlabel('GDP(万亿)') # 添加条形图的标题 plt.title('2017年度6个省份GDP分布') # 为每个条形图添加数值标签 for y, x in enumerate(GDP.GDP): plt.text(x + 0.1, y, '%s' % round(x, 1), va='center') # 显示图形 plt.show()

堆叠条形图

# %% # 条形图的绘制--堆叠条形图 # 读入数据 Industry_GDP = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\Industry_GDP.xlsx') # 取出四个不同的季度标签，用作堆叠条形图x轴的刻度标签 Quarters = Industry_GDP.Quarter.unique() # 取出第一产业的四季度值 Industry1 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第一产业'] # 重新设置行索引 Industry1.index = range(len(Quarters)) # 取出第二产业的四季度值 Industry2 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第二产业'] # 重新设置行索引 Industry2.index = range(len(Quarters)) # 取出第三产业的四季度值 Industry3 = Industry_GDP.GPD[Industry_GDP.Industry_Type == '第三产业'] # 绘制堆叠条形图 # 各季度下第一产业的条形图 plt.bar(x=range(len(Quarters)), height=Industry1, color='steelblue', label='第一产业', tick_label=Quarters) # 各季度下第二产业的条形图 plt.bar(x=range(len(Quarters)), height=Industry2, bottom=Industry1, color='green', label='第二产业') # 各季度下第三产业的条形图 plt.bar(x=range(len(Quarters)), height=Industry3, bottom=Industry1 + Industry2, color='red', label='第三产业') # 添加y轴标签 plt.ylabel('生成总值（亿）') # 添加图形标题 plt.title('2017年各季度三产业总值') # 显示各产业的图例 plt.legend() # 显示图形 plt.show()

水平交错条形图

# %% # 条形图的绘制--水平交错条形图 # 导入第三方模块 import numpy as np # 读入数据 HuRun = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第5章 Python数据处理工具--Pandas\HuRun.xlsx') # 取出城市名称 Cities = HuRun.City.unique() # 取出2016年各城市亿万资产家庭数 Counts2016 = HuRun.Counts[HuRun.Year == 2016] # 取出2017年各城市亿万资产家庭数 Counts2017 = HuRun.Counts[HuRun.Year == 2017] # 绘制水平交错条形图 bar_width = 0.4 plt.bar(x=np.arange(len(Cities)), height=Counts2016, label='2016', color='steelblue', width=bar_width) plt.bar(x=np.arange(len(Cities)) + bar_width, height=Counts2017, label='2017', color='indianred', width=bar_width) # 添加刻度标签（向右偏移0.225） plt.xticks(np.arange(5) + 0.2, Cities) # 添加y轴标签 plt.ylabel('亿万资产家庭数') # 添加图形标题 plt.title('近两年5个城市亿万资产家庭数比较') # 添加图例 plt.legend() # 显示图形 plt.show()

pandas模块之垂直或水平条形图

# %% # 绘图（此时的数据集在前文已经按各省GDP做过升序处理） GDP.GDP.plot(kind='bar', width=0.8, rot=0, color='steelblue', title='2017年度6个省份GDP分布') # 添加y轴标签 plt.ylabel('GDP（万亿）') # 添加x轴刻度标签 plt.xticks(range(len(GDP.Province)), # 指定刻度标签的位置 GDP.Province # 指出具体的刻度标签值 ) # 为每个条形图添加数值标签 for x, y in enumerate(GDP.GDP): plt.text(x - 0.1, y + 0.2, '%s' % round(y, 1), va='center') # 显示图形 plt.show()

pandas模块之水平交错条形图

# %% HuRun_reshape = HuRun.pivot_table(index='City', columns='Year', values='Counts').reset_index() # 对数据集降序排序 HuRun_reshape.sort_values(by=2016, ascending=False, inplace=True) HuRun_reshape.plot(x='City', y=[2016, 2017], kind='bar', color=['steelblue', 'indianred'], rot=0, # 用于旋转x轴刻度标签的角度，0表示水平显示刻度标签 width=0.8, title='近两年5个城市亿万资产家庭数比较') # 添加y轴标签 plt.ylabel('亿万资产家庭数') plt.xlabel('') plt.show()

seaborn模块之垂直或水平条形图

# %% # 导入第三方模块 import seaborn as sns sns.barplot(y='Province', # 指定条形图x轴的数据 x='GDP', # 指定条形图y轴的数据 data=GDP, # 指定需要绘图的数据集 color='steelblue', # 指定条形图的填充色 orient='horizontal' # 将条形图水平显示 ) # 重新设置x轴和y轴的标签 plt.xlabel('GDP（万亿）') plt.ylabel('') # 添加图形的标题 plt.title('2017年度6个省份GDP分布') # 为每个条形图添加数值标签 for y, x in enumerate(GDP.GDP): plt.text(x, y, '%s' % round(x, 1), va='center') # 显示图形 plt.show()

pandas模块之水平交错条形图

# %% import pandas as pd # 读入数据 Titanic = pd.read_csv( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\titanic_train.csv') # 绘制水平交错条形图 sns.barplot(x='Pclass', # 指定x轴数据 y='Age', # 指定y轴数据 hue='Sex', # 指定分组数据 data=Titanic, # 指定绘图数据集 palette='RdBu', # 指定男女性别的不同颜色 errcolor='blue', # 指定误差棒的颜色 errwidth=2, # 指定误差棒的线宽 saturation=1, # 指定颜色的透明度，这里设置为无透明度 capsize=0.05 # 指定误差棒两端线条的宽度 ) # 添加图形标题 plt.title('各船舱等级中男女乘客的年龄差异') # 显示图形 plt.show()

matplotlib模块之直方图

# %% # 检查年龄是否有缺失 any(Titanic.Age.isnull()) # 不妨删除含有缺失年龄的观察 Titanic.dropna(subset=['Age'], inplace=True) # 绘制直方图 plt.hist(x=Titanic.Age, # 指定绘图数据 bins=20, # 指定直方图中条块的个数 color='steelblue', # 指定直方图的填充色 edgecolor='black' # 指定直方图的边框色 ) # 添加x轴和y轴标签 plt.xlabel('年龄') plt.ylabel('频数') # 添加标题 plt.title('乘客年龄分布') # 显示图形 plt.show()

pandas模块之直方图和核密度图

# %% # 绘制直方图 Titanic.Age.plot(kind='hist', bins=20, color='steelblue', edgecolor='black', density=True, label='直方图') # 绘制核密度图 Titanic.Age.plot(kind='kde', color='red', label='核密度图') # 添加x轴和y轴标签 plt.xlabel('年龄') plt.ylabel('核密度值') # 添加标题 plt.title('乘客年龄分布') # 显示图例 plt.legend() # 显示图形 plt.show()

seaborn模块之分组的直方图和核密度图

# %% # 取出男性年龄 Age_Male = Titanic.Age[Titanic.Sex == 'male'] # 取出女性年龄 Age_Female = Titanic.Age[Titanic.Sex == 'female'] # 绘制男女乘客年龄的直方图 sns.distplot(Age_Male, bins=20, kde=False, hist_kws={'color': 'steelblue'}, label='男性') # 绘制女性年龄的直方图 sns.distplot(Age_Female, bins=20, kde=False, hist_kws={'color': 'purple'}, label='女性') plt.title('男女乘客的年龄直方图') # 显示图例 plt.legend() # 显示图形 plt.show() # 绘制男女乘客年龄的核密度图 sns.distplot(Age_Male, hist=False, kde_kws={'color': 'red', 'linestyle': '-'}, norm_hist=True, label='男性') # 绘制女性年龄的核密度图 sns.distplot(Age_Female, hist=False, kde_kws={'color': 'black', 'linestyle': '--'}, norm_hist=True, label='女性') plt.title('男女乘客的年龄核密度图') # 显示图例 plt.legend() # 显示图形 plt.show()

单个箱线图

# %% # 读取数据 Sec_Buildings = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\sec_buildings.xlsx') # 绘制箱线图 plt.boxplot(x=Sec_Buildings.price_unit, # 指定绘图数据 patch_artist=True, # 要求用自定义颜色填充盒形图，默认白色填充 showmeans=True, # 以点的形式显示均值 boxprops={'color': 'black', 'facecolor': 'steelblue'}, # 设置箱体属性，如边框色和填充色 # 设置异常点属性，如点的形状、填充色和点的大小 flierprops={'marker': 'o', 'markerfacecolor': 'red', 'markersize': 3}, # 设置均值点的属性，如点的形状、填充色和点的大小 meanprops={'marker': 'D', 'markerfacecolor': 'indianred', 'markersize': 4}, # 设置中位数线的属性，如线的类型和颜色 medianprops={'linestyle': '--', 'color': 'orange'}, labels=[''] # 删除x轴的刻度标签，否则图形显示刻度标签为1 ) # 添加图形标题 plt.title('二手房单价分布的箱线图') # 显示图形 plt.show()

分组箱线图

# %% # 二手房在各行政区域的平均单价 group_region = Sec_Buildings.groupby('region') avg_price = group_region.aggregate({'price_unit': np.mean}).sort_values('price_unit', ascending=False) # 通过循环，将不同行政区域的二手房存储到列表中 region_price = [] for region in avg_price.index: region_price.append(Sec_Buildings.price_unit[Sec_Buildings.region == region]) # 绘制分组箱线图 plt.boxplot(x=region_price, patch_artist=True, labels=avg_price.index, # 添加x轴的刻度标签 showmeans=True, boxprops={'color': 'black', 'facecolor': 'steelblue'}, flierprops={'marker': 'o', 'markerfacecolor': 'red', 'markersize': 3}, meanprops={'marker': 'D', 'markerfacecolor': 'indianred', 'markersize': 4}, medianprops={'linestyle': '--', 'color': 'orange'} ) # 添加y轴标签 plt.ylabel('单价（元）') # 添加标题 plt.title('不同行政区域的二手房单价对比') # 显示图形 plt.show() # %% # 绘制分组箱线图 sns.boxplot(x='region', y='price_unit', data=Sec_Buildings, order=avg_price.index, showmeans=True, color='steelblue', flierprops={'marker': 'o', 'markerfacecolor': 'red', 'markersize': 3}, meanprops={'marker': 'D', 'markerfacecolor': 'indianred', 'markersize': 4}, medianprops={'linestyle': '--', 'color': 'orange'} ) # 更改x轴和y轴标签 plt.xlabel('') plt.ylabel('单价（元）') # 添加标题 plt.title('不同行政区域的二手房单价对比') # 显示图形 plt.show()

小提琴图

# %% # 读取数据 tips = pd.read_csv(r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\tips.csv') # 绘制分组小提琴图 sns.violinplot(x="total_bill", # 指定x轴的数据 y="day", # 指定y轴的数据 hue="sex", # 指定分组变量 data=tips, # 指定绘图的数据集 order=['Thur', 'Fri', 'Sat', 'Sun'], # 指定x轴刻度标签的顺序 scale='count', # 以男女客户数调节小提琴图左右的宽度 split=True, # 将小提琴图从中间割裂开，形成不同的密度曲线； palette='RdBu' # 指定不同性别对应的颜色（因为hue参数为设置为性别变量） ) # 添加图形标题 plt.title('每天不同性别客户的消费额情况') # 设置图例 plt.legend(loc='upper center', ncol=2) # 显示图形 plt.show()

单条折线图

# %% # 数据读取 wechat = pd.read_excel(r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\wechat.xlsx') # 绘制单条折线图 plt.plot(wechat.Date, # x轴数据 wechat.Counts, # y轴数据 linestyle='-', # 折线类型 linewidth=2, # 折线宽度 color='steelblue', # 折线颜色 marker='o', # 折线图中添加圆点 markersize=6, # 点的大小 markeredgecolor='black', # 点的边框色 markerfacecolor='brown') # 点的填充色 # 添加y轴标签 plt.ylabel('人数') # 添加图形标题 plt.title('每天微信文章阅读人数趋势') # 显示图形 plt.show()

多条折线图

# %% # 导入模块，用于日期刻度的修改 import matplotlib as mpl # 绘制阅读人数折线图 plt.plot(wechat.Date, # x轴数据 wechat.Counts, # y轴数据 linestyle='-', # 折线类型，实心线 color='steelblue', # 折线颜色 label='阅读人数' ) # 绘制阅读人次折线图 plt.plot(wechat.Date, # x轴数据 wechat.Times, # y轴数据 linestyle='--', # 折线类型，虚线 color='indianred', # 折线颜色 label='阅读人次' ) # 获取图的坐标信息 ax = plt.gca() # 设置日期的显示格式 date_format = mpl.dates.DateFormatter("%m-%d") ax.xaxis.set_major_formatter(date_format) # 设置x轴显示多少个日期刻度 # xlocator = mpl.ticker.LinearLocator(10) # 设置x轴每个刻度的间隔天数 xlocator = mpl.ticker.MultipleLocator(7) ax.xaxis.set_major_locator(xlocator) # 为了避免x轴刻度标签的紧凑，将刻度标签旋转45度 plt.xticks(rotation=45) # 添加y轴标签 plt.ylabel('人数') # 添加图形标题 plt.title('每天微信文章阅读人数与人次趋势') # 添加图例 plt.legend() # 显示图形 plt.show() # %% # 读取天气数据 weather = pd.read_excel(r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\weather.xlsx') # 统计每月的平均最高气温 data = weather.pivot_table(index='month', columns='year', values='high') # 绘制折线图 data.plot(kind='line', style=['-', '--', ':'] # 设置折线图的线条类型 ) # 修改x轴和y轴标签 plt.xlabel('月份') plt.ylabel('气温') # 添加图形标题 plt.title('每月平均最高气温波动趋势') # 显示图形 plt.show()

pandas模块之单组散点图

# %% # 读入数据 iris = pd.read_csv(r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\iris.csv') # 绘制散点图 plt.scatter(x=iris.Petal_Width, # 指定散点图的x轴数据 y=iris.Petal_Length, # 指定散点图的y轴数据 color='steelblue' # 指定散点图中点的颜色 ) # 添加x轴和y轴标签 plt.xlabel('花瓣宽度') plt.ylabel('花瓣长度') # 添加标题 plt.title('鸢尾花的花瓣宽度与长度关系') # 显示图形 plt.show() # %% # 绘制散点图 iris.plot(x='Petal_Width', y='Petal_Length', kind='scatter', title='鸢尾花的花瓣宽度与长度关系') # 修改x轴和y轴标签 plt.xlabel('花瓣宽度') plt.ylabel('花瓣长度') # 显示图形 plt.show()

seaborn模块之分组散点图

# %% sns.lmplot(x='Petal_Width', # 指定x轴变量 y='Petal_Length', # 指定y轴变量 hue='Species', # 指定分组变量 data=iris, # 指定绘图数据集 legend_out=False, # 将图例呈现在图框内 truncate=True # 根据实际的数据范围，对拟合线作截断操作 ) # 修改x轴和y轴标签 plt.xlabel('花瓣宽度') plt.ylabel('花瓣长度') # 添加标题 plt.title('鸢尾花的花瓣宽度与长度关系') # 显示图形 plt.show()

气泡图

# %% # 读取数据 Prod_Category = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\SuperMarket.xlsx') # 将利润率标准化到[0,1]之间（因为利润率中有负数），然后加上微小的数值0.001 range_diff = Prod_Category.Profit_Ratio.max() - Prod_Category.Profit_Ratio.min() Prod_Category['std_ratio'] = (Prod_Category.Profit_Ratio - Prod_Category.Profit_Ratio.min()) / range_diff + 0.001 # 绘制办公用品的气泡图 plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '办公用品'], y=Prod_Category.Profit[Prod_Category.Category == '办公用品'], s=Prod_Category.std_ratio[Prod_Category.Category == '办公用品'] * 1000, color='steelblue', label='办公用品', alpha=0.6 ) # 绘制技术产品的气泡图 plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '技术产品'], y=Prod_Category.Profit[Prod_Category.Category == '技术产品'], s=Prod_Category.std_ratio[Prod_Category.Category == '技术产品'] * 1000, color='indianred', label='技术产品', alpha=0.6 ) # 绘制家具产品的气泡图 plt.scatter(x=Prod_Category.Sales[Prod_Category.Category == '家具产品'], y=Prod_Category.Profit[Prod_Category.Category == '家具产品'], s=Prod_Category.std_ratio[Prod_Category.Category == '家具产品'] * 1000, color='black', label='家具产品', alpha=0.6 ) # 添加x轴和y轴标签 plt.xlabel('销售额') plt.ylabel('利润') # 添加标题 plt.title('销售额、利润及利润率的气泡图') # 添加图例 plt.legend() # 显示图形 plt.show()

热力图

# %% # 读取数据 Sales = pd.read_excel(r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\Sales.xlsx') # 根据交易日期，衍生出年份和月份字段 Sales['year'] = Sales.Date.dt.year Sales['month'] = Sales.Date.dt.month # 统计每年各月份的销售总额 Summary = Sales.pivot_table(index='month', columns='year', values='Sales', aggfunc=np.sum) # 绘制热力图 sns.heatmap(data=Summary, # 指定绘图数据 cmap='PuBuGn', # 指定填充色 linewidths=.1, # 设置每个单元格边框的宽度 annot=True, # 显示数值 fmt='.1e' # 以科学计算法显示数据 ) # 添加标题 plt.title('每年各月份销售总额热力图') # 显示图形 plt.show() # %% # 读取数据 Prod_Trade = pd.read_excel( r'E:\PyCharmProject\venv\StataAnalysis_Files\从零开始学Python--数据分析与挖掘\第6章 Python数据可视化\Prod_Trade.xlsx') # 衍生出交易年份和月份字段 Prod_Trade['year'] = Prod_Trade.Date.dt.year Prod_Trade['month'] = Prod_Trade.Date.dt.month # 设置大图框的长和高 plt.figure(figsize=(12, 6)) # 设置第一个子图的布局 ax1 = plt.subplot2grid(shape=(2, 3), loc=(0, 0)) # 统计2012年各订单等级的数量 Class_Counts = Prod_Trade.Order_Class[Prod_Trade.year == 2012].value_counts() Class_Percent = Class_Counts / Class_Counts.sum() # 将饼图设置为圆形（否则有点像椭圆） ax1.set_aspect(aspect='equal') # 绘制订单等级饼图 ax1.pie(x=Class_Percent.values, labels=Class_Percent.index, autopct='%.1f%%') # 添加标题 ax1.set_title('各等级订单比例') # 设置第二个子图的布局 ax2 = plt.subplot2grid(shape=(2, 3), loc=(0, 1)) # 统计2012年每月销售额 Month_Sales = Prod_Trade[Prod_Trade.year == 2012].groupby(by='month').aggregate({'Sales': np.sum}) # 绘制销售额趋势图 Month_Sales.plot(title='2012年各月销售趋势', ax=ax2, legend=False) # 删除x轴标签 ax2.set_xlabel('') # 设置第三个子图的布局 ax3 = plt.subplot2grid(shape=(2, 3), loc=(0, 2), rowspan=2) # 绘制各运输方式的成本箱线图 sns.boxplot(x='Transport', y='Trans_Cost', data=Prod_Trade, ax=ax3) # 添加标题 ax3.set_title('各运输方式成本分布') # 删除x轴标签 ax3.set_xlabel('') # 修改y轴标签 ax3.set_ylabel('运输成本') # 设置第四个子图的布局 ax4 = plt.subplot2grid(shape=(2, 3), loc=(1, 0), colspan=2) # 2012年客单价分布直方图 sns.distplot(Prod_Trade.Sales[Prod_Trade.year == 2012], bins=40, norm_hist=True, ax=ax4, hist_kws={'color': 'steelblue'}, kde_kws=({'linestyle': '--', 'color': 'red'})) # 添加标题 ax4.set_title('2012年客单价分布图') # 修改x轴标签 ax4.set_xlabel('销售额') # 调整子图之间的水平间距和高度间距 plt.subplots_adjust(hspace=0.6, wspace=0.3) # 图形显示 plt.show()

词云分词

import jieba import wordcloud text = open(r'text.txt',encoding='utf-8').read() def split_words(text): cut_text = jieba.cut(text) string = ','.join(cut_text) stop_words = ['我们', '你们',] word_cloud = wordcloud.WordCloud( font_path=r'.\simhei.ttf', background_color='white', width=500, height=350, max_font_size=100, min_font_size=10, stopwords=stop_words, scale=15, ) word_cloud.generate(string) word_cloud.to_file(r'词云分词.png') split_words(text=text)