原创 IT小本本 IT小本本 2025年04月15日 18:31 北京
本文将使用 Matplotlib 及 Seaborn 进行数据可视化。探索如何清理数据、计算月度用水量并生成有价值的统计图表，以便更好地理解居民的用水情况。
数据处理与清理
读取 Excel 文件
首先，我们使用 pandas 读取 Excel 文件，以获取居民每日用水数据：
excel_file = '居民用水统计.xlsx'
water_usage_df = pd.read_excel(excel_file)
居民用水统计.xlsx：
为了确保日期数据正确解析，我们转换 日期 列为日期格式，并处理异常值：
water_usage_df['日期'] = pd.to_datetime(water_usage_df['日期'], errors='coerce')
如果有无效日期，系统会标记为 NaT (Not a Time)，并进行检查：
if water_usage_df['日期'].isnull().any():print("发现无效日期，已将其处理为 NaT。请检查数据。")print(water_usage_df[water_usage_df['日期'].isnull()])
这样，我们就能确保数据的完整性，为后续分析做好准备。
计算居民每月用水量
为了分析不同月份的用水情况，我们按照月份对数据进行分组，并计算每月的总用水量：
monthly_usage_df = water_usage_df.groupby(pd.to_datetime(water_usage_df['日期']).dt.to_period('M')).sum(numeric_only=True)
monthly_usage_df = monthly_usage_df.reset_index()
monthly_usage_df['月份'] = monthly_usage_df['日期'].dt.strftime('%Y-%m')
monthly_usage_df = monthly_usage_df.drop(columns=['日期'])
最终，我们可以打印月度汇总数据：
print("\n每月居民用水量:\n", monthly_usage_df)
此外，我们可以使用 describe() 生成数据的基本统计信息，如均值、中位数等：
summary_stats = monthly_usage_df.describe()
print("\n统计分析:\n", summary_stats)
这些统计数据能够帮助我们发现居民的用水趋势，例如是否有用水高峰期或异常用水情况。
数据可视化
设置 Matplotlib 字体
由于数据中包含中文，需要在 Matplotlib 里指定字体：
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体
plt.rcParams['axes.unicode_minus'] = False # 处理负号显示
每月用水量柱状图
为了更直观地展示用水情况，我们绘制柱状图：
plt.figure(figsize=(12, 6))
monthly_usage_df.set_index('月份').plot(kind='bar', figsize=(12, 6), alpha=0.7)
plt.title('居民每月总用水量 (2023年)')
plt.xlabel('月份')
plt.ylabel('总用水量 (升)')
plt.xticks(rotation=45)
plt.legend(title='居民')
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('每月用水统计图.png')
plt.show()
这张图能够帮助我们快速识别哪几个月的用水量最高或最低，为城市管理者提供参考。
用水量分布图
除了柱状图，我们还可以使用 Seaborn 绘制每日用水量的分布情况：
plt.figure(figsize=(12, 6))
sns.boxplot(data=water_usage_df.iloc[:, 1:]) # 提取居民用水数据
plt.title('居民每日用水量分布图')
plt.xlabel('居民')
plt.ylabel('用水量 (升)')
plt.xticks(rotation=45)
plt.grid(axis='y')
plt.tight_layout()
plt.savefig('居民每日用水量分布图.png')
plt.show()
箱型图可以帮助我们发现不同居民用水习惯的变化，并检测是否存在异常值。
🔮 源码获取
