python数据可视化入门

–常见的四种数据图形绘制
数据可视化在数据分析和数据科学中起着重要的作用。它可以帮助我们更直观地理解和解释数据，发现数据中的模式、趋势和异常。

在数据可视化中，常用的图表类型包括折线图、散点图、直方图和饼图，每种图表类型都适用于不同类型的数据和目的。

折线图：用于显示随时间或其他连续变量而变化的数据，可以展示趋势和变化情况。

散点图：用于显示两个变量之间的关系，每个数据点代表一个观测值，可以帮助发现变量之间的相关性或集群。

直方图：用于显示数据的分布情况，将数据分成若干个区间，并统计每个区间内的观测数量或频率。

饼图：用于显示分类数据的占比情况，将数据按照类别划分，并展示每个类别的相对比例。

除了以上常用的图表类型，还有其他更复杂的图表类型和可视化技术，如箱线图、热力图、地图等，可以根据具体的数据和分析目的选择合适的图表类型。

在Python中，使用Matplotlib、Seaborn、Plotly等库可以轻松地进行数据可视化。这些库提供了丰富的函数和方法，可以进行数据处理、图表绘制、样式设置等操作，帮助我们快速生成高质量的图表。

通过数据可视化，我们可以更好地理解数据，发现数据中的规律和趋势，从而支持决策制定、问题解决和进一步的数据分析工作。

这里我就先介绍最基础的四个数据图的创建方法，按折线图、散点图、直方图和饼图的先后顺序，我直接把讲解以注释的形式打在代码旁边就不多写旁白了
折线图

import matplotlib.pyplot as plt
’‘’每次绘图基本上都会用到matplotlib这个模块，import 表示引用，as 的意思就是因为每次都写这个字母太长了，直接用一个plt代替‘’‘
squares=[1,4,9,16,25]#我们的y轴
x=[1,2,3,4,5]#我们的x轴
plt.style.use('seaborn')#这里其实可有可无，这个用来选择
plt.plot(x,squares,linewidth=5)#这个就是创建图像，括号里面的是先x轴，y轴还有我创建的线的大小
plt.title('square nunber',fontsize=24)#这里英文叫title中文的意思，用来设置标题的
plt.xlabel('value',fontsize=14)#设置x轴名称和字体大小
plt.ylabel('square of value',fontsize=14)#设置y轴的名称和字体大小
plt.tick_params(axis='both',labelsize=12)#设置刻度样式，指定的实参将影响x y轴的刻度（axis=both），labelsize是设置字号
plt.show()#让图像显示出来

这段代码同样使用了Matplotlib库来创建一个折线图。

代码中首先定义了两个列表x和squares，分别表示横坐标和纵坐标的数据。

接着，使用plt.style.use(‘seaborn’)选择了一个风格为’seaborn’的样式。

然后，使用plt.plot()函数绘制折线图，传入x和squares作为数据点的横坐标和纵坐标。linewidth参数设置折线的宽度。

接下来，使用plt.title()、plt.xlabel()和plt.ylabel()函数设置图表的标题、x轴和y轴的名称，并指定字体大小。

使用plt.tick_params()函数设置刻度样式，其中axis='both’表示同时设置x轴和y轴的刻度样式，labelsize=12指定刻度标签的字号为12。

最后，使用plt.show()显示图表。

整体而言，这段代码通过Matplotlib库创建了一个折线图，展示了x和squares两个列表的数据关系。图表具有标题、轴标签和刻度样式等，使得数据更加易于理解和解读。

散点图

import matplotlib.pyplot as plt
squares=[1,4,9,16,25]
x=[1,2,3,4,5]
plt.scatter(x,squares,linewidth=5)
plt.title('square nunber',fontsize=24)
plt.xlabel('value',fontsze=14)#设置x轴名称和字体大小
plt.ylabel('square of value',fontsize=14)#设置y轴的名称和字体大小
plt.tick_params(axis='both',labelsize=12)#设置刻度样式，指定的实参将影响x y轴的刻度（axis=both），labelsize是设置字号
plt.show()

这段代码使用了Matplotlib库来创建一个散点图。

首先，定义了两个列表x和squares，分别表示横坐标和纵坐标的数据。

接着，使用plt.scatter()函数绘制散点图，传入x和squares作为数据点的横坐标和纵坐标。linewidth参数设置散点的边界宽度。

然后，使用plt.title()函数设置图表的标题为"square number"，并指定字体大小为24。

接下来，使用plt.xlabel()和plt.ylabel()函数设置x轴和y轴的名称，同时指定字体大小为14。

使用plt.tick_params()函数设置刻度样式，其中axis='both’表示同时设置x轴和y轴的刻度样式，labelsize=12指定刻度标签的字号为12。

最后，使用plt.show()显示图表。

整体而言，这段代码通过python库创建了一个散点图，展示了x和squares两个列表的数据关系。图表具有标题、轴标签和刻度样式等，使得数据更加易于理解和解读。

柱状图

import numpy as np#这个也是数据分析常用的库之一，里面有很多有用的函数，比如下面就用到
import matplotlib.pyplot as plt
a=np.random.random(5)#这里我随机生成五个浮点数
x=np.arange(5)#生成0、1、2、3、4
plt.bar(x,a,width=0.5
plt.show()

在这段代码中，我们首先引入了NumPy库，并使用np.random.random(5)生成了一个包含五个随机浮点数的数组。然后，使用np.arange(5)生成了一个包含0到4的整数数组作为条形图的x坐标。

接着，我们使用plt.bar()函数创建了一个简单的条形图，传入x坐标、高度数据a以及条形的宽度。最后使用plt.show()显示了生成的条形图。

饼图

import matplotlib.pyplot as plt
labels ='wed','网站','django','Django'
sizes =[143,125,3,28]
explode =[0.2,0,0,0]     
plt.pie(x=sizes,labels=labels,explode=explode,autopct='%3.1f %%',
shadow=True,labeldistance=1.1,startangle=90,pctdistance=0.6)
‘’‘括号里面比较复杂，但是我们现在只需要关注几个点就可以了，第一个是sizes，他是我们的数据，label是不同的名称，explore是饼与其他饼的距离，如果是0就贴在一起，数字表示分离的距离‘’‘
plt.show()

代码中定义了四个变量：labels表示每个扇区的标签，sizes表示每个扇区的大小，explode表示每个扇区与其他扇区之间的距离，autopct表示显示百分比的格式。

使用plt.pie()函数创建了饼图，其中传入了sizes、labels、explode等参数。x=sizes表示使用sizes作为数据源，labels=labels表示使用labels作为标签，explode=explode表示扇区之间的距离，autopct='%3.1f %%'表示显示百分比，并设置了显示格式，shadow=True表示显示阴影效果，labeldistance=1.1表示标签的位置离圆心的距离，startangle=90表示起始角度为90度，pctdistance=0.6表示百分比标签的位置离圆心的距离。

最后使用plt.show()显示了生成的饼图。

参考文献
jupyterLab绘制：柱状图，饼状图，直方图，散点图，折线图–weixin_30535565