正文

解锁Pandas数据可视化的秘密：20个实战案例教你轻松看懂复杂数据

/0 浏览量
1230

引言

数据可视化是数据分析中不可或缺的一环，它可以帮助我们更直观地理解数据背后的故事。Pandas作为Python数据分析的利器，其强大的数据可视化功能让复杂的数据变得易于理解。本文将带你通过20个实战案例，深入了解Pandas数据可视化的秘密。

实战案例一：基础折线图

import pandas as pd
import matplotlib.pyplot as plt

# 创建数据
data = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Value': [10, 20, 15, 30, 25, 40]}
df = pd.DataFrame(data)

# 绘制折线图
df.plot(x='Date', y='Value', kind='line')
plt.show()

实战案例二：散点图

# 继续使用上面的数据
df.plot(x='Value', y='Date', kind='scatter')
plt.show()

实战案例三：柱状图

# 继续使用上面的数据
df.plot(x='Date', y='Value', kind='bar')
plt.show()

实战案例四：分组柱状图

# 创建新数据
data2 = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Group': ['A', 'A', 'B', 'B', 'B', 'A'], 'Value': [10, 20, 15, 30, 25, 40]}
df2 = pd.DataFrame(data2)

# 分组绘制柱状图
df2.groupby('Group')['Value'].plot(kind='bar')
plt.show()

实战案例五：箱线图

# 创建新数据
data3 = {'Value': [10, 20, 15, 30, 25, 40, 35, 28, 22, 33]}
df3 = pd.DataFrame(data3)

# 绘制箱线图
df3.plot(kind='box')
plt.show()

实战案例六：小提琴图

# 继续使用上面的数据
df3.plot(kind='violin')
plt.show()

实战案例七：密度图

# 继续使用上面的数据
df3.plot(kind='density')
plt.show()

实战案例八：堆叠柱状图

# 创建新数据
data4 = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Category': ['A', 'A', 'B', 'B', 'B', 'A'], 'Value': [10, 20, 15, 30, 25, 40]}
df4 = pd.DataFrame(data4)

# 堆叠柱状图
df4.groupby('Category')['Value'].plot(kind='bar', stacked=True)
plt.show()

实战案例九：热力图

# 创建新数据
data5 = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Category': ['A', 'B', 'C', 'D', 'E', 'F'], 'Value': [10, 20, 15, 30, 25, 40]}
df5 = pd.DataFrame(data5)

# 热力图
df5.pivot_table(index='Date', columns='Category', values='Value').plot(kind='heatmap')
plt.show()

实战案例十：面积图

# 继续使用上面的数据
df.plot(x='Date', y='Value', kind='area')
plt.show()

实战案例十一：堆叠面积图

# 创建新数据
data6 = {'Date': pd.date_range(start='1/1/2020', periods=6), 'Category': ['A', 'A', 'B', 'B', 'B', 'A'], 'Value': [10, 20, 15, 30, 25, 40]}
df6 = pd.DataFrame(data6)

# 堆叠面积图
df6.groupby('Category')['Value'].plot(kind='area', stacked=True)
plt.show()

实战案例十二：KDE图

# 继续使用上面的数据
df6.plot(kind='kde')
plt.show()

实战案例十三：直方图

# 继续使用上面的数据
df6.hist()
plt.show()

实战案例十四：密度图与直方图

# 继续使用上面的数据
df6.hist(bins=15, density=True)
plt.show()

实战案例十五：密度图与直方图（2D）

# 创建新数据
data7 = {'Value1': [10, 20, 15, 30, 25, 40], 'Value2': [20, 30, 25, 40, 35, 30]}
df7 = pd.DataFrame(data7)

# 2D密度图与直方图
df7.plot(kind='hexbin')
plt.show()

实战案例十六：箱线图与直方图

# 创建新数据
data8 = {'Value': [10, 20, 15, 30, 25, 40, 35, 28, 22, 33]}
df8 = pd.DataFrame(data8)

# 箱线图与直方图
df8.boxplot()
plt.show()

实战案例十七：箱线图与直方图（2D）

# 继续使用上面的数据
df8.hist(bins=15, layout=(2, 1))
plt.show()

实战案例十八：箱线图与直方图（3D）

# 创建新数据
data9 = {'Value1': [10, 20, 15, 30, 25, 40], 'Value2': [20, 30, 25, 40, 35, 30]}
df9 = pd.DataFrame(data9)

# 3D箱线图与直方图
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.boxplot(df9.values)
plt.show()

实战案例十九：散点图与直方图

# 继续使用上面的数据
fig, ax = plt.subplots()
ax.scatter(df9['Value1'], df9['Value2'])
ax.hist(df9['Value1'], bins=15, alpha=0.5)
ax.hist(df9['Value2'], bins=15, alpha=0.5)
plt.show()

实战案例二十：散点图与直方图（2D）

# 继续使用上面的数据
fig, ax = plt.subplots()
ax.hexbin(df9['Value1'], df9['Value2'], gridsize=15)
plt.show()

总结

通过以上20个实战案例，相信你已经掌握了Pandas数据可视化的基本技巧。在实际应用中，你可以根据具体需求选择合适的可视化方法，让复杂的数据变得易于理解和分析。

-- 展开阅读全文 --