【AI Study】第四天，Pandas（5）- 数据可视化

文章概要

本文详细介绍 Pandas 的数据可视化功能，包括：

基础绘图
高级可视化
统计图表
实际应用示例

基础绘图

折线图

# 基本折线图
df.plot(x='日期', y='值')
df.plot.line(x='日期', y='值')# 多列折线图
df.plot(x='日期', y=['列1', '列2'])# 自定义样式
df.plot(x='日期', y='值',title='标题',xlabel='X轴标签',ylabel='Y轴标签',color='red',linestyle='--',marker='o')# 保存图表
plt.savefig('折线图.png')

柱状图

# 基本柱状图
df.plot.bar(x='类别', y='值')
df.plot.barh(x='类别', y='值')  # 水平柱状图# 堆叠柱状图
df.plot.bar(x='类别', y=['列1', '列2'], stacked=True)# 分组柱状图
df.plot.bar(x='类别', y=['列1', '列2'])# 自定义样式
df.plot.bar(x='类别', y='值',title='标题',color='skyblue',width=0.8,alpha=0.7)

散点图

# 基本散点图
df.plot.scatter(x='列1', y='列2')# 带颜色映射的散点图
df.plot.scatter(x='列1', y='列2', c='列3', cmap='viridis')# 带大小映射的散点图
df.plot.scatter(x='列1', y='列2', s='列3')# 自定义样式
df.plot.scatter(x='列1', y='列2',title='标题',color='red',marker='*',s=100)

饼图

# 基本饼图
df.plot.pie(y='值', labels=df['类别'])# 环形图
df.plot.pie(y='值', labels=df['类别'], hole=0.5)# 自定义样式
df.plot.pie(y='值',labels=df['类别'],title='标题',autopct='%1.1f%%',colors=['red', 'blue', 'green'])

高级可视化

多子图

# 创建子图
fig, axes = plt.subplots(2, 2, figsize=(12, 8))# 在子图中绘图
df.plot.line(x='日期', y='列1', ax=axes[0, 0])
df.plot.bar(x='类别', y='列2', ax=axes[0, 1])
df.plot.scatter(x='列1', y='列2', ax=axes[1, 0])
df.plot.pie(y='值', labels=df['类别'], ax=axes[1, 1])# 调整布局
plt.tight_layout()

自定义样式

# 设置全局样式
plt.style.use('seaborn')# 自定义颜色
colors = ['#FF9999', '#66B2FF', '#99FF99', '#FFCC99']# 自定义字体
plt.rcParams['font.family'] = 'SimHei'
plt.rcParams['font.size'] = 12# 自定义网格
plt.grid(True, linestyle='--', alpha=0.7)# 自定义图例
plt.legend(loc='upper right', frameon=True, fancybox=True, shadow=True)

交互式图表

# 使用 plotly 创建交互式图表
import plotly.express as px
import plotly.graph_objects as go# 折线图
fig = px.line(df, x='日期', y='值', title='交互式折线图')
fig.show()# 散点图
fig = px.scatter(df, x='列1', y='列2', color='列3', title='交互式散点图')
fig.show()# 保存为 HTML
fig.write_html('交互式图表.html')

统计图表

箱线图

# 基本箱线图
df.plot.box(y='值')# 多列箱线图
df.plot.box(y=['列1', '列2'])# 分组箱线图
df.boxplot(column='值', by='类别')# 自定义样式
df.plot.box(y='值',title='标题',color='skyblue',vert=False)  # 水平箱线图

直方图

# 基本直方图
df.plot.hist(y='值')# 多列直方图
df.plot.hist(y=['列1', '列2'])# 自定义样式
df.plot.hist(y='值',bins=20,title='标题',color='skyblue',alpha=0.7)

密度图

# 基本密度图
df.plot.kde(y='值')# 多列密度图
df.plot.kde(y=['列1', '列2'])# 自定义样式
df.plot.kde(y='值',title='标题',color='red',linestyle='--')

热力图

# 基本热力图
import seaborn as sns
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')# 自定义样式
sns.heatmap(df.corr(),annot=True,cmap='coolwarm',center=0,fmt='.2f',square=True)

实际应用示例

示例1：股票数据分析可视化

# 创建示例数据
dates = pd.date_range('2023-01-01', periods=100)
stock_data = pd.DataFrame({'收盘价': np.random.randn(100).cumsum() + 100,'成交量': np.random.randint(1000, 10000, 100),'MA5': None,'MA20': None
}, index=dates)# 计算移动平均
stock_data['MA5'] = stock_data['收盘价'].rolling(window=5).mean()
stock_data['MA20'] = stock_data['收盘价'].rolling(window=20).mean()# 创建子图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8), height_ratios=[2, 1])# 绘制K线图
stock_data['收盘价'].plot(ax=ax1, label='收盘价')
stock_data['MA5'].plot(ax=ax1, label='MA5')
stock_data['MA20'].plot(ax=ax1, label='MA20')# 绘制成交量图
stock_data['成交量'].plot(ax=ax2, kind='bar', color='skyblue', alpha=0.7)# 设置标题和标签
ax1.set_title('股票价格走势')
ax1.set_ylabel('价格')
ax1.legend()
ax2.set_title('成交量')
ax2.set_ylabel('成交量')# 调整布局
plt.tight_layout()
plt.show()

示例2：销售数据分析可视化

# 创建示例数据
dates = pd.date_range('2023-01-01', periods=365)
sales_data = pd.DataFrame({'销售额': np.random.randn(365).cumsum() + 1000,'订单数': np.random.randint(10, 100, 365),'客单价': None
}, index=dates)# 计算客单价
sales_data['客单价'] = sales_data['销售额'] / sales_data['订单数']# 创建子图
fig, (ax1, ax2, ax3) = plt.subplots(3, 1, figsize=(12, 12))# 绘制销售额趋势
sales_data['销售额'].plot(ax=ax1, color='blue')
ax1.set_title('销售额趋势')
ax1.set_ylabel('销售额')# 绘制订单数分布
sales_data['订单数'].plot.hist(ax=ax2, bins=30, color='green', alpha=0.7)
ax2.set_title('订单数分布')
ax2.set_xlabel('订单数')
ax2.set_ylabel('频次')# 绘制客单价箱线图
sales_data.boxplot(column='客单价', ax=ax3)
ax3.set_title('客单价分布')
ax3.set_ylabel('客单价')# 调整布局
plt.tight_layout()
plt.show()