资讯专栏INFORMATION COLUMN

python数据统计分析制图大数据可视化

89542767 / 414人阅读

  此篇文章主要是详细介绍了python数据统计分析制图大数据可视化,大数据可视化致力于形象化展现数据的分析数据和设计构思,令一些抽象化数据信息形象化,这种抽象化数据包括数据信息测量单位的特性或总数。


  序言:


  数据统计分析初级阶段,一般都会进行大数据可视化解决。大数据可视化致力于形象化展现数据的分析数据和设计构思,令一些抽象化数据信息形象化,这种抽象化数据包括数据信息测量单位的特性或总数。此章使用的程序库matplotlib是是建立在Numpy之上的1个Python相册,它提供一个面向对象API和循序渐进的式类MATLABAPI,他们能够并行处理应用。


  1、


  import numpy as np
  import matplotlib.pyplot as plt
  scores=np.random.randint(0,100,50)
  plt.hist(scores,bins=8,histtype=‘stepfilled')
  plt.title(‘37')
  plt.show()

01.png

  2、


  x=np.arange(6)
  y1=np.array([1,4,3,5,6,7])
  y2=np.array([3,4,3,5,6,7])
  y3=np.array([2,4,3,5,6,7])
  plt.stackplot(x,y1,y2,y3)
  plt.title(‘37')
  plt.show()

02.png

  3、


  random_state=np.random.RandomState(1231241)
  random_x=random_state.randn(10000)
  plt.hist(random_x,bins=25)
  plt.title(‘37')
  plt.show()

03.png

  4、


  data=np.array([10,30,15,30,15])
  pie_labels=np.array([‘A',‘B',‘C',‘D',‘E'])
  plt.pie(data,radius=1.5,labels=pie_labels,autopct='%3.1f%%')
  plt.title(‘37')
  plt.show()

 

04.png

    5、


  import matplotlib as mpl
  mpl.rcParams[‘font.sans-serif']=[‘SimHei']
  mpl.rcParams[‘axes.unicode_minus']=False
  kinds=[‘购物',‘礼尚往来',‘餐饮美食',‘通信',‘生活日用',‘交通出行',‘休闲娱乐',‘其他']
  money_scale=[500/1500,123/1500,400/1500,234/1500,300/1500,200/1500,100/1500,150/1500]
  dev_position=[0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1]
  plt.pie(money_scale,labels=kinds,autopct='%3.1f%%',shadow=True,
  explode=dev_position,startangle=90)
  plt.title(‘37')
  plt.show()

05.png

  6、


  num=50
  x=np.random.rand(num)
  y=np.random.rand(num)
  plt.scatter(x,y)
  plt.title(‘37')
  plt.show()

06.png

  7、


  num=50
  x=np.random.rand(num)
  y=np.random.rand(num)
  area=(800*np.random.rand(num)**2)
  plt.scatter(x,y,s=area)
  plt.title(‘37')
  plt.show()

07.png

  8、


  plt.rcParams[‘font.sans-serif']=‘SimHei'
  plt.rcParams[‘axes.unicode_minus']=False
  x_speed=np.arange(10,210,10)
  y_distance=np.array([0.3,0.5,1,3,5,5.5,7,8,9,12,14,15.5,17.8,19,20,23,27,30,31,32])
  plt.scatter(x_speed,y_distance,s=50,alpha=0.9)
  plt.title(‘37')
  plt.show()
  plt.rcParams[‘font.family']=‘SimHei'
  plt.rcParams[‘axes.unicode_minus']=False
  data_2018=np.array([4500,6654.5,5283.4,5107.8,5443.3,5550.6,6400.2,6404.9,5483.1,5330.2,5543,6199.9])
  data_2017=np.array([4605.2,4710.3,5168.9,4767.2,4947,5203,6047.4,5945.5,5219.6,5038.1,5196.3,5698.6])
  plt.boxplot([data_2018,data_2017],labels=(‘2018年',‘2017年'),meanline=True,widths=0.5,vert=False,patch_artist=True)
  plt.title(‘37')
  plt.show()

09.png

  10、


  plt.rcParams[‘font.family']=‘SimHei'
  plt.rcParams[‘axes.unicode_minus']=False
  dim_num=6
  data=np.array([[0.50,0.32,0.35,0.30,0.30,0.88],
  [0.45,0.35,0.30,0.40,0.40,0.30],
  [0.43,0.99,0.30,0.28,0.22,0.30],
  [0.30,0.25,0.48,0.95,0.45,0.40],
  [0.20,0.38,0.87,0.45,0.32,0.28],
  [0.34,0.31,0.38,0.40,0.92,0.28]])
  angles=np.linspace(0,2*np.pi,dim_num,endpoint=False)
  angles=np.concatenate((angles,[angles[0]]))
  data=np.concatenate((data,[data[0]]))
  radar_labels=[‘研究型(I)',‘艺术型(A)',‘社会型(S)',‘企业型(E)',‘传统型©',‘现实型®']
  radar_labels=np.concatenate((radar_labels,[radar_labels[0]]))
  plt.polar(angles,data)
  plt.thetagrids(angles*180/np.pi,labels=radar_labels)
  plt.fill(angles,data,alpha=0.25)
  plt.title(‘37')
  plt.show()

10.png

  11、


  data=np.array([20,50,10,15,30,55])
  pie_labels=np.array([‘A',‘B',‘C',‘D',‘E',‘F'])
  plt.pie(data,radius=1.5,wedgeprops={‘width':0.7},labels=pie_labels,autopct='%3.1f%%',pctdistance=0.75)
  plt.title(‘37')
  plt.show()

11.png

  12、


  x=np.arange(1,13)
  y_a=np.array([191,123,234,42,123,432,567,234,231,132,123,134])
  y_b=np.array([123,143,234,242,523,232,467,334,131,332,234,345])
  y_c=np.array([91,123,534,432,223,332,367,434,111,322,345,560])
  plt.stackplot(x,y_a,y_b,y_c)
  plt.title(‘37')
  plt.show()

12.png

  综上所述,这篇文章就给大家介绍到这里了,希望可以给大家带来帮助。

文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/128701.html

相关文章

  • [原]深入对比数据科学工具箱:Python和R之争[2016版]

    摘要:概述在真实的数据科学世界里,我们会有两个极端,一个是业务,一个是工程。偏向业务的数据科学被称为数据分析,也就是型数据科学。所以说,同时学会和这两把刷子才是数据科学的王道。 showImg(https://segmentfault.com/img/bVAgki?w=980&h=596); 概述 在真实的数据科学世界里,我们会有两个极端,一个是业务,一个是工程。偏向业务的数据科学被称为数据...

    whidy 评论0 收藏0
  • Python学数学相关教程、开源包推荐与下载

    摘要:在上篇文章里,为大家推荐了一些数学学习的软件和微积分线性代数概率统计的学习视频,今天再推荐一些精心挑选的经典教材,并为大家提供电子书的下载链接,和视频搭配起来一起学习,效果会更好。我们要使用的以及等都包含在里面,无需额外下载。 在上篇文章里,为大家推荐了一些数学学习的软件和微积分、线性代数、概率统计的学习视频,今天再推荐一些精心挑选的经典教材,并为大家提供电子书的下载链接,和视频搭配起...

    wapeyang 评论0 收藏0
  • ArcGIS水文分析实战教程(10)河流平均比降计算

    摘要:水文分析实战教程河流平均比降计算本章导读河流比降指的是河流任意两端点间的高程差与两点间的水平距离之比值,简单的概括为单位河长内的落差,其单位一般都是。读者可以参考水文分析实战教程河流提取与河网分级的做法去提取。 ArcGIS水文分析实战教程(10)河流平均比降计算 本章导读:河流比降指的是河流任意两端点间的高程差与两点间的水平距离之比值,简单的概括为单位河长内的落差,其单位一般都是‰ ...

    zhangrxiang 评论0 收藏0
  • Python工具分析风险数据

    摘要:小安分析的数据主要是用户使用代理访问日志记录信息,要分析的原始数据以的形式存储。下面小安带小伙伴们一起来管窥管窥这些数据。在此小安一定一定要告诉你,小安每次做数据分析时必定使用的方法方法。 随着网络安全信息数据大规模的增长,应用数据分析技术进行网络安全分析成为业界研究热点,小安在这次小讲堂中带大家用Python工具对风险数据作简单分析,主要是分析蜜罐日志数据,来看看一般大家都使用代理i...

    Berwin 评论0 收藏0
  • Python数据视化控制模块altair的应用详细说明

      Altair被称作是统计分析大数据可视化库,因为他能通过筛选、数据变换、数据交换、图型复合型等。这篇文章跟大家聊一聊Python之中的altair大数据可视化控制模块,同时通过读取该控制模块来制作某些比较常见的数据图表,有兴趣的话可以认识一下。  接下来小编来跟大伙儿聊一聊Python之中的altair大数据可视化控制模块,同时通过读取该控制模块来制作某些比较常见的数据图表,依靠Altair,...

    89542767 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<