通过Python绘制不同数据类型适合的可视化图表

news2024/11/15 23:23:18

在数据可视化中，对于描述数值变量与数值变量之间的关系常见的有散点图和热力图，以及描述数值变量与分类变量之间的关系常见的有条形图，饼图和折线图，可以通过使用Python的matplotlib和seaborn库来绘制图表进行可视化表达，接下来分别对这些类型进行举例演示。

一：数值变量与数值变量

1：散点图 (Scatter Plot) - 展示两个数值变量之间的关系

使用Python的Matplotlib库来绘制这个散点图。首先，我会生成一些模拟数据来代表身高和体重，然后使用Matplotlib绘制散点图。

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(0)
height = np.random.normal(170, 10, 100)  # 身高数据，平均身高170cm，标准差10cm
weight = np.random.normal(70, 15, 100)   # 体重数据，平均体重70kg，标准差15kg

# 绘制散点图
plt.figure(figsize=(10, 6))
plt.scatter(height, weight, color='blue', alpha=0.5)
plt.title('身高与体重的关系')
plt.xlabel('身高 (cm)')
plt.ylabel('体重 (kg)')
plt.grid(True)
plt.show()

结果如下：

这是一个简单的散点图示例，展示了身高和体重之间的关系。在这个图中，每个点代表一个数据点，其横坐标表示身高，纵坐标表示体重。通过这个图表，我们可以初步观察身高和体重之间的分布模式。

2：热力图 (Heatmap) - 展示两个数值变量的联合分布

要绘制一个热力图，我们需要以下信息：

数据集：热力图通常用于展示二维数据集，其中每个数据点都有一个值，这个值将被映射到颜色上。
颜色映射：确定如何将数据值映射到不同的颜色。
标题和标签：为图表设定一个清晰的标题，以及X轴和Y轴的标签，以便于理解。

基于以上几点，我将创建一个简单的热力图示例。假设我们有一个简单的二维数据集，我们想要通过热力图来展示这个数据集的值分布。

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(0)
data = np.random.rand(10, 10)  # 10x10的二维数据集

# 绘制热力图
plt.figure(figsize=(8, 6))
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar(label='值')
plt.title('热力图示例')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

结果如下：

这是一个简单的热力图示例，展示了10x10二维数据集的值分布。在这个图中，每个方格代表数据集中的一个数据点，其颜色深浅表示该数据点的值大小。颜色越深，值越大；颜色越浅，值越小。

二：类别变量与数值变量

1：堆叠条形图 (Stacked Bar Chart) - 展示多个类别变量的数值分布

堆叠条形图是一种特殊的条形图，其中每个条形代表多个数据系列的总和，每个系列以不同的颜色堆叠在一起。要绘制一个堆叠条形图，我们需要以下信息：

数据集：包含多个数据系列的二维数据集，其中每个系列都有一个或多个数据点。
类别标签：用于X轴的标签，表示每个条形代表的类别。
系列标签：用于图例，表示每个数据系列的名称。

基于以上几点，我将创建一个简单的堆叠条形图示例。假设我们有一个关于不同产品的销售数据，包括三个季度的销售额。

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(0)
products = ['产品A', '产品B', '产品C', '产品D']
q1_sales = np.random.randint(50, 100, len(products))
q2_sales = np.random.randint(50, 100, len(products))
q3_sales = np.random.randint(50, 100, len(products))

# 计算堆叠的底部位置
bar_width = 0.25
index = np.arange(len(products))

# 绘制堆叠条形图
plt.figure(figsize=(10, 6))
plt.bar(index, q1_sales, bar_width, label='Q1')
plt.bar(index, q2_sales, bar_width, bottom=q1_sales, label='Q2')
plt.bar(index, q3_sales, bar_width, bottom=q1_sales+q2_sales, label='Q3')

# 设置图表标题和标签
plt.title('产品季度销售数据堆叠条形图')
plt.xlabel('产品')
plt.ylabel('销售额')
plt.xticks(index, products)
plt.legend()

plt.show()

结果如下：

这是一个简单的堆叠条形图示例，展示了不同产品在三个季度的销售额。在这个图中，每个产品对应一个条形，每个条形的不同颜色部分代表不同季度的销售额。通过这个图表，我们可以直观地比较不同产品在不同季度的销售情况。

2：饼图 (Pie Chart) - 展示一个或多个类别变量的分布

要绘制一个饼图，我们需要以下信息：

数据集：一个包含各个部分数值的数据集。
标签：每个部分对应的标签，用于在饼图上标记。
颜色：可选，为每个部分指定颜色。

基于以上几点，我将创建一个简单的饼图示例。假设我们有一个关于不同水果销售量的数据集，我们想要通过饼图来展示每种水果的销售比例。

import matplotlib.pyplot as plt

# 生成模拟数据
fruits = ['苹果', '香蕉', '橙子', '葡萄', '草莓']
sales = [30, 25, 20, 15, 10]

# 绘制饼图
plt.figure(figsize=(8, 6))
plt.pie(sales, labels=fruits, autopct='%1.1f%%', startangle=140)
plt.title('水果销售比例饼图')
plt.show()

结果如下：

这是一个简单的饼图示例，展示了不同水果的销售比例。在这个图中，每种水果的销售量被表示为一个扇形，其大小对应于该水果的销售比例。通过这个图表，我们可以直观地看到各种水果在总销售量中的占比。

3：折线图 (Line Chart) - 展示数值变量随时间或有序类别变量的变化

要绘制一个折线图，我们需要以下信息：

数据集：至少包含两个变量的数据集，通常一个用于X轴，一个用于Y轴。
标题和标签：为图表设定一个清晰的标题，以及X轴和Y轴的标签，以便于理解。
线条样式和颜色：可选，用于区分不同的数据系列。

基于以上几点，我将创建一个简单的折线图示例。假设我们有一个关于某城市一周内每天温度的数据集，我们想要通过折线图来展示这一周温度的变化趋势。

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
temperatures = np.random.uniform(15, 30, len(days))  # 温度数据，假设在15°C到30°C之间

# 绘制折线图
plt.figure(figsize=(10, 6))
plt.plot(days, temperatures, marker='o', color='b')
plt.title('一周内每天温度变化折线图')
plt.xlabel('星期')
plt.ylabel('温度 (°C)')
plt.grid(True)
plt.show()

结果如下：