淄博桓台网站建设公司,外包公司软件开发可以去吗,python3做网站教程,厦门市市场开发建设服务中心网站1、气泡图
气泡图是一种在xy轴上显示三个维度的数据的有效方式。在气泡图中#xff0c;基本上#xff0c;每个气泡代表一个数据点。横坐标和纵坐标的位置代表两个维度#xff0c;气泡的大小则代表第三个维度。
在这个例子中#xff0c;我们用numpy库生成了一些随机数据基本上每个气泡代表一个数据点。横坐标和纵坐标的位置代表两个维度气泡的大小则代表第三个维度。
在这个例子中我们用numpy库生成了一些随机数据然后用matplotlib库的scatter函数创建了一个气泡图。在scatter函数中参数x, y分别代表数据点的x和y坐标参数s代表数据点即气泡的大小。
import matplotlib.pyplot as plt
import numpy as np
# 随机生成数据
np.random.seed(0)
x np.random.rand(25)
y np.random.rand(25)
z np.random.rand(25) * 1000 # 这将决定气泡的大小
# 创建气泡图
plt.scatter(x, y, sz)
# 添加图形的标题和x,y轴的标签
plt.title(bubble)
plt.xlabel(X)
plt.ylabel(Y)
# 显示图形
plt.show() 2、影响图
影响图Influence Diagram是一种用于展示变量之间因果关系的图形化工具。在Python中可以使用NetworkX和Matplotlib等库来绘制影响图。
import matplotlib.pyplot as plt
import networkx as nx
# 创建一个有向图
G nx.DiGraph()
# 添加节点
G.add_node(X)
G.add_node(Y)
G.add_node(Z)
# 添加边
G.add_edge(X, Y)
G.add_edge(Y, Z)
G.add_edge(X, Z)
# 绘制图形
pos nx.spring_layout(G)
nx.draw(G, pos, with_labelsTrue)
plt.show()
3、条形图
条形图Bar chart是一种以条形为主要表现形式的图形化数据可视化工具。它通过将数据值转换为条形的长度或高度来展示数据以便直观地比较和解读不同类别的数据。条形图常用于展示两个或多个类别的数据集之间的相对大小、频次或百分比等。
条形图的基本构成包括横轴和纵轴。横轴通常代表分类或类别纵轴则代表数值或定量数据。根据数据的类型和可视化需求可以选择使用垂直条形图或水平条形图。在垂直条形图中条形的长度与数据值成正比而在水平条形图中条形的宽度与数据值成正比。
条形图具有多种变体和表现形式例如单轴条形图、双轴条形图、分组条形图、堆叠条形图等。通过不同的颜色、标记、标签和其他可视化元素可以增加条形图的易读性和清晰度。条形图广泛应用于数据可视化、商业报告、统计分析和决策支持等领域。
import matplotlib.pyplot as plt
# 数据
categories [Category1, Category2, Category3, Category4, Category5]
values [5, 8, 3, 6, 4]
# 创建条形图
plt.bar(categories, values)
# 添加标题和轴标签
plt.title(Simple Bar Chart)
plt.xlabel(Categories)
plt.ylabel(Values)
# 显示图表
plt.show() 4、箱线图
箱线图Box Plot是一种用于展示一组数据分散情况资料的统计图。包含一组数据的最大值、最小值、中位数、及上下四分位数。因此箱线图可以提供关于数据分布的有用信息。
以下是一些箱线图的基本构成
箱体包含了所有数据的整体范围也被称为“箱”。
中位数标示出数据的“中点”。在箱线图中中位数通常会有一条线直接连到箱体且与箱体的中心对齐。
四分位数标示出数据的“四分位数”也就是将数据分为四个等份的四条线。在箱线图中四分位数通常以“”符号表示且与箱体的上下边缘对齐。
须”的长度箱线图中的“须”是两个方向向外延伸的线段从四分位数的位置向两侧延伸。须的长度不会超过箱体的长度。
“异常值”如果数据集中存在极端的或异常的数据点它们会被单独标示出来通常会以小圆圈或者是其他特殊的标记来表示。
通过观察箱线图你可以快速了解这组数据的集中趋势、离散程度以及异常值。
import matplotlib.pyplot as plt
import numpy as np # 创建数据
np.random.seed(10)
data np.random.normal(100, 20, 100) # 绘制箱线图
plt.boxplot(data) # 设置图表标题和轴标签
plt.title(Box Plot)
plt.xlabel(Data)
plt.ylabel(Value) # 显示图表
plt.show() import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 创建数据
np.random.seed(10)
data np.random.normal(100, 20, 100)
# 绘制箱线图
sns.boxplot(xdata)
# 设置图表标题和轴标签
plt.title(Box Plot)
plt.xlabel(Data)
plt.ylabel(Value)
# 显示图表
plt.show() 5、核密度图
核密度图Kernel Density EstimateKDE是一种用于估计随机变量概率密度函数的非参数方法。在 Python 中可以使用多种库来绘制核密度图其中包括 Seaborn、Matplotlib 和 SciPy。
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
# 生成示例数据
data np.random.normal(size100)
# 使用 Seaborn 绘制核密度图
sns.kdeplot(data, labelKDE)
# 显示图形
plt.legend()
plt.show() import matplotlib.pyplot as plt
import numpy as np
# 生成示例数据
data np.random.normal(size100)
# 使用 Matplotlib 绘制核密度图
plt.hist(data, densityTrue, alpha0.5, labelKDE)
# 显示图形
plt.legend()
plt.show() import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde
# 生成示例数据
data np.random.normal(size100)
# 使用 SciPy 计算核密度估计
kde gaussian_kde(data)
x_range np.linspace(min(data) - 1, max(data) 1, 1000)
kde_values kde(x_range)
# 使用 Matplotlib 绘制核密度图
plt.plot(x_range, kde_values, labelKDE)
# 显示图形
plt.legend()
plt.show() 6、小提琴图
小提琴图Violin plot是一种用于显示数据分布情况的图形。它类似于箱线图但提供了更多的信息如数据的核密度估计和四分位数。在Python中可以使用Seaborn库来绘制小提琴图。
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 生成一些随机数据
rs np.random.RandomState(0)
n, p 40, 8
d rs.normal(0, 2, (n, p))
d np.log(np.arange(1, p 1)) * -5 10
# 绘制小提琴图
sns.violinplot(datad)
# 显示图形
plt.show() 7、热图
热图是一种可视化工具用于展示二维数据集中的数据信息其中颜色表示单元格的值。在热图中行列的坐标是二维数据的标识符每个单元格的颜色深浅表示其对应值的大小。通过热图我们可以快速浏览和比较不同数据集中的数据分布和特征。
热图有多种类型包括点热图、条形图热图、气泡热图、颜色映射热图等。其中点热图和条形图热图是最常用的热图类型之一。点热图以点的颜色来表示每个单元格的值而条形图热图则使用条形的长度和颜色来表示每个单元格的值。
import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 创建一个随机数据集
data np.random.rand(10, 12)
# 创建一个热图
heatmap sns.heatmap(data)
# 显示图形
plt.show() import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
# 创建一个随机数据集
data np.random.rand(10, 12)
# 创建一个热图
heatmap sns.heatmap(data, cmapcoolwarm)
# 显示图形
plt.show() 8、箭靶图
箭靶图也叫做蜘蛛网图或者雷达图是一种用于显示多变量数据的图形。它由一个中心点向外辐射出多条线段每条线段代表一个变量线段的长度代表该变量的数值大小。箭靶图的每个角都代表一个变量从中心点到每个角的线段表示该变量的数值大小。箭靶图通常用于显示性能数据如产品的性能指标、公司的财务数据等。在箭靶图中每个变量的最大值和最小值通常被标出来以便更好地了解每个变量的数值范围。箭靶图的主要优点是它可以同时显示多个变量的数值大小并且可以通过线段的长度和角度来表示各个变量之间的关系。
import matplotlib.pyplot as plt
import numpy as np
# 创建一个新的figure
fig, ax plt.subplots()
# 创建箭靶的外圈
circle1 plt.Circle((0, 0), 10, fillFalse)
circle2 plt.Circle((0, 0), 20, fillFalse)
circle3 plt.Circle((0, 0), 30, fillFalse)
circle4 plt.Circle((0, 0), 40, fillFalse)
circle5 plt.Circle((0, 0), 50, fillFalse)
circle6 plt.Circle((0, 0), 60, fillFalse)
circle7 plt.Circle((0, 0), 70, fillFalse)
circle8 plt.Circle((0, 0), 80, fillFalse)
# 将圆添加到图中
ax.add_artist(circle1)
ax.add_artist(circle2)
ax.add_artist(circle3)
ax.add_artist(circle4)
ax.add_artist(circle5)
ax.add_artist(circle6)
ax.add_artist(circle7)
ax.add_artist(circle8)
# 生成数据点
x 60*np.random.randn(100)
y 60*np.random.randn(100)
ax.scatter(x, y, colorr, alpha0.5)
# 设置x轴和y轴的限制使得它们的范围都是[-90, 90]
ax.set_xlim([-90, 90])
ax.set_ylim([-90, 90])
# 添加一个标题设置字体为SimHei解决中文无法显示的问题
plt.title(箭靶图, fontpropertiesSimHei)
# 显示图形
plt.show() 9、折线图
折线图是一种以线条表示数据信息的图表类型。在折线图中数据点的相继关系通过线条的起伏和连贯性来表现。折线图通常用于显示时间序列或连续数据的变化情况。
import matplotlib.pyplot as plt
import numpy as np
# 定义数据
x np.linspace(0, 10, 100) # 在0到10之间均匀取100个点
y np.sin(x)
# 绘制折线图
plt.figure(figsize(10, 6)) # 设置图形大小
plt.plot(x, y, labelsin(x), linewidth2, linestyle-, colorblue) # 绘制折线图并设置线宽、线型和颜色
plt.title(Sine Function) # 设置图形标题
plt.xlabel(x) # 设置x轴标签
plt.ylabel(y) # 设置y轴标签
plt.xticks(np.arange(0, 11, 1)) # 设置x轴刻度
plt.yticks(np.arange(-1, 1 0.2, 0.2)) # 设置y轴刻度
plt.grid(True) # 显示网格线
plt.legend() # 显示图例
# 显示图形
plt.show() 10、饼图
饼图Pie Chart是一种以圆形表示数据信息的图表类型通过将圆周分割成若干个扇形每个扇形对应一个数据项或类别以扇形的面积或长度来表示数据量或占比。
import matplotlib.pyplot as plt
# 定义数据
labels [A, B, C, D]
sizes [15, 30, 45, 10]
# 绘制饼图
plt.figure(figsize(6, 6)) # 设置图形大小
plt.pie(sizes, labelslabels, autopct%1.1f%%) # 绘制饼图并设置标签和百分比格式
# 显示图形
plt.show() 11、散点图
散点图Scatter plot是一种用于展示两个变量之间关系的图形它用点的密度和位置来表示数据点的分布情况。在散点图中每个点代表一个数据点x轴和y轴分别表示两个变量通过观察点的位置可以大致了解这两个变量之间的关系。
散点图的优点是能够直观地反映两个变量之间的关系并且可以方便地添加其他参考线或数据集来帮助分析和预测。它的缺点是在数据点较多时图形可能会显得比较杂乱不易读出准确的关系。
import matplotlib.pyplot as plt
import numpy as np
# 定义数据
x np.random.randn(100)
y np.random.randn(100)
# 绘制散点图
plt.figure(figsize(6, 6)) # 设置图形大小
plt.scatter(x, y) # 绘制散点图
# 显示图形
plt.show()
