Python干货：分享Python绘制六种可视化图表

Python干货：分享Python绘制六种可视化图表

本篇文章将介绍Python绘制六种常见的可视化图表，分别为折线图、散点图、直方图、条形图、饼图和热力图。其中，折线图和散点图适用于展示数值型和时间序列数据的变化趋势和分布规律；直方图和条形图适用于展示数值型数据的频数分布，两者有所差异；饼图和热力图适用于展示分类数据的占比和相关性。

折线图

折线图展示了数据的变化趋势，适用于展示数值型和时间序列数据的分布规律。下面是一个用matplotlib绘制折线图的示例：

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8]
y = [2,4,5,3,7,9,10,6]

plt.plot(x,y)
plt.title("折线图示例")
plt.xlabel("数据点")
plt.ylabel("数据值")
plt.show()

运行以上代码会生成一幅包含8个数据点的折线图。

散点图

散点图展示了数据的分布规律，适用于展示数值型数据的分布情况。下面是一个用matplotlib绘制散点图的示例：

import matplotlib.pyplot as plt

x = [1,2,3,4,5,6,7,8]
y = [2,4,5,3,7,9,10,6]

plt.scatter(x,y)
plt.title("散点图示例")
plt.xlabel("数据点")
plt.ylabel("数据值")
plt.show()

运行以上代码会生成一幅包含8个数据点的散点图。

直方图

直方图展示了数值型数据的频数分布情况，适用于展示数据的整体分布情况。下面是一个用matplotlib绘制直方图的示例：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.randn(1000)

plt.hist(x, bins=50)
plt.title("直方图示例")
plt.xlabel("数据范围")
plt.ylabel("数据频数")
plt.show()

运行以上代码会生成一幅包含1000个数据点的直方图。

条形图

条形图展示了分类数据的频数分布情况，适用于展示不同分类数据的比较情况。下面是一个用matplotlib绘制条形图的示例：

import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D', 'E']
values = [10, 30, 60, 80, 40]

plt.bar(labels, values)
plt.title("条形图示例")
plt.xlabel("分类数据")
plt.ylabel("数据值")
plt.show()

运行以上代码会生成一个包含5个分类数据的条形图。

饼图

饼图展示了分类数据的占比情况，适用于展示不同分类数据在整体数据中的分布情况。下面是一个用matplotlib绘制饼图的示例：

import matplotlib.pyplot as plt

labels = ['A', 'B', 'C', 'D', 'E']
values = [10, 30, 60, 80, 40]

plt.pie(values, labels=labels, autopct='%1.1f%%')
plt.title("饼图示例")
plt.show()

运行以上代码会生成一个包含5个分类数据的饼图。

热力图

热力图展示了两个数值型数据之间的相关性，适用于展示相关性的强度和方向。下面是一个用matplotlib绘制热力图的示例：

import numpy as np
import matplotlib.pyplot as plt

x = np.random.randn(30, 30)

plt.imshow(x, cmap='hot', interpolation='nearest')
plt.title("热力图示例")
plt.colorbar()
plt.show()

运行以上代码会生成一个包含900个数据点的热力图。

以上是六种常见的可视化图表的绘制示例。希望对大家的数据分析和可视化工作有所帮助。