python绘图及可视化,python数据可视化分析报告
这篇文章主要介绍了大蟒数据分析绘图可视化，数据可视化旨在直观展示信息的分析结果和构思，令某些抽象数据具象化，这些抽象数据包括数据测量单位的性质或数量
前言：
数据分析初始阶段，通常都要进行可视化处理。数据可视化旨在直观展示信息的分析结果和构思，令某些抽象数据具象化，这些抽象数据包括数据测量单位的性质或数量。本章用的程序库绘制精美的图表是建立在数组之上的一个大蟒图库，它提供了一个面向对象的应用程序界面和一个过程式类的MATLAB API，他们可以并行使用。
1、
将数组作为铭牌导入
将matplotlib.pyplot作为血小板计数导入
scores=np.random.randint(0，100，50)
工厂历史(分数，bins=8，histtype=stepfilled )
plt.title(37 )
plt.show()
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()
3、
随机状态=NP。随机的。随机状态(1231241)
random _ x=随机状态。兰特(10000)
plt.hist(random_x，bins=25)
plt.title(37 )
plt.show()
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()
5、
将绘制精美的图表作为数学编程语言(Mathematical Programming Language)导入
mpl。RC params[ font。sans-serif ]=[ sim hei ]
mpl。RC params[轴。unicode _ MINUS ]=False
种类=[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]
开发位置=[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()
6、
num=50
x=np.random.rand(数字)
y=np.random.rand(数字)
平面散点图(x，y)
plt.title(37 )
plt.show()
7、
num=50
x=np.random.rand(数字)
y=np.random.rand(数字)
面积=(800 * NP。随机的。兰特(数字)* * 2)
plt.scatter(x，y，s=面积)
plt.title(37 )
plt.show()
8、
PLT。RC params[ font。无衬线]= sim hei
PLT。RC params[轴。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。散布(x _速度，y _距离，s=50，=0.9)
plt.title(37 )
plt.show()
9、
PLT。RC params[ font。家庭]= sim hei
PLT。RC params[轴。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。箱形图([数据_2018,数据_2017],标签=(2018年,2017年)，meanline=True，widths=0.5，vert=False，patch_artist=True)
plt.title(37 )
plt.show()
10、
PLT。RC params[ font。家庭]= sim hei
PLT。RC params[轴。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,企业型(E)，传统型,现实型]
雷达标签=np.concatenate雷达标签，[雷达标签[0]]))
极坐标（角度，数据)
植物标签(角度* 180/np.pi，标签=雷达_标签)
工厂填充(角度，数据=0.25)
plt.title(37 )
plt.show()
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()
12、
x=np.arange(1，13)
ya=NP。数组([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([91123534432223332367434111322345560])
plt.stackplot(x，y_a，y_b，y_c)
plt.title(37 )
plt.show()
这就是这篇关于python数据分析和绘图可视化的文章。更多相关python可视化内容，请搜索热门IT软件开发工作室之前的文章或继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。