跟我一起学Python数据处理（六十八）：用图表让数据可视化

跟我一起学Python数据处理（六十八）：用图表让数据可视化

大家好！在数据处理的学习道路上，我一直希望能和大家携手共进、共同成长。今天咱们继续深入学习Python数据处理中的重要内容——数据可视化。学会用合适的图表展示数据，不仅能让数据变得直观易懂，还能帮助我们发现数据背后隐藏的信息和规律。话不多说，咱们马上开始今天的学习之旅！

一、不同图表的特点与应用场景

在数据可视化的世界里，有各种各样的图表，每种图表都有自己独特的“本领”。

（一）条形图

条形图特别适合用来并排展示大量数据。就像《华盛顿邮报》在报道婴儿死亡率时，用条形图比较不同国家的婴儿死亡率，这样可以让读者一眼看出不同国家之间的差异。假如我们现在有不同城市的平均薪资数据，想看看哪个城市薪资更高，用条形图就再合适不过了。例如，有北京、上海、广州、深圳这四个城市的平均月薪数据（单位：元），分别是15000、16000、13000、17000。在Python中，使用matplotlib库来绘制条形图的代码如下：

import matplotlib.pyplot as plt

cities = ['北京', '上海', '广州', '深圳']
salaries = [15000, 16000, 13000, 17000]

plt.bar(cities, salaries)
plt.xlabel('城市')
plt.ylabel('平均月薪（元）')
plt.title('不同城市平均月薪对比')
plt.show()

运行这段代码，就能得到一个清晰展示各城市平均月薪差异的条形图。

（二）折线图

折线图通常用于展示随时间推移的趋势。还是以婴儿死亡率为例，通过折线图可以比较不同国家的婴儿死亡率随时间的变化情况。假设我们有某公司过去一年每个月的销售额数据，想观察销售额的变化趋势，就可以用折线图。比如，1月销售额是100万元，2月是120万元，3月是110万元……12月是150万元。用matplotlib绘制折线图的代码如下：

import matplotlib.pyplot as plt
import numpy as np

months = np.arange(1, 13)
sales = [100, 120, 110, 130, 140, 135, 150, 160, 155, 170, 180, 150]

plt.plot(months, sales)
plt.xlabel('月份')
plt.ylabel('销售额（万元）')
plt.title('某公司过去一年销售额变化趋势')
plt.show()

这样就能直观地看到销售额的起伏变化了。

（三）其他图表

1. 散点图、气泡图和折线图：这几种图表都可以用来展示数据之间的关系。比如，我们想研究学生的学习时间和考试成绩之间有没有什么联系，就可以用散点图。假设我们收集了10名学生每周的学习时间（小时）和对应的考试成绩，数据如下：学习时间[5, 8, 6, 10, 7, 9, 4, 11, 8, 7]，考试成绩[70, 85, 75, 90, 80, 88, 65, 92, 84, 82]。用matplotlib绘制散点图的代码如下：

import matplotlib.pyplot as plt

study_time = [5, 8, 6, 10, 7, 9, 4, 11, 8, 7]
scores = [70, 85, 75, 90, 80, 88, 65, 92, 84, 82]

plt.scatter(study_time, scores)
plt.xlabel('每周学习时间（小时）')
plt.ylabel('考试成绩')
plt.title('学习时间与考试成绩关系散点图')
plt.show()

从散点图中，我们可以大致看出学习时间和考试成绩之间的趋势关系。
2. 堆叠条形图：适合展示数据的组成或因素。比如，我们想展示一个班级学生成绩在不同分数段（优、良、中、差）的人数占比情况，用堆叠条形图就很合适。
3. 时序图和柱状图：可以用来展示数据的分布。例如，统计某城市每天的气温分布情况，用柱状图就能清晰地看到不同气温区间的天数分布。

二、Python绘图库的使用

（一）matplotlib库

matplotlib是Python中一个非常强大的图表和图片库，用它可以绘制各种数据集。要使用它，首先需要安装，在命令行运行pip install matplotlib就可以完成安装。

假设我们现在有一组商品的销量和利润数据，想绘制一个图表来观察它们之间的关系。销量数据为[100, 120, 150, 90, 110]，利润数据为[2000, 2500, 3000, 1800, 2200]。使用matplotlib绘制图表的代码如下：

import matplotlib.pyplot as plt

sales = [100, 120, 150, 90, 110]
profits = [2000, 2500, 3000, 1800, 2200]

plt.plot(sales, profits)
plt.xlabel('商品销量')
plt.ylabel('利润（元）')
plt.title('商品销量与利润关系图')
plt.show()

在绘制图表时，我们可以通过调用xlabel和ylabel方法来标记图表的坐标系，用title方法为图表命名，最后调用show方法来显示图表。matplotlib还有很多其他功能，比如可以改变图表的颜色、标签、大小，使用多图、子区等，大家可以去matplotlib.org上查看相关教程深入学习。

（二）Bokeh库

Bokeh也是一个很有用的Python绘图库，它能用简单的命令绘制更复杂的图表类型。如果想创建条形图、散点图或时间序列图，都可以试试Bokeh。首先要安装Bokeh，在命令行运行pip install bokeh。

假设我们有一组不同品牌汽车的销量和价格数据，想绘制一个散点图来观察它们的关系。品牌数据为[‘A品牌’, ‘B品牌’, ‘C品牌’, ‘D品牌’, ‘E品牌’]，销量数据为[500, 800, 600, 700, 900]，价格数据为[15, 20, 18, 22, 16]（单位：万元）。使用Bokeh绘制散点图的代码如下：

from bokeh.plotting import figure, show, output_file
from bokeh.models import ColumnDataSource

brands = ['A品牌', 'B品牌', 'C品牌', 'D品牌', 'E品牌']
sales = [500, 800, 600, 700, 900]
prices = [15, 20, 18, 22, 16]

source = ColumnDataSource(data=dict(
    brand=brands,
    sales=sales,
    price=prices
))

p = figure(title='汽车销量与价格关系散点图', x_axis_label='销量', y_axis_label='价格（万元）')
p.scatter('sales', 'price', source=source)

output_file('car_sales_price.html')
show(p)

这段代码中，我们先创建了一个数据源ColumnDataSource，然后用figure创建一个图表对象，设置好标题和坐标轴标签，再用scatter方法绘制散点图，最后通过output_file指定输出的HTML文件名称，用show方法展示图表。在浏览器中打开生成的HTML文件，就能看到交互式的散点图啦。

三、总结与期待

今天我们学习了不同图表的特点和应用场景，还掌握了matplotlib和Bokeh这两个Python绘图库的基本使用方法。通过这些知识，我们可以根据数据的特点和想要展示的信息，选择合适的图表和绘图库来进行数据可视化。

写作不易，如果这篇博客对你学习Python数据处理有所帮助，希望大家能点赞、评论支持一下，也欢迎大家关注我的博客。后续我会继续分享更多关于Python数据处理的知识，咱们一起进步！