AI 助理
备案控制台
开发者社区 人工智能 文章 正文

Python制作数据可视化大屏（一）

2024-05-11 67
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： Python制作数据可视化大屏

该篇文章利用Python对某学校2021级人工智能学院食堂情况就餐消费制作可视化大屏，包括六大核心模块：学生交易金额；交易成功率；学生交易类型情况；学生消费位置情况；学生交易月度预测；学生交易余额情况。各模块以不同类型图展示，其中学生交易月度预测模块嵌入自动寻优的ARIMA算法。

文末附完整代码！望关注支持！

1 加载相关包并读取数据

  运行程序：

import pandas as pd
import pmdarima as pm
from pandas import DataFrame
import warnings
warnings.filterwarnings('ignore')
from pyecharts import options as opts
from pyecharts.charts import Bar,Gauge,Pie,Page,Funnel
from bs4 import BeautifulSoup
##预测
import statsmodels.api as sm
from statsmodels.tsa.stattools import adfuller
from pyecharts.charts import Line
data = pd.read_excel(r'D:\\驾驶舱\\2021级人工智能食堂就餐消费明细.xlsx',sheet_name=0)

2 学生金额交易情况柱状图模块

  运行程序：

score_list =data['交易金额']
print(score_list)
#　指定多个区间
bins = [-100, 0, 10,20,60, 100, 200]
score_cut = pd.cut(score_list, bins)
print(type(score_cut)) # <class 'pandas.core.arrays.categorical.Categorical'>
print(score_cut)
print(pd.value_counts(score_cut)) # 统计每个区间人数
bar1=DataFrame(pd.value_counts(score_cut))
# 条形图  
def bar():
    #柱状图
    cate = ['充值', '0-10元', '10-20元', '20-60元', '60-100元', '大于100元']
    c = (
    Bar()
    .add_xaxis(cate)
    .add_yaxis("交易人次：人",[84, 16659, 8462, 852, 14, 6])
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        title_opts=opts.TitleOpts(title="学生交易金额情况")
    )
    )
    return c

  运行结果：

交易金额
(0, 10]       16659
(10, 20]       8462
(20, 60]        852
(-100, 0]        84
(60, 100]        14
(100, 200]        6
Name: count, dtype: int64

3 标题模块

  运行程序：

def tab0(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=20))))
    return c
def tab1(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=25))))
    return c
    
def tab2(name,color): #标题
    c = (Pie().
        set_global_opts(
        title_opts=opts.TitleOpts(title=name,pos_left='center',pos_top='center',
                                title_textstyle_opts=opts.TextStyleOpts(color=color,font_size=17.5))))
    return c

4 交易类型成功率仪表板模块

  运行程序：

def gau():#仪表图
    c = (
        Gauge(init_opts=opts.InitOpts(width="400px", height="400px"))
            .add(series_name="交易成功率", data_pair=[["", 100]])
            .set_global_opts(
            legend_opts=opts.LegendOpts(is_show=False),
            tooltip_opts=opts.TooltipOpts(is_show=True, formatter="{a} <br/>{b} : {c}%"),
            
        )
        .set_global_opts(
        title_opts=opts.TitleOpts(title="交易成功率"),
        legend_opts=opts.LegendOpts(is_show=False),
    )
            #.render("gauge.html")
    )
    return c

5 交易类型占比圆环图模块

  运行程序：

def gau():#仪表图
    c = (
        Gauge(init_opts=opts.InitOpts(width="400px", height="400px"))
            .add(series_name="交易成功率", data_pair=[["", 100]])
            .set_global_opts(
            legend_opts=opts.LegendOpts(is_show=False),
            tooltip_opts=opts.TooltipOpts(is_show=True, formatter="{a} <br/>{b} : {c}%"),
            
        )
        .set_global_opts(
        title_opts=opts.TitleOpts(title="交易成功率"),
        legend_opts=opts.LegendOpts(is_show=False),
    )
            #.render("gauge.html")
    )
    return c

6 学生消费位置情况金字塔图模块

  运行程序：

data1=data
data1['终端名称']=data1['终端名称'].apply(lambda x:x[0:4]).tolist()
df2=pd.DataFrame(data1.groupby('终端名称').count())
df2.iloc[:,0]
def funnel():
    cate = ['学二食堂', '管理中心', '蜜雪冰城', '食堂1层', '食堂2层','食堂3层']
    data = [731, 83, 40, 18916, 5855,452]
    c = Funnel()
    c.add("用户数", [list(z) for z in zip(cate, data)], 
               sort_='ascending',
               label_opts=opts.LabelOpts(position="inside"))
    c.set_global_opts(title_opts=opts.TitleOpts(title=""))
    return c

7 学生交易月度预测值折线图模块

  运行程序：

data1=data
data1['终端名称']=data1['终端名称'].apply(lambda x:x[0:4]).tolist()
df2=pd.DataFrame(data1.groupby('终端名称').count())
df2.iloc[:,0]
def funnel():
    cate = ['学二食堂', '管理中心', '蜜雪冰城', '食堂1层', '食堂2层','食堂3层']
    data = [731, 83, 40, 18916, 5855,452]
    c = Funnel()
    c.add("用户数", [list(z) for z in zip(cate, data)], 
               sort_='ascending',
               label_opts=opts.LabelOpts(position="inside"))
    c.set_global_opts(title_opts=opts.TitleOpts(title=""))
    return c

  运行结果：

ARIMA(0,0,0)(0,0,0)[0]             : AIC=340.998, Time=0.01 sec
 ARIMA(0,0,1)(0,0,0)[0]             : AIC=inf, Time=0.02 sec
 ARIMA(0,0,2)(0,0,0)[0]             : AIC=inf, Time=0.05 sec
 ARIMA(0,0,3)(0,0,0)[0]             : AIC=341.289, Time=0.02 sec
 ARIMA(0,0,4)(0,0,0)[0]             : AIC=333.644, Time=0.07 sec
 ARIMA(0,0,5)(0,0,0)[0]             : AIC=333.412, Time=0.09 sec
 ARIMA(1,0,0)(0,0,0)[0]             : AIC=331.546, Time=0.01 sec
 ARIMA(1,0,1)(0,0,0)[0]             : AIC=331.817, Time=0.02 sec
 ARIMA(1,0,2)(0,0,0)[0]             : AIC=inf, Time=0.07 sec
 ARIMA(1,0,3)(0,0,0)[0]             : AIC=334.645, Time=0.04 sec
 ARIMA(1,0,4)(0,0,0)[0]             : AIC=inf, Time=0.05 sec
 ARIMA(2,0,0)(0,0,0)[0]             : AIC=333.891, Time=0.01 sec
 ARIMA(2,0,1)(0,0,0)[0]             : AIC=inf, Time=0.05 sec
 ARIMA(2,0,2)(0,0,0)[0]             : AIC=inf, Time=0.17 sec
 ARIMA(2,0,3)(0,0,0)[0]             : AIC=inf, Time=0.11 sec
 ARIMA(3,0,0)(0,0,0)[0]             : AIC=334.395, Time=0.02 sec
 ARIMA(3,0,1)(0,0,0)[0]             : AIC=333.921, Time=0.04 sec
 ARIMA(3,0,2)(0,0,0)[0]             : AIC=inf, Time=0.11 sec
 ARIMA(4,0,0)(0,0,0)[0]             : AIC=336.171, Time=0.02 sec
 ARIMA(4,0,1)(0,0,0)[0]             : AIC=335.691, Time=0.05 sec
 ARIMA(5,0,0)(0,0,0)[0]             : AIC=inf, Time=0.05 sec
Best model:  ARIMA(1,0,0)(0,0,0)[0]          
Total fit time: 1.094 seconds
2021-12-31    10154.394624
2022-01-31     7244.767300
2022-02-28     5168.860890
Freq: M, dtype: float64

8 学生交易余额情况柱状图模块

  运行程序：

##条形图
##条形图数据
score_list1 =data['可用余额（交易后）']
print(score_list1)
#　指定多个区间
bins1 = [-1000,0,50, 100,200,500, 1000]
score_cut1 = pd.cut(score_list1, bins1)
print(type(score_cut1)) # <class 'pandas.core.arrays.categorical.Categorical'>
print(score_cut1)
print(pd.value_counts(score_cut1)) # 统计每个区间人数
bar2=DataFrame(pd.value_counts(score_cut1))
def bar2():
    #柱状图
    cate = ['待充值', '0-50元', '50-100元', '100-200元', '200-500元', '大于500元']
    c = (
    Bar()
    .add_xaxis(cate)
    .add_yaxis("余额状态次数：人次",[180, 10322, 7223, 5236, 2595, 521])
    .set_global_opts(
        xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),
        title_opts=opts.TitleOpts(title="学生交易余额情况")
    )
    )
    return c

  运行结果：

0          0.00
1          0.00
2          0.00
3         94.80
4         44.60
 
26072    204.41
26073     90.36
26074     22.10
26075    367.50
26076      2.02
Name: 可用余额（交易后）, Length: 26077, dtype: float64
<class 'pandas.core.series.Series'>
0        (-1000, 0]
1        (-1000, 0]
2        (-1000, 0]
3         (50, 100]
4           (0, 50]
   
26072    (200, 500]
26073     (50, 100]
26074       (0, 50]
26075    (200, 500]
26076       (0, 50]
Name: 可用余额（交易后）, Length: 26077, dtype: category
Categories (6, interval[int64, right]): [(-1000, 0] < (0, 50] < (50, 100] < (100, 200] < (200, 500] <
                                         (500, 1000]]
可用余额（交易后）
(0, 50]        10322
(50, 100]       7223
(100, 200]      5236
(200, 500]      2595
(500, 1000]      521
(-1000, 0]       180
Name: count, dtype: int64

Python制作数据可视化大屏（二）+https://developer.aliyun.com/article/1506507

文章标签：
Python
数据可视化
人工智能
算法
关键词：
Python数据可视化
Python大屏
Python数据可视化大屏
小墨&amp;晓末
目录
相关文章
东方睿赢
|
10天前
|
数据可视化 数据挖掘 Linux
震撼发布！Python数据分析师必学，Matplotlib与Seaborn数据可视化实战全攻略！
在数据科学领域，数据可视化是连接数据与洞察的桥梁，能让复杂的关系变得直观。本文通过实战案例，介绍Python数据分析师必备的Matplotlib与Seaborn两大可视化工具。首先，通过Matplotlib绘制基本折线图；接着，使用Seaborn绘制统计分布图；最后，结合两者在同一图表中展示数据分布与趋势，帮助你提升数据可视化技能，更好地讲述数据故事。
东方睿赢
25 1
aliyun1160684647-37161
|
3天前
|
数据可视化 数据挖掘 API
Python中的数据可视化利器：Matplotlib与Seaborn对比解析
在Python数据科学领域，数据可视化是一个重要环节。它不仅帮助我们理解数据，更能够让我们洞察数据背后的故事。本文将深入探讨两种广泛使用的数据可视化库——Matplotlib与Seaborn，通过对比它们的特点、优劣势以及适用场景，为读者提供一个清晰的选择指南。无论是初学者还是有经验的开发者，都能从中找到有价值的信息，提升自己的数据可视化技能。
aliyun1160684647-37161
9 3
游客rcxtdbgrolahs
|
5天前
|
数据可视化 Python
Python数据可视化-动态柱状图可视化
Python数据可视化-动态柱状图可视化
游客rcxtdbgrolahs
12 4
游客rcxtdbgrolahs
|
5天前
|
JSON 数据可视化 数据处理
Python数据可视化-折线图可视化
Python数据可视化-折线图可视化
游客rcxtdbgrolahs
10 2
游客j4mujezz7vm7y
|
7天前
|
数据可视化 Python
Python实现数据可视化
Python实现数据可视化
游客j4mujezz7vm7y
12 3
君子世无双~
|
6天前
|
数据可视化 Python
使用Python进行数据可视化：从入门到精通
【8月更文挑战第60天】本文是一篇面向初学者的Python数据可视化教程，旨在帮助读者掌握如何使用Python及其强大的库（如Matplotlib和Seaborn）来创建引人入胜的数据可视化。我们将从基础开始，逐步深入，最终达到能够独立完成复杂数据可视化项目的水平。无论你的背景如何，只要你对数据可视化感兴趣，这篇文章都将为你开启一段新的学习之旅。
君子世无双~
24 1
历年考试不作弊
|
15天前
|
数据可视化 Python
Python编程中的数据可视化技术
【9月更文挑战第19天】在数据驱动的时代，将复杂的数据集转化为直观易懂的视觉表达至关重要。本文将深入探索Python中的数据可视化库，如Matplotlib和Seaborn，并指导读者如何运用这些工具来揭示数据背后的模式和趋势。文章不仅会介绍基础图表的绘制方法，还将讨论高级技巧以提升图表的信息丰富度和吸引力。
历年考试不作弊
34 9
东方睿赢
|
11天前
|
数据可视化 数据挖掘 开发者
数据可视化新纪元！Python + Matplotlib + Seaborn，让你的数据故事生动起来！
在这个数据可视化的新纪元，让我们充分发挥 Python 的优势，用精彩的图表讲述数据背后的故事，为决策提供有力的支持，为交流带来清晰的视角。
东方睿赢
21 4
众所周知
|
11天前
|
机器学习/深度学习 数据可视化 数据挖掘
数据可视化大不同！Python数据分析与机器学习中的Matplotlib、Seaborn应用新视角！
在数据科学与机器学习领域，数据可视化是理解数据和优化模型的关键。Python凭借其强大的可视化库Matplotlib和Seaborn成为首选语言。本文通过分析一份包含房屋面积、卧室数量等特征及售价的数据集，展示了如何使用Matplotlib绘制散点图，揭示房屋面积与售价的正相关关系；并利用Seaborn的pairplot探索多变量间的关系。在机器学习建模阶段，通过随机森林模型展示特征重要性的可视化，帮助优化模型。这两个库在数据分析与建模中展现出广泛的应用价值。
众所周知
26 2
mrq4nk6ni2neg
|
13天前
|
数据可视化 数据挖掘 Python
利用Python进行数据可视化的探索之旅
【9月更文挑战第21天】在数字化时代，数据是新的石油。然而，原始数据本身并不能直接提供洞察力或决策支持。通过将数据转化为视觉格式，我们不仅能够更直观地理解数据背后的故事，还能发现之前未曾注意到的模式和关联。本文将引导你使用Python及其强大的可视化库（如Matplotlib和Seaborn）来揭示数据的秘密。无论你是数据分析新手还是希望提升报告质量的资深分析师，跟随我们的步骤，你将能创建出既美观又富有信息量的可视化作品。
mrq4nk6ni2neg
15 4

热门文章

最新文章

  • 1
    5分钟构建API接口服务 | python小知识
  • 2
    《利用Python进行数据分析·第2版》第8章 数据规整：聚合、合并和重塑
  • 3
    python中函数基本运用
  • 4
    Python 类的使用一
  • 5
    linux python eclipse 安装
  • 6
    Python安装setuptools遇到的MARKER_EXPR错误
  • 7
    python实战：分析网站的m3u8文件下载ts文件并解密
  • 8
    python实例[判断操作系统类型]
  • 9
    python rabbitmq send messages
  • 10
    笨办法学 Python · 续 练习 40：SQL 读取
  • 1
    Python进阶语法之推导式
    39
  • 2
    Python基础语法：类笔记
    42
  • 3
    [oeasy]python0015_键盘改造_将esc和capslock对调_hjkl_移动_双手正位
    46
  • 4
    Python中的面向对象
    34
  • 5
    python制作七夕音乐贺卡
    87
  • 6
    Python自动化测试代理程序可用性
    47
  • 7
    使用Python pandas的sort_values()方法可按一个或多个列对DataFrame排序
    203
  • 8
    在Python的Pandas中，可以通过直接赋值或使用apply函数在DataFrame添加新列。
    237
  • 9
    Python小工具包
    95
  • 10
    python图片九宫格图片处理
    76

    • 相关课程

    更多
  • Python爬虫实战
  • Python开发基础入门
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • Python新手入门
  • Python入门
  • Python选择及循环结构
  • Python新手入门（Anolis OS）
  • Python网络通信程序典型应用

    • 推荐镜像

    更多
  • python-release
  • nodejs-release
  • GNU
    • 下一篇
    无影云桌面