【Python】数据分析:matplotlib散点图

简介: 【Python】数据分析:matplotlib散点图

散点图和之前的折线图的唯一区别就是绘制时是scatter方法

语法知识

复习一下语法知识:

  • 设置字体:fm = font_manager.FontProperties(fname="字体包存放路径")
  • 设置x提示语plt.xlabel("x_label_name",fontproperties=fm)
  • 设置y提示语plt.ylabel("y_label_name",fontproperties=fm)
  • 设置标题plt.title("title_name",fontproperties=fm)
  • 设置横坐标plt.xticks(x_value_list,x_ticks_list,fontproperties=fm,ratation=n)
  • 设置纵坐标plt.yticks(y_value_list,y_ticks_list,fontproperties=fm,rotation=n)
  • 绘制散点图plt.scatter(x,y)
  • 显示图片plt.show()
  • 设置画布大小plt.figure(figsize=(m,n),dpi=p
  • 设置图例:plt.legend(loc="upper right",prop = fm)
  • 保存图片:plt.savefig("savepath+figname"): # 保存图片至savepath并命名为figname

Demo:绘制March和April温度图

from matplotlib import pyplot as plt
from matplotlib import font_manager
fm = font_manager.FontProperties(fname='F:\HuaDaBoSi\scratch\practice\img\AlimamaDaoLiTi.ttf')
plt.figure(figsize=(20,8),dpi=80)
temperature_3 = [12,13,14,28,10,15,17,23,24,24]
temperature_4 = [29,23,24,18,20,25,17,16,14,14]
x_3 = range(1,31,3)
x_4 = range(41,71,3)
plt.scatter(x_3,temperature_3,label="March")
plt.scatter(x_4,temperature_4,label="April")
x_ = list(x_3) + list(x_4)
x_tick_label = ["March,{}".format(i) for i in x_3]
x_tick_label += ["April,{}".format(i-40) for i in x_4]
plt.xticks(x_[::],x_tick_label[::],fontproperties = fm,rotation=45)
plt.legend(loc="upper right",prop = fm)
plt.xlabel("Time",fontproperties = fm)
plt.ylabel("Temperature",fontproperties = fm)
plt.title("The temperature between March and April",fontproperties=fm)
plt.show()

目录
相关文章
|
9天前
|
数据采集 数据可视化 数据挖掘
数据挖掘实战:使用Python进行数据分析与可视化
在大数据时代,Python因其强大库支持和易学性成为数据挖掘的首选语言。本文通过一个电商销售数据案例,演示如何使用Python进行数据预处理(如处理缺失值)、分析(如销售额时间趋势)和可视化(如商品类别销售条形图),揭示数据背后的模式。安装`pandas`, `numpy`, `matplotlib`, `seaborn`后,可以按照提供的代码步骤,从读取CSV到数据探索,体验Python在数据分析中的威力。这只是数据科学的入门,更多高级技术等待发掘。【6月更文挑战第14天】
48 11
|
3天前
|
数据采集 机器学习/深度学习 数据可视化
利用Python和Pandas库构建高效的数据分析流程
在数据驱动的时代,数据分析已成为企业决策的关键环节。本文介绍如何利用Python编程语言及其强大的数据分析库Pandas,构建一套高效且可扩展的数据分析流程。与常规的数据分析流程不同,本文不仅涵盖数据加载、清洗、转换等基础步骤,还强调数据可视化、模型探索与评估等高级分析技巧,并通过实际案例展示如何在Python中实现这些步骤,为数据分析师提供一套完整的数据分析解决方案。
|
4天前
|
机器学习/深度学习 数据采集 数据可视化
使用Python进行数据分析涉及数据收集
【6月更文挑战第21天】使用Python进行数据分析涉及数据收集(如数据库、文件、API),数据清洗(处理缺失值、异常值和重复项),数据探索(统计摘要、可视化和相关性分析),特征工程(创建新特征和编码),模型构建(选择算法、训练与调整),模型评估(计算指标、可视化效果),结果解释(报告和可视化),以及部署与维护。此过程因项目需求而异,可能需迭代。常用库有`pandas`、`requests`、`BeautifulSoup`、`Matplotlib`等。
13 1
|
8天前
|
数据挖掘 数据库连接 Python
GitHub高赞!Python零基础也能搞定的数据分析与处理
经常会有人让我推荐一些 Python 入门教程。虽然 Python 入内教程到处都有,但是这些教程要么太宽泛(没有讲任何关于数据分析的内容),要么太专业(全是关于科学原理的内容)。然而Excel用户往往处在一个中间位置:他们的确是和数据打交道,但是科学原理对于他们来说可能又太专业了。他们常常有一些现有教程无法满足的特殊需求,举例如下 • 为完成某个任务,我应该用哪个 Python-Excel包? • 我如何将 Power Query 数据库连接迁移到 Python? • Excel中的 AutoFilter和数据透视表在 Python 中对应的是什么?
|
8天前
|
存储 数据挖掘 索引
Python streamlit框架开发数据分析网站并免费部署
使用Python的Streamlit框架,开发了一个在线数据分析工具,替代Excel查看设备温度CSV数据。通过pandas读取数据,matplotlib绘制图表。程序处理CSV,提取所需列,计算最大最小平均值,用户可多选查看特定数据。[GitHub](https://github.com/yigedaigua/MGHB)上有完整代码,应用已部署至Streamlit Cloud。
|
4天前
|
数据可视化 数据挖掘 API
Python数据可视化基础:使用Matplotlib绘制图表
Python的Matplotlib是数据可视化的首选库,它提供静态、动态和交互式图表。要开始,先通过`pip install matplotlib`安装。绘制基本折线图涉及导入`pyplot`,设定数据,然后用`plot()`函数画图,如: ```markdown import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [2, 3, 5, 7, 11] plt.plot(x, y, 'o') plt.show() ``` 自定义图表包括更改线条样式、颜色等,例如: ```markdown
|
6天前
|
数据采集 数据可视化 数据挖掘
Python数据分析入门指南
Python数据分析涉及环境搭建(推荐Anaconda,含pandas和matplotlib库)。使用`pandas`读取CSV数据,如`data = pd.read_csv('data.csv')`。数据清洗包括检查缺失值(`data.isnull().sum()`)和处理异常值。然后进行数据处理,如创建新列、选择特定列及分组。利用`matplotlib`进行数据可视化,绘制直方图和散点图,以`plt.hist()`和`plt.scatter()`展示数据。
|
8天前
|
机器学习/深度学习 人工智能 算法框架/工具
Python赋能AI数据分析
Python赋能AI数据分析
23 0
|
12天前
|
数据可视化 Python Windows
使用Python进行数据可视化(一、matplotlib)
使用Python进行数据可视化(一、matplotlib)
|
13天前
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
【6月更文挑战第12天】在数字时代,Python因其强大的数据处理能力和易用性成为数据分析首选工具。结合Pandas(用于高效数据处理)和Matplotlib(用于数据可视化),能助你成为数据分析专家。Python处理数据预处理、分析和可视化,Pandas的DataFrame简化表格数据操作,Matplotlib则提供丰富图表展示数据。掌握这三个库,数据分析之路将更加畅通无阻。

热门文章

最新文章