【Python】数据分析:matplotlib条形图

简介: 【Python】数据分析:matplotlib条形图

条形图和之前的折线图的唯一区别就是绘制时是bar((纵向条形图)或者barh(横向条形图)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)
  • 绘制纵向条形图plt.bar(x,y,color="color_name",width=n)
  • 绘制横向向条形图plt.barh(x,y,color="color_name",height=n)
  • 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
  • 显示网格:plt.grid(alpha=n)

其中最重要的是:

绘制纵向条形图plt.bar(x,y,color="color_name",width=n)

绘制横向向条形图plt.barh(x,y,color="color_name",height=n)

Demo01:绘制电影票房的纵向条形图

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)
movie_name = ["长津湖之水门桥","独行月球","这个杀手不太冷静","人生大事","万里归途","奇迹笨小孩","侏罗纪世界3","熊出没之重返地球","阿凡达:水之道","神探大战"]
box_office = [51,34,32,31,25,24,22,19,14,10]
plt.bar(range(len(movie_name)),box_office,width=0.6,color="orange")
plt.xticks(range(len(movie_name)),movie_name,rotation=45,fontproperties=fm)
plt.title("2022年票房排名前十电影",fontproperties=fm)
plt.xlabel("电影名",fontproperties=fm)
plt.ylabel("票房",fontproperties=fm)
plt.grid(alpha=0.3)
plt.show()
plt.savefig("./images/bar.png")

纵向条形图.png

Demo02:绘制电影票房的横向条形图

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)
movie_name = ["长津湖之水门桥","独行月球","这个杀手不太冷静","人生大事","万里归途","奇迹笨小孩","侏罗纪世界3","熊出没之重返地球","阿凡达:水之道","神探大战"]
box_office = [51,34,32,31,25,24,22,19,14,10]
plt.barh(range(len(movie_name)),box_office,height=0.6,color="green")
plt.yticks(range(len(movie_name)),movie_name,fontproperties=fm)
plt.title("2022年票房排名前十电影",fontproperties=fm)
plt.ylabel("电影名",fontproperties=fm)
plt.xlabel("票房",fontproperties=fm)
plt.grid(alpha=0.3)
plt.show()
plt.savefig("./images/barh.png")

横向条形图.png

Demo03:绘制电影票房的纵向条形图

from matplotlib import pyplot as plt
from matplotlib import font_manager
fm = font_manager.FontProperties(fname = 'F:\HuaDaBoSi\scratch\practice\img\AlimamaDaoLiTi.ttf')
movie_name = ["长津湖之水门桥","独行月球","这个杀手不太冷静"]
box_office_1 = [51,34,32]
box_office_2 = [31,25,24]
box_office_3 = [22,19,14]
box_width = 0.2
list_1 = list(range(len(movie_name)))
list_2 = list(i+box_width for i in list_1)
list_3 = list(i+box_width*2 for i in list_1)
plt.bar(list_1,box_office_1,color="orange",width=box_width,label="6月1号")
plt.bar(list_2,box_office_2,color="green",width=box_width,label="6月2号")
plt.bar(list_3,box_office_3,color="blue",width=box_width,label="6月3号")
plt.xticks(list_2,movie_name,fontproperties = fm)
plt.legend(loc="upper right",prop=fm)
plt.show()
plt.savefig('./images/multi_bar.png')

目录
相关文章
|
2月前
|
数据采集 数据可视化 数据挖掘
Python数据分析实战:Pandas处理结构化数据的核心技巧
在数据驱动时代,结构化数据是分析决策的基础。Python的Pandas库凭借其高效的数据结构和丰富的功能,成为处理结构化数据的利器。本文通过真实场景和代码示例,讲解Pandas的核心操作,包括数据加载、清洗、转换、分析与性能优化,帮助你从数据中提取有价值的洞察,提升数据处理效率。
178 3
|
4月前
|
数据采集 数据可视化 搜索推荐
Python数据分析全流程指南:从数据采集到可视化呈现的实战解析
在数字化转型中,数据分析成为企业决策核心,而Python凭借其强大生态和简洁语法成为首选工具。本文通过实战案例详解数据分析全流程,涵盖数据采集、清洗、探索、建模、可视化及自动化部署,帮助读者掌握从数据到业务价值的完整技能链。
562 0
|
1月前
|
数据可视化 大数据 关系型数据库
基于python大数据技术的医疗数据分析与研究
在数字化时代,医疗数据呈爆炸式增长,涵盖患者信息、检查指标、生活方式等。大数据技术助力疾病预测、资源优化与智慧医疗发展,结合Python、MySQL与B/S架构,推动医疗系统高效实现。
|
2月前
|
数据可视化 数据挖掘 大数据
基于python大数据的水文数据分析可视化系统
本研究针对水文数据分析中的整合难、分析单一和可视化不足等问题,提出构建基于Python的水文数据分析可视化系统。通过整合多源数据,结合大数据、云计算与人工智能技术,实现水文数据的高效处理、深度挖掘与直观展示,为水资源管理、防洪减灾和生态保护提供科学决策支持,具有重要的应用价值和社会意义。
|
3月前
|
存储 数据挖掘 大数据
基于python大数据的用户行为数据分析系统
本系统基于Python大数据技术,深入研究用户行为数据分析,结合Pandas、NumPy等工具提升数据处理效率,利用B/S架构与MySQL数据库实现高效存储与访问。研究涵盖技术背景、学术与商业意义、国内外研究现状及PyCharm、Python语言等关键技术,助力企业精准营销与产品优化,具有广泛的应用前景与社会价值。
|
11月前
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
本文将引导读者了解如何使用Python进行数据分析,从安装必要的库到执行基础的数据操作和可视化。通过本文的学习,你将能够开始自己的数据分析之旅,并掌握如何利用Python来揭示数据背后的故事。
|
机器学习/深度学习 数据可视化 数据挖掘
使用Python进行数据分析的入门指南
【10月更文挑战第42天】本文是一篇技术性文章,旨在为初学者提供一份关于如何使用Python进行数据分析的入门指南。我们将从安装必要的工具开始,然后逐步介绍如何导入数据、处理数据、进行数据可视化以及建立预测模型。本文的目标是帮助读者理解数据分析的基本步骤和方法,并通过实际的代码示例来加深理解。
230 3
|
6月前
|
机器学习/深度学习 数据采集 数据可视化
Python数据分析,别再死磕Excel了!
Python数据分析,别再死磕Excel了!
289 2
|
9月前
|
机器学习/深度学习 存储 数据可视化
这份Excel+Python飞速搞定数据分析手册,简直可以让Excel飞起来
本书介绍了如何将Python与Excel结合使用,以提升数据分析和处理效率。内容涵盖Python入门、pandas库的使用、通过Python包操作Excel文件以及使用xlwings对Excel进行编程。书中详细讲解了Anaconda、Visual Studio Code和Jupyter笔记本等开发工具,并探讨了NumPy、DataFrame和Series等数据结构的应用。此外,还介绍了多个Python包(如OpenPyXL、XlsxWriter等)用于在无需安装Excel的情况下读写Excel文件,帮助用户实现自动化任务和数据处理。
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
1082 4
数据分析的 10 个最佳 Python 库

推荐镜像

更多