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）

2024-05-11 214
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
aliyun1645995785-22449
目录
相关文章
计算机程序设计Y2013070224
|
1月前
|
数据可视化 关系型数据库 MySQL
基于python大数据的的海洋气象数据可视化平台
针对海洋气象数据量大、维度多的挑战，设计基于ECharts的可视化平台，结合Python、Django与MySQL，实现数据高效展示与交互分析，提升科研与决策效率。
计算机程序设计Y2013070224
141 1
计算机程序设计Y2013070224
|
2月前
|
机器学习/深度学习 数据可视化 搜索推荐
基于python的汽车数据可视化、推荐及预测系统
本研究围绕汽车数据可视化、推荐及预测系统展开，结合大数据与人工智能技术，旨在提升用户体验与市场竞争力。内容涵盖研究背景、意义、相关技术如 Python、ECharts、协同过滤及随机森林回归等，探讨如何挖掘汽车数据价值，实现个性化推荐与智能预测，为汽车行业智能化发展提供支持。
计算机程序设计Y2013070224
140 8
小白学大数据
|
2月前
|
数据采集 Web App开发 自然语言处理
新闻热点一目了然：Python爬虫数据可视化
新闻热点一目了然：Python爬虫数据可视化
小白学大数据
380 6
计算机程序设计Y2013070224
|
2月前
|
数据采集 数据可视化 关系型数据库
基于python大数据的电影数据可视化分析系统
电影分析与可视化平台顺应电影产业数字化趋势，整合大数据处理、人工智能与Web技术，实现电影数据的采集、分析与可视化展示。平台支持票房、评分、观众行为等多维度分析，助力行业洞察与决策，同时提供互动界面，增强观众对电影文化的理解。技术上依托Python、MySQL、Flask、HTML等构建，融合数据采集与AI分析，提升电影行业的数据应用能力。
计算机程序设计Y2013070224
215 10
计算机程序设计Y2013070224
|
2月前
|
数据采集 搜索推荐 数据可视化
基于python大数据的商品数据可视化及推荐系统
本系统基于Python、Django与ECharts，构建大数据商品可视化及推荐平台。通过爬虫获取商品数据，利用可视化技术呈现销售趋势与用户行为，结合机器学习实现个性化推荐，助力电商精准营销与用户体验提升。
计算机程序设计Y2013070224
150 4
计算机程序设计Y2013070224
|
2月前
|
数据可视化 大数据 数据挖掘
基于python大数据的招聘数据可视化分析系统
本系统基于Python开发，整合多渠道招聘数据，利用数据分析与可视化技术，助力企业高效决策。核心功能包括数据采集、智能分析、可视化展示及权限管理，提升招聘效率与人才管理水平，推动人力资源管理数字化转型。
计算机程序设计Y2013070224
239 0
计算机程序设计Y2013070224
|
3月前
|
搜索推荐 算法 数据可视化
基于python大数据的招聘数据可视化及推荐系统
本研究聚焦于基于协同过滤的就业推荐系统设计与实现。随着就业压力增大和信息技术发展，传统求职方式面临挑战。通过分析用户行为与职位特征，协同过滤技术可实现个性化职位推荐，提升求职与招聘效率。研究涵盖系统架构、数据采集、算法实现及可视化展示，旨在优化就业匹配，促进人才与岗位精准对接，助力就业市场智能化发展。
计算机程序设计Y2013070224
157 0
Deephub
|
5月前
|
数据可视化 算法 数据挖掘
Python 3D数据可视化：7个实用案例助你快速上手
本文介绍了基于 Python Matplotlib 库的七种三维数据可视化技术，涵盖线性绘图、散点图、曲面图、线框图、等高线图、三角剖分及莫比乌斯带建模。通过具体代码示例和输出结果，展示了如何配置三维投影环境并实现复杂数据的空间表示。这些方法广泛应用于科学计算、数据分析与工程领域，帮助揭示多维数据中的空间关系与规律，为深入分析提供技术支持。
Deephub
207 0
Python 3D数据可视化：7个实用案例助你快速上手
互联网课堂
|
6月前
|
人工智能 数据可视化 数据挖掘
如何使用Python进行数据可视化
Python是一种强大的编程语言，广泛应用于数据分析与可视化。常见的可视化库有Matplotlib、Seaborn和Plotly等。数据可视化通常包括以下步骤：准备数据（如列表或从文件读取）、选择合适的工具、绘制图表、优化样式（如标题和标签）以及保存或分享结果。例如，使用Matplotlib可通过简单代码绘制线图并添加标题和轴标签。实际应用中，可通过调整颜色、样式等进一步优化图表，甚至使用交互式工具提升效果。总之，Python的丰富工具为数据可视化提供了强大支持。
互联网课堂
225 5
站大爷
|
11月前
|
数据可视化 数据挖掘 DataX
Python 数据可视化的完整指南
Python 数据可视化在数据分析和科学研究中至关重要，它能帮助我们理解数据、发现规律并以直观方式呈现复杂信息。Python 提供了丰富的可视化库，如 Matplotlib、Seaborn、Plotly 和 Pandas 的绘图功能，使得图表生成简单高效。本文通过具体代码示例和案例，介绍了折线图、柱状图、饼图、散点图、箱形图、热力图和小提琴图等常用图表类型，并讲解了自定义样式和高级技巧，帮助读者更好地掌握 Python 数据可视化工具的应用。
站大爷
664 3

热门文章

最新文章

  • 1
    基于python大数据的台风灾害分析及预测系统
  • 2
    基于python大数据的青少年网络使用情况分析及预测系统
  • 3
    基于Python大数据的热门游戏推荐系统
  • 4
    文本分析-使用Python做词频统计分析
  • 5
    【技术分享】强化学习中使用seaborn绘制带有均值Reward的图片
  • 6
    Python数据可视化：用Seaborn绘制高端玩家版散点图
  • 7
    零基础学python之文本和编码问题
  • 8
    python之sys模块
  • 9
    45. Python 小练习
  • 10
    用python实现一个不排序的列表功能
  • 1
    Python中的列表推导式：简洁高效的数据处理艺术
    329
  • 2
    Python字符串格式化利器：f-strings入门指南
    336
  • 3
    Python列表推导式：简洁高效的数据处理利器
    328
  • 4
    Python高效字符串格式化：f-strings的魅力
    238
  • 5
    掌握Python装饰器：轻松统计函数执行时间
    377
  • 6
    Python f-strings：让字符串格式化更简洁高效！
    286
  • 7
    Python爬取招标信息并生成可视化分析报告
    552
  • 8
    用 Python 制作简单小游戏教程：手把手教你开发猜数字游戏
    636
  • 9
    Python3.14正式支持Free Threaded版本！
    720
  • 10
    Python web Django快速入门手册全栈版，共2590字，短小精悍
    234

    • 相关课程

    更多
  • Python Web开发基础
  • 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

    • 推荐镜像

    更多
  • python-release
    • 下一篇
    阿里云弹性公网IP线路类型【BGP(多线)_精品】是什么意思？