一、 设计目的
本报告旨在通过各种数据可视化方法，提供对于一组船舶数据的综合分析。数据集包含了若干船舶的详细规格信息，包括载重吨（Dwt）、船宽（Beam）、船深（Depth）、总吨（Gt）和总长（LOA）等关键指标。通过绘制柱状图、散点图、饼状图和折线图，本报告旨在揭示船舶数据的关键趋势和洞察。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
二、数据分析可视化
2. 数据预处理
在数据分析之前，我们首先对数据集进行了清洗，处理了缺失的数据点。为保证分析的准确性，我们采用了各列的均值对空缺值进行填充。这样的处理方式保持了数据的整体分布，但在一些情况下可能需要更精细的缺失数据处理策略。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
plt.rcParams['font.sans-serif'] = ['SimHei'] # 读取Excel文件 df = pd.read_excel('ships.xlsx', engine='openpyxl') print(df)
3. 载重吨（Dwt）分析
我们使用柱状图详细分析了船舶的载重吨（Dwt）。载重吨是指船舶可安全载运货物的重量，这是船舶设计和商业运营的关键参数之一。柱状图清晰地展示了Dwt最大的前10名船舶，每根柱子代表一艘船舶，柱子的高度表示其Dwt值。这种可视化手段使我们能够直观地比较各船舶的载重能力，辨识出载重能力最强的船舶，这对于安排重货运输和制定运输计划具有重要意义。
# 柱状图：显示Dwt最大的前10名船舶 top10_dwt = df.nlargest(10, 'Dwt') # 略.... plt.xlabel('船名') plt.ylabel('Dwt') plt.xticks(rotation=45) # 旋转x轴标签，以免重叠 plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域 plt.show()
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
4. 船宽（Beam）与船深（Depth）关系分析
船宽（Beam）与船深（Depth）是决定船舶稳定性和内部容积的重要因素。在这一部分，我们利用散点图探索了这两者之间的关系。每个点代表一艘船舶，横坐标为船宽，纵坐标为船深。通过观察散点的分布，我们可以分析出船宽与船深是否呈现出某种相关性。例如，一条趋势线或聚集模式可能表明宽度增加伴随着深度的增加，这可能指向某些设计上的标准或者稳定性考量。
# 散点图：显示Beam和Depth的关系 plt.figure(figsize=(10, 5)) # 略... plt.ylabel('Depth') plt.show()
5. 总吨（Gt）分布分析
总吨（Gross Tonnage，Gt）是船舶的一个容积指标，反映了船舶内部可用空间的总体积。我们通过饼状图对Gt最大的前5名船舶进行了分析。饼状图中的每一个扇区代表了一个船舶，其大小表示该船在这五艘船中所占的Gt百分比。这种视图可以立即告诉我们哪些船舶占据了更大的内部空间比例，对于船舶管理者来说，了解船舶的相对规模和容积在资源配置和运营决策中非常重要。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
# 饼状图：显示Gt最大的前5名船舶的百分比 top5_gt = df.nlargest(5, 'Gt') plt.figure(figsize=(8, 8)) # 略.... plt.title('Gt最大的前5名船舶的百分比') plt.ylabel('') # 删除默认的y轴标签 plt.show()
6. 总长（LOA）趋势分析
总长（Length Overall，LOA）是衡量船舶长度的标准，从船头到船尾的最长直线距离。在这一部分，我们使用折线图跟踪不同船舶的LOA。折线图逐个连接每艘船舶的LOA数值，形成了一条线，从而揭示了长度的变化趋势。这可以帮助我们比较船舶的绝对尺寸，并可能揭示某些类别的船舶是否遵循特定的长度标准。
# 折线图：显示不同船舶的LOA plt.figure(figsize=(10, 5)) # 略.... plt.ylabel('LOA (m)') plt.show()
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
7. 船宽和船深的综合比较
最终，我们使用了组合图来同时分析前15名船舶的船宽（Beam）和船深（Depth）。这个图包括了柱状图和折线图，柱状图展示了船宽，而折线图展示了船深。两种图表的结合提供了一个多角度的视图，帮助我们了解在船舶设计中船宽和船深是如何相互作用的。例如，我们可以看到是否有任何共同的趋势，如船宽增加是否通常伴随着船深的增加，这可能反映了设计上对船舶性能和稳定性的考虑。
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
top15_beam_depth = df.nlargest(15, 'Beam') fig, ax1 = plt.subplots(figsize=(14, 7)) color = 'tab:blue' ax1.set_xlabel('船名') ax1.set_ylabel('Beam', color=color) # 略.... ax1.set_xticklabels(top15_beam_depth['Ship_Name'], rotation=45) plt.xticks(rotation=45) # 旋转x轴标签，以免重叠 ax2 = ax1.twinx() # 实例化一个第二个坐标轴 color = 'tab:red' ax2.set_ylabel('Depth', color=color) # 略.... ax2.tick_params(axis='y', labelcolor=color) plt.title('前15名船舶的Beam和Depth') plt.tight_layout() # 自动调整子图参数，使之填充整个图像区域 plt.show()
👉👉👉 源码获取 关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈
