Pandas表格样式美化指南:应用条形图

简介: Pandas表格样式美化指南:应用条形图

在数据分析的世界里,Pandas不仅仅是数据处理的得力助手,它还拥有强大的表格样式设置功能,可以让你的数据分析报告更加生动、直观。通过对表格样式的调整,我们可以更好地突出关键数据,提高数据的可读性,从而使分析结果一目了然。

Pandas的DataFrame提供了.style 属性,它可以帮助我们对表格进行美化。我们可以调整字体、背景色、边框等,甚至可以应用条件格式化,让数据自己“说话”。

以下是一些常用的样式设置方法:

设置精度:使用 .style.format方法,我们可以设置表格中数字的显示精度。

条件格式化:

使用 .style.applymap方法,基于单元格的值改变样式,如根据值的高低改变字体颜色。

.style.apply方法可以在行或列的级别上应用样式。应用条形图:.style.bar方法可以在单元格内添加条形图,直观显示数值大小。高亮最大最小值:.style.highlight_max 和 .style.highlight_min 可以高亮显示每列的最大值和最小值。

自定义样式函数:创建自定义样式函数,为满足特定条件的单元格设置特定样式。style模块提供了不同的选项来修改数据的外观,允许我们自定义以下方面:

给单元格着色:根据单元格值或条件应用不同的颜色。

突出显示:强调特定的行、列或值。

格式:调整显示值的格式,包括精度和对齐方式。

条形图:在单元格内用水平或垂直条形图表示数据。


下面,本篇主要讲一下应用条形图的实例展示比如:你有一个100名学生的学习成绩的 DataFrame,通过以下几行代码生成的:


import pandas as pdimport numpy as np
# 设置随机数种子,以便结果可复现np.random.seed(0)
# 创建一个包含100名学生的DataFrame# 生成数据students = pd.DataFrame({    '学号': np.arange(1, 101),    '语文': np.random.randint(50, 100, 100),    '数学': np.random.randint(50, 100, 100),    '英语': np.random.randint(50, 100, 100),    '物理': np.random.randint(50, 100, 100),    '化学': np.random.randint(50, 100, 100),    '生物': np.random.randint(50, 100, 100),    '历史': np.random.randint(50, 100, 100),    '地理': np.random.randint(50, 100, 100)})

b4ab56a9ca0383b73b28e1d8fd45b29f.png


styled_df1 = students.style.bar(color='#FFCFC9',subset=['语文','数学','英语']).bar(color='#FFF1B0',subset=['物理','化学','生物']).bar(color='#BEEAE5',subset=['历史','地理'])

运行效果为:

d588f22f33db07ca09c1268f7497c99f.png

注意:这个应用条形图的样式是不能保存到Excel中的,这点确实有点让人出乎意料。


styled_df1.to_excel('1111.xlsx', engine='openpyxl', index=False)

这个语句是不能将样式保存到Excel中的

后面,我们将逐一讲述.style中的自定义样式函数,请大家持续关注

相关文章
|
6月前
|
存储 数据挖掘 数据处理
Pandas中explode()函数的应用与实战
Pandas中explode()函数的应用与实战
112 0
|
4月前
|
数据挖掘 Python
【Python】已解决:Python pandas读取Excel表格某些数值字段结果为NaN问题
【Python】已解决:Python pandas读取Excel表格某些数值字段结果为NaN问题
351 0
|
2月前
|
数据处理 Python
Pandas中的map函数应用
Pandas中的map函数应用
17 2
|
2月前
|
数据挖掘 Python
pandas中的groupby函数应用
pandas中的groupby函数应用
15 0
pandas中的groupby函数应用
|
2月前
|
Python
pandas中的applymap函数应用
pandas中的applymap函数应用
18 0
|
2月前
|
Python
Pandas中的apply函数应用
Pandas中的apply函数应用
17 0
|
3月前
|
数据可视化 Python
五种Pandas图表美化样式汇总
五种Pandas图表美化样式汇总
|
4月前
|
数据采集 机器学习/深度学习 数据处理
数据科学家的秘密武器:Pandas与NumPy高级应用实战指南
【7月更文挑战第14天】Pandas与NumPy在数据科学中扮演关键角色。Pandas的DataFrame和Series提供高效数据处理,如数据清洗、转换,而NumPy则以ndarray为基础进行数值计算和矩阵操作。两者结合,从数据预处理到数值分析,形成强大工具组合。示例展示了填充缺失值、类型转换、矩阵乘法、标准化等操作,体现其在实际项目中的协同效用。掌握这两者,能提升数据科学家的效能和分析深度。**
43 0
|
5月前
|
SQL 数据可视化 数据挖掘
Pandas透视表及应用(二)
这个文本是关于使用Pandas进行数据分析的教程,主要关注会员数据的处理和业务指标的计算。
|
5月前
|
监控 数据可视化 数据挖掘
Pandas透视表及应用(一)
数据透视表(Pivot Table)是一种交互式的表,可以进行某些计算,如求和与计数等。所进行的计算与数据跟数据透视表中的排列有关。