常见图表及散点图 | Python 数据可视化库 Matplotlib 快速入门之十三

简介: Matplotlib能够绘制折线图、散点图、柱状图、直方图、饼图。我们需要知道不同的统计图的意义,以此来决定选择哪种统计图来呈现我们的数据。

上一节:折线图应用场景

散点图(scatter)

学习目标

  • 目标

    。掌握常见统计图及其意义
    。绘制散点图
    AI 代码解读
  • 应用

    。探究不同变量之间的关系
    AI 代码解读
  • 内容预览

    。2.3.1常见图形种类及意义
    AI 代码解读

    。2.3.2散点图绘制

    。2.3.3散点图应用场景
    
    AI 代码解读

Matplotlib能够绘制折线图、散点图、柱状图、直方图、饼图。
我们需要知道不同的统计图的意义,以此来决定选择哪种统计图来呈现我们的数据。

常见图形种类及意义

  • 折线图 plot :以折线的上升或下降来表示统计数量的增减变化的统计图
    特点:能够显示数据的变化趋势,反映数据的变化情况。(变化)

image.png

  • 散点图 scatter :用两组数据构成多个坐标点,考察坐标点的分布,判断两变量之间是否存在某种关联或总结坐标点的分布模式。
    特点:判断数据之间是否存在数量关联趋势,展示离群点(分布规律)

image.png

  • 柱状图 bar :排列在工作表的行或列中的数据可以绘制在柱状图中。
    特点:绘制连离散的数据,能够一眼看出各个数据的大小,比较数据之间的差别。(统计/对比)

image.png

  • 直方图 histogram :由一系列高度不等的纵向条纹或线段表示数据分布的情况。一般用横轴表示数据范围,纵轴表示分布情况。
    特点:绘制连续性的数据展示一组或者多组数据的分布情况。(统计)

image.png

  • 饼图:用于表示不同分类的占比情况,通过弧度大小来对比各种分类。
    特点:分类数据的占比情况。(占比)

image.png

散点图绘制

示例:
需求:探究房屋面积和房屋价格的关系
房屋面积数据:

x=[225.98247.07253.14457.85241.58301.0120.67288.64163.56120.06207.83342.75147.953.06224.7229.5121.61483.21245.25399.25343.35]
AI 代码解读

房屋价格数据:

y=[196.63203.88210.75372.74202.41247.6124.9239.34140.32104.1517684288.23128.7949.64191.7433.130.74400.02205.35330.64283.45]
AI 代码解读

代码:

#1、准备数据
x=[225.98247.07253.14457.85241.58301.0120.67288.64163.56120.06207.83342.75147.953.06224.7229.5121.61483.21245.25399.25343.35]

y=[196.63203.88210.75372.74202.41247.6124.9239.34140.32104.1517684288.23128.7949.64191.7433.130.74400.02205.35330.64283.45]

#2、创建画布
plt.figure(fig size=(208) , dpi=80)

#3、绘制图像
plt.scatter(x, y)

#4、显示图像
plt.show()
AI 代码解读

执行结果为:
image.png

散点图应用场景

探究不同变量之间的内在关系。

配套视频课程点击这里查看

学习更多有关内容,请订阅 Python学习站 官方技术圈!

目录
打赏
0
0
0
0
183
分享
相关文章
Pandas数据可视化:matplotlib集成(df)
Pandas 是 Python 中强大的数据分析库,Matplotlib 是常用的绘图工具。两者结合可方便地进行数据可视化,帮助理解数据特征和趋势。本文从基础介绍如何在 Pandas 中集成 Matplotlib 绘制图表,如折线图、柱状图等,并深入探讨常见问题及解决方案,包括图表显示不完整、乱码、比例不合适、多子图布局混乱、动态更新图表等问题,提供实用技巧和代码示例。掌握这些方法后,你将能更高效地处理数据可视化任务。
60 9
以下是一些常用的图表类型及其Python代码示例,使用Matplotlib和Seaborn库。
通过这些思维导图和分析说明表,您可以更直观地理解和选择适合的数据可视化图表类型,帮助更有效地展示和分析数据。
108 8
利用Python实现数据可视化:以Matplotlib和Seaborn为例
【10月更文挑战第37天】本文旨在引导读者理解并掌握使用Python进行数据可视化的基本方法。通过深入浅出的介绍,我们将探索如何使用两个流行的库——Matplotlib和Seaborn,来创建引人入胜的图表。文章将通过具体示例展示如何从简单的图表开始,逐步过渡到更复杂的可视化技术,帮助初学者构建起强大的数据呈现能力。
Python中交互式Matplotlib图表
【10月更文挑战第20天】Matplotlib 是 Python 中最常用的绘图库之一,但默认生成的图表是静态的。通过结合 mpld3 库,可以轻松创建交互式图表,提升数据可视化效果。本文介绍了如何使用 mpld3 在 Python 中创建交互式散点图、折线图和直方图,并提供了详细的代码示例和安装方法。通过添加插件,可以实现缩放、平移和鼠标悬停显示数据标签等交互功能。希望本文能帮助读者掌握这一强大工具。
117 5
如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`)
本文介绍了如何使用Python实现一个交易策略。主要步骤包括:导入所需库(如`pandas`、`numpy`、`matplotlib`),加载历史数据,计算均线和其他技术指标,实现交易逻辑,记录和可视化交易结果。示例代码展示了如何根据均线交叉和价格条件进行开仓、止损和止盈操作。实际应用时需注意数据质量、交易成本和风险管理。
158 5
Seaborn 库创建吸引人的统计图表
【10月更文挑战第11天】本文介绍了如何使用 Seaborn 库创建多种统计图表,包括散点图、箱线图、直方图、线性回归图、热力图等。通过具体示例和代码,展示了 Seaborn 在数据可视化中的强大功能和灵活性,帮助读者更好地理解和应用这一工具。
60 3
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第27天】在数据分析领域,Python的Pandas库因其强大的数据处理能力而备受青睐。本文介绍了Pandas在数据导入、清洗、转换、聚合、时间序列分析和数据合并等方面的高效技巧,帮助数据分析师快速处理复杂数据集,提高工作效率。
116 0
解锁 Python 数据分析新境界:Pandas 与 NumPy 高级技巧深度剖析
Pandas 和 NumPy 是 Python 中不可或缺的数据处理和分析工具。本文通过实际案例深入剖析了 Pandas 的数据清洗、NumPy 的数组运算、结合两者进行数据分析和特征工程,以及 Pandas 的时间序列处理功能。这些高级技巧能够帮助我们更高效、准确地处理和分析数据,为决策提供支持。
73 2
Python数据分析:Pandas库的高效数据处理技巧
【10月更文挑战第26天】Python 是数据分析领域的热门语言,Pandas 库以其高效的数据处理功能成为数据科学家的利器。本文介绍 Pandas 在数据读取、筛选、分组、转换和合并等方面的高效技巧,并通过示例代码展示其实际应用。
84 2

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等