马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
x
一 常见图形概念及使用
图表范例 实用场景 焦点特点 柱状图(bar) 比较不同种别数据（如各地域销售额对比）、时间序列分析（离散时间） 高度反映数值大小，支持横向/纵向展示，可叠加分组 折线图(plot) 一连数据趋势比较（适合展示随时间的变革，如股票价格走势、用户增长趋势）、多变量趋势比较 通过线段连接数据点，夸大一连性变革 散点图(scatter) 分析变量间相干性（如身高与体重关系），聚类分析开端观察 用点分布展现数据模式，可添加回归线 饼图/环形图(pie) 体现比例分布（如市场份额占比）、简朴分类（不适合多分类情况） 扇形面积代表比例，环形图可突出中心信息 热力图HeatMap() 矩阵数据密度展示（如用户活跃时段分布、网页点击热区） 颜色深浅映射数值大小，适合高维度数据聚类 箱线图(boxplot) 数据分布统计（如收入中位数、非常值检测）、实行的分组之间结果比较 展示最小值、Q1、中位数、Q3、最大值，识别数据离散度 雷达图(polar) 多维本领评估（如技能评分、产品属性对比） 多边形顶点体现维度，面积反映综合本领 地理舆图(pyecharts) 空间数据可视化（如疫情分布、物流网络） 结合经纬度坐标，支持气泡图、热力层叠加
- 选择原则：
- 明白目标： 趋势分析用折线图，占比用饼图，分布用散点/箱线图
- 简化维度： 避免过度复杂（如3D图表可能低落可读性）
- 颜色规范： 使用差异显着的色系，色盲友好（避免红绿对比）
- 热力图（Heatmap）
- 概念:热力图是一种以颜色深浅来体现数据大小的二维图形。颜色通常从浅到深体现数值从低到高，或者相反。
- 使用场景
- 二维数据展示 ：用于展示二维数据矩阵中的数值分布情况。例如，展示不同时间段不同地域的销售额热度，或者基因表达矩阵中基因在不同样本中的表达程度。
- 密度展示 ：可以用于展示数据点的密度分布。例如，在地理信息体系（GIS）中展示人口密度。
二、Matplotlib
（一）Matplotlib 简介
Matplotlib 是 Python 中最常用的绘图库之一，它提供了丰富的绘图功能，可以用于绘制各种静态、动态、交互式的二维和三维图形。
（二）根本图形绘制
- import matplotlib.pyplot as plt
- import numpy as np
-
- # 生成数据
- x = np.linspace(0, 10, 100)
- y = np.sin(x)
-
- # 创建画布与子图
- fig, ax = plt.subplots(figsize=(8, 4))
-
- # 绘制折线图
- # linewidth（线宽）、markersize（标记大小）、alpha（透明度）
- # fontsize 和 fontfamily 用于设置标题和标签的字体大小和字体系列。
-
-
- ax.plot(x, y, label='sin(x)', color='blue', linestyle='--')
- ax.set_title("Sine Wave") # 标题
- ax.set_xlabel("X Axis") # X轴标签
- ax.set_ylabel("Y Axis") # Y轴标签
- ax.legend() # 显示图例
- ax.grid(True, linestyle=':') # 网格线
-
- plt.show() # 展示图形
- fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(10, 6))
-
- # 第一个子图：柱状图
- axes[0,0].bar(['A', 'B', 'C'], [20, 35
|
