数据可视化 - Pandas数据分析实战训练营

第一章 Matplotlib基础

1.1 什么是Matplotlib

Matplotlib是Python中最常用的数据可视化库之一，可以创建各种高质量的静态、动态和交互式图表。

pyplot模块：Matplotlib的主要接口
Figure：整个图形对象
Axes：绘图区域
线条样式：颜色、线型、标记

💡 Matplotlib是数据科学中不可或缺的工具，掌握它可以让你的数据分析结果更加直观。

1.2 基本绘图语法

import matplotlib.pyplot as plt

# 创建简单折线图
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title('Simple Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

第二章常用图表类型

2.1 折线图

折线图用于展示数据随时间或连续变量的变化趋势。

# 折线图示例
plt.plot(x, y, color='blue', linestyle='-', marker='o', label='数据')
plt.legend()
plt.grid(True)

2.2 柱状图

柱状图用于比较不同类别之间的数值差异。

# 柱状图示例
categories = ['A', 'B', 'C', 'D']
values = [30, 45, 25, 50]

plt.bar(categories, values, color=['red', 'green', 'blue', 'orange'])
plt.title('Bar Chart')
plt.show()

2.3 散点图

散点图用于展示两个变量之间的关系。

# 散点图示例
import numpy as np
x = np.random.rand(50)
y = np.random.rand(50)
colors = np.random.rand(50)
sizes = 100 * np.random.rand(50)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.5)
plt.colorbar()
plt.show()

2.4 直方图

直方图用于展示数据的分布情况。

# 直方图示例
data = np.random.randn(1000)
plt.hist(data, bins=30, edgecolor='black')
plt.title('Histogram')
plt.show()

第三章 Seaborn高级可视化

3.1 Seaborn简介

Seaborn是基于Matplotlib的高级可视化库，提供更美观的默认样式和更高级的统计图表。

import seaborn as sns
import pandas as pd

# 设置风格
sns.set_style('darkgrid')

# 创建DataFrame
df = pd.DataFrame({
    'Category': ['A', 'B', 'C', 'A', 'B', 'C'],
    'Value': [10, 20, 15, 25, 30, 22]
})

# 绘制箱线图
sns.boxplot(x='Category', y='Value', data=df)
plt.show()

3.2 热力图

热力图用于展示矩阵数据的相关性。

# 热力图示例
corr_matrix = df.corr()
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.show()

第四章实战练习

4.1 综合示例

创建包含多个子图的综合可视化：

💻 在线代码编辑器

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 10, 100)
y1 = np.sin(x)
y2 = np.cos(x)

# 创建画布和子图
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 5))

# 绘制第一个子图
ax1.plot(x, y1, color='blue', label='sin(x)')
ax1.plot(x, y2, color='red', label='cos(x)')
ax1.set_title('三角函数')
ax1.set_xlabel('X')
ax1.set_ylabel('Y')
ax1.legend()
ax1.grid(True)

# 绘制第二个子图
ax2.scatter(y1, y2, c=x, cmap='viridis', alpha=0.6)
ax2.set_title('散点图')
ax2.set_xlabel('sin(x)')
ax2.set_ylabel('cos(x)')

# 调整布局
plt.tight_layout()
print('图表创建成功！')
print('子图1: 三角函数折线图')
print('子图2: sin(x) vs cos(x) 散点图')

📤 输出结果

练习题（共5题）

练习 1：创建折线图

使用Matplotlib创建简单的折线图。

import matplotlib.pyplot as plt

# 创建数据
x = [1, 2, 3, 4, 5]
y = [10, 20, 15, 25, 30]

# 创建折线图
plt.plot(x, y, marker='o', linestyle='-', color='green')
plt.title('销售趋势')
plt.xlabel('月份')
plt.ylabel('销售额')
plt.grid(True)

print('折线图创建成功！')

📤 输出结果

练习 2：创建柱状图

使用Matplotlib创建柱状图展示不同产品的销量。

import matplotlib.pyplot as plt

# 产品数据
products = ['A', 'B', 'C', 'D']
sales = [120, 85, 200, 150]

# 创建柱状图
plt.bar(products, sales, color=['red', 'blue', 'green', 'orange'])
plt.title('产品销量对比')
plt.xlabel('产品')
plt.ylabel('销量')
plt.grid(axis='y')

print('柱状图创建成功！')

📤 输出结果

练习 3：创建散点图

创建散点图展示身高和体重的关系。

import matplotlib.pyplot as plt
import numpy as np

# 生成模拟数据
np.random.seed(42)
height = np.random.normal(170, 10, 50)
weight = height * 0.6 + np.random.normal(0, 5, 50)

# 创建散点图
plt.scatter(height, weight, alpha=0.7, color='purple')
plt.title('身高与体重关系')
plt.xlabel('身高 (cm)')
plt.ylabel('体重 (kg)')
plt.grid(True)

print('散点图创建成功！')

📤 输出结果

练习 4：创建直方图

使用直方图展示数据分布。

import matplotlib.pyplot as plt
import numpy as np

# 生成正态分布数据
np.random.seed(42)
data = np.random.normal(100, 15, 1000)

# 创建直方图
plt.hist(data, bins=30, edgecolor='black', color='skyblue')
plt.title('数据分布直方图')
plt.xlabel('数值')
plt.ylabel('频数')
plt.grid(axis='y')

print('直方图创建成功！')

📤 输出结果

练习 5：创建子图布局

创建包含多个子图的综合可视化。

import matplotlib.pyplot as plt
import numpy as np

# 创建数据
x = np.linspace(0, 2*np.pi, 100)
y1 = np.sin(x)
y2 = np.cos(x)
y3 = np.tan(x)

# 创建2x2子图布局
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 子图1: 正弦函数
axes[0, 0].plot(x, y1, color='red')
axes[0, 0].set_title('sin(x)')

# 子图2: 余弦函数
axes[0, 1].plot(x, y2, color='blue')
axes[0, 1].set_title('cos(x)')

# 子图3: 正切函数（限制范围）
axes[1, 0].plot(x, np.where(np.abs(y3) < 10, y3, np.nan), color='green')
axes[1, 0].set_title('tan(x)')

# 子图4: 组合图
axes[1, 1].plot(x, y1, label='sin', color='red')
axes[1, 1].plot(x, y2, label='cos', color='blue')
axes[1, 1].legend()
axes[1, 1].set_title('sin + cos')

plt.tight_layout()
print('多子图布局创建成功！')

📤 输出结果

测试题（共 5 题，满分 100 分）

1. 以下哪个是Matplotlib的主要接口模块？

2. 用于创建折线图的Matplotlib函数是？

3. Seaborn是基于哪个库构建的？

4. 用于展示数据分布的图表类型是？

5. 创建子图布局的函数是？

🎉

测试完成！

0分

太棒了！继续努力！

返回首页 →

作业提交

📝 数据可视化作业

请完成以下任务：

创建一个包含模拟销售数据的DataFrame
绘制折线图展示月度销售趋势
绘制柱状图展示产品销量对比
绘制散点图展示两个变量的关系

💻 作业代码提交

📤 代码运行结果