Python财经应用-编程基础、数据分析与可视化课件第7章-Matplotlib库与数据可视化-7.1数据可视化概述-7.2Matplotlib库的概述

Python财经应用：编程基础、数据分析与可视化第七章Matplotlib库与数据可视化中国农业大学李辉Matplotlib库与数据可视化01数据可视化概述02Matplotlib库的概述03Matplotlib库绘图的基本流程04使用Matplotlib库绘图常用图表05图表辅助元素的设置Matplotlib库与数据可视化01数据可视化概述02Matplotlib库的概述03Matplotlib库绘图的基本流程04使用Matplotlib库绘图常用图表05图表辅助元素的设置7.1数据可视化概述第七章Matplotlib库与数据可视化数据可视化概述数据可视化在财经数据分析中极为关键，它能将复杂数据以直观图表形式呈现，助力决策者快速把握数据规律、趋势和关联。本章节全面阐述数据可视化基础概念、常见图表类型及应用场景，深度剖析Python中主流可视化工具库Matplotlib的运用。章节先介绍数据可视化基础，涵盖常见图表类型及其适用场景，为合理选择可视化方式奠基。随后聚焦

Matplotlib库，从导入设置、绘图层次结构，到创建简单图表与子图流程，进行详尽讲解。同时，着重讲解图表辅助元素设置，如坐标轴标签、标题等，提升图表可读性与专业性。数据可视化概述——常见的可视化图表类型直方图，又称为质量分布图，它是一种统计报告图，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的类型，纵轴表示分布情况，只适用于中小规模的数据集，不适用于大规模的数据集。折线图，是用直线段将各数据点连接起来而组成的图形，以折线的方式显示数据的变化趋势。折线图可以显示随时间变化的连续数据，适用于显示在相等时间间隔下数据的趋势。直图数据可视化概述——常见的可视化图表类型条形图，是用宽度相同的条形的高度或者长短来表示数据多少的图表，可以横置或纵置，纵置时也称为柱形图。通过条形的长短，可以比较四个季度这三种商品的销售情况。饼图，可以显示一个数据序列（图表中绘制的相关数据点）中各项的大小与占各项总和的比例，每个数据序列具有唯一的颜色或图形，并且与图例中的颜色是相对应的。直图数据可视化概述——常见的可视化图表类型散点图，在回归分析中，散点图是指数据点在直角坐标系平面上的分布图，通常用于比较跨类别的数据。散点图包含的数据点越多，比较的效果就会越好。箱形图，又称为盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图，因形状如箱子而得名，在各种领域中也经常被使用，常见于品质管理。直图数据可视化概述——常见的可视化图表类型总结上述几种图表的适用场景如下：直方图：适用于展示数据分布的频数比较。折线图：适合展现数据随时间或其他变量变化的趋势。条形图：用于比较不同项目或类别之间的差异，与直方图在功能上有相似之处。饼图：有效地表示样本或总体中各部分的占比，对于分析结构组成极为有用。散点图：用于揭示数据系列中各点之间的关系，通过x、y轴的对应关系，判断变量间的相关性。箱形图：在识别和突出异常值方面具有显著优势。数据可视化概述——可视化图表的基本构成数据分析图表种类繁多，然而，它们的基本构成元素却是共通的。每个图表都是由画布（figure）和轴域（axes）这两个核心对象搭建而成。画布充当了一个绘图的容器，其上可以容纳多个轴域，为图表的多样性提供了空间。一个完整的图表通常包含以下要素：画布作为基础框架、醒目的图表标题、用于绘图的区域、展示数据的数据系列、标示数据位置的坐标轴、清晰的坐标轴标题、解释数据含义的图例、辅助理解的文本标签以及增强视觉效果的网络线等。这些元素共同构成了一个信息丰富、视觉美观的数据图表。数据可视化概述——可视化图表的基本构成1.图表组成部分的功能：（1）画布作为图表的基础，画布是图中最大的白色区域，它承载了所有其他图表元素的布局与展示。（2）图表标题用以概括图表主题的文字描述，通常具备设置标题字体、字号及颜色等个性化功能，以增强图表的直观性。（3）绘图区画布内专门用于展示图形的矩形区域，其填充颜色和位置可根据需要调整，以优化图表的整体视觉效果。（4）数据系列数据区域中，同一列或行的数值数据集合构成一个数据系列，代表图表中相关数据点的集合。图表可包含一组或多组数据系列，不同系列通常通过图案、颜色或符号的差异来区分。数据可视化概述——可视化图表的基本构成1.图表组成部分的功能：（5）坐标轴及坐标轴标题坐标轴由垂直和水平的线条组成，用于标识数值大小和分类，带有刻度标志。水平轴（x轴）通常表示数据分类，而垂直轴（y轴）表示数值大小。坐标轴标题则清晰地说明了轴的分类和内容。（6）图例图例通过符号、颜色或形状来定义图表中数据系列所代表的内容。它由图例标识（不同颜色的小方块等）和图例项（数据系列名称）组成，确保每种图例标识唯一对应一个图例项。（7）文本标签为数据系列提供额外的说明文字，增强信息的可读性和解释性。（8）标签与文本标签功能相同，用于为数据点或系列添加描述性文字。（9）网格线绘图区内贯穿的线条，如同标尺一般，用于衡量数据系列数值的标准。网格线的宽度、样式、颜色以及与坐标轴的对应关系均可根据需要进行调整。数据可视化概述——可视化图表的基本构成2.图表的构成：图表的结构由两大核心对象组成：画布（figure）和轴域（axes）。画布：充当着绘图的容器，提供了一个广阔的舞台，在其上可以灵活地划分出多个轴域，以容纳不同的数据展示区域。轴域：表示一个带坐标系的绘图区域。数据可视化概述——数据可视化方式选择依据数据可视化图形的表达需要配合展示用户的意图和目标，即要表达什么思想就应该选择对应的数据可视化展示方式。数据可视化在传递信息时，可根据主题内容分为四大类：趋势、对比、结构和关系。1.趋势趋势揭示了事物发展的动态路径，如增长或下降的走势、状态的改善或恶化等。它通常用于分析随时间推移的事物变化。例如，我们可以观察每日用户数量的增减、每周订单量的波动或每月转化率的变化。在表现趋势时，折线图是首选的可视化工具，而在时间跨度较短的情况下，柱形图也是一个合适的选择。数据可视化概述——数据可视化方式选择依据数据可视化图形的表达需要配合展示用户的意图和目标，即要表达什么思想就应该选择对应的数据可视化展示方式。数据可视化在传递信息时，可根据主题内容分为四大类：趋势、对比、结构和关系。2.对比对比关注的是不同事物之间或同一事物在不同时间点的差异。它直观地展现了事物间的对比性。例如，比较新用户与老用户的平均消费额、不同广告渠道带来的订单量和利润率等。对比分析常用的可视化图形包括柱形图、条形图和雷达图等。数据可视化概述——数据可视化方式选择依据数据可视化图形的表达需要配合展示用户的意图和目标，即要表达什么思想就应该选择对应的数据可视化展示方式。数据可视化在传递信息时，可根据主题内容分为四大类：趋势、对比、结构和关系。3.结构结构，亦称为成分或构成，它描述了一个整体由哪些部分组成，以及这些部分的影响力或占比。例如，分析不同产品类别的利润贡献比例、不同客户类型的销售额比例等。结构分析通常采用饼图及其变体，如玫瑰图、扇形图、环形图等。若需比较多个周期或分布的结构，面积图则更为适用。数据可视化概述——数据可视化方式选择依据数据可视化图形的表达需要配合展示用户的意图和目标，即要表达什么思想就应该选择对应的数据可视化展示方式。数据可视化在传递信息时，可根据主题内容分为四大类：趋势、对比、结构和关系。4.关系关系揭示了不同事物之间的相互作用和联系，这些联系可能呈现出多样的类型和结构。例如，微博的转发路径展现了信息的扩散关系；用户常一起购买的商品揭示了交叉销售关系；网页浏览顺序则体现了基于时间序列的关联关系。在展示关系时，可视化的选择多样，如关系图、树形图、漏斗图和散点图等，具体取决于可视化的目标。数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：1.MatplotlibMatplotlib是Python数据可视化库的基石，其设计灵感源自20世纪80年代的商业化程序语言MATLAB，拥有众多强大而复杂的绘图功能。Matplotlib提供了多种API，使得用户能够以多种方式创建和定制图表。数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：2.SeabornSeaborn是基于Matplotlib的高级封装，它简化了绘图过程，提供了更加互动的用户界面，并且图表色彩更加鲜明，能够轻松绘制出多种统计图表。数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：3.ggplotggplot库借鉴了R语言的ggplot2，采用图层叠加的方式来构建图表，例如，先绘制坐标轴，再添加数据点和线条。尽管它不擅长个性化定制，但提供了一种简洁的绘图方式。值得注意的是，ggplot的一些API在Python中不可用，但在R语言中却非常强大。

数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：4.BokehBokeh是一个强大的交互式可视化库，它能够在Web浏览器中展示图表，支持将大型数据集快速转换为高性能、可交互且结构清晰的图表。数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：5.PygalPygal专注于生成可缩放的矢量图表，输出SVC格式的图表，这些图表可以在不同分辨率的屏幕上自动缩放，便于用户进行交互。数据可视化概述——常见的数据可视化库Python作为数据分析领域的核心语言，为数据处理的各个阶段提供了丰富的库支持。在数据可视化方面，以下是一些常用的Python库：6.PyechartsPyecharts用于生成ECharts图表，这些图表以其优秀的交互性和精致的设计赢得了广泛开发者的青睐。Matplotlib库与数据可视化01数据可视化概述02Matplotlib库的概述03Matplotlib库绘图的基本流程04使用Matplotlib库绘图常用图表05图表辅助元素的设置7.2Matplotlib库的概述第七章Matplotlib库与数据可视化Matplotlib库的概述——Matplotlib库的使用导入与设置Matplotlib库提供了一种通用的绘图方法，其中应用最广泛的是matplotlib.pyplot模块，导入该模块后，即可直接调用其中的各种绘图功能：importmatplotlib.pyplotasplt#导入Matplotlib绘图包Matplotlib使用rc参数定义图形的各种默认属性，如画布大小、线条样式、坐标轴、文本、字体等，rc参数存储在字典变量中，根据需要可以修改默认属性。例如，使用以下设置语句可以在图表中正常显示中文或坐标轴的负号刻度。plt.rcParams['font.sans-serif']=['SimHei']#设置字体正常显示中文plt.rcParams['axes.unicode_minus']=False#设置坐标轴正常显示负号Matplotlib库的概述——Matplotlib库绘图的层次结构假设想画一幅素描，首先需要在画架上放置并固定一个画板，然后在画板上放置并固定一张画布，最后在画布上画图。同理，使用Matplotlib库绘制的图形并非只有一层结构，它也是由多层结构组成的，以便对每层结构进行单独设置。使用Matplotlib绘制的图形主要由三层组成：容器层、图像层和辅助显示层。Matplotlib库的概述——Matplotlib库绘图的层次结构1.容器层容器层由Canvas对象、Figure对象和Axes对象这三个核心组件构成。Canvas对象扮演着画板的角色，位于整个层次结构的底层，为绘图提供基础平台。Figure对象则相当于画布，它能够承载多个图表，位于Canvas对象的上方，构成用户交互的应用层的最底层。Axes对象则代