《数据分析》课件-项目5 数据可视化

5.1数据可视化概述Python数据分析学习目标及重点学习目标：了解数据可视化掌握Python中的数据可视化目录学习内容1.认识数据可视化2.Python中的数据可视化01认识数据可视化1.认识数据可视化数据可视化是在整个数据分析非常重要的一个辅助工具,可以清晰的理解数据，从而调整我们的分析方法。能将数据进行可视化,更直观的呈现。使数据更加客观、更具说服力。02Python中的数据可视化2.Python中的数据可视化Python数据可视化优点灵活性高，可以实现各种细节和功能定制，无论是静态还是交互式图表。Python数据可视化工具都具有很强的适应性。能够方便地与其他Python科学计算库配合使用。2.Python中的数据可视化Python数据可视化工具分类Matplotlib库提供了各种PlotTypes，如bar、histogram、scatter、line等，支持多种数据格式，如NumPy数组、Python列表、Pandas等，并通过细致的参数调整和图像美化，提供了丰富的图形画布和绘制形式。2.Python中的数据可视化Python数据可视化工具分类Seaborn是一个基于Matplotlib的数据可视化Python库，提供了更高级别的图形绘制界面如热图、分类图、网络图等，对于一些数据关系的隐藏、探索和推理。Seaborn提供了更专业的可视化特点、更简单易用的API和配色方案，让我们更方便地完成数据可视化的工作。2.Python中的数据可视化Python数据可视化工具分类Plotly是Python和JavaScript的图表库可以绘制交互式、动态的Web图表。Plotly将JavaScript的图表功能与Python和JupyterNotebook的语言结合在一起，开发出多种可交互的数据可视化工具，如散点图、线图、热图、填充图等，并提供丰富的可视化特性。5.2Matplotlib绘制图表Python数据分析学习目标及重点学习目标：了解Matplotlib熟悉Matplotlib主要特点掌握Matplotlib绘制图表类型学习重点：Matplotlib图表类型目录学习内容1.认识Matplotlib3.Matplotlib图表类型2.Matplotlib特点01认识Matplotlib1.认识MatplotlibMatplotlib是一个强大的Python绘图库。用于创建高质量的静态、动态和交互式图表。提供了广泛的绘图选项，适用于数据可视化、科学计算、工程绘图等多个领域。02Matplotlib特点2.Matplotlib特点丰富的图表类型支持支持各种常见的图表类型，包括折线图、散点图、柱状图、饼图、箱线图、等高线图等。这使得你可以根据不同需求选择最适合的图表类型来展示数据。2.Matplotlib特点高度可定制性Matplotlib提供了丰富的配置选项，允许你自定义图表的各个方面，包括线条样式、颜色、坐标轴刻度、标签、标题等。你可以通过调整这些参数来使图表符合你的需求，并保证图表的美观与易读性。2.Matplotlib特点支持多种输出格式可以将图表保存为多种格式，如图像文件（PNG、JPEG、SVG等）、PDF文档等。这方便了图表的保存和共享，使其可以在各种媒介上使用。2.Matplotlib特点支持交互式图表Matplotlib可以与其他库（如NumPy、Pandas、Seaborn）以及IPython等交互式环境相结合，实现动态和交互式的数据可视化。这让你能够通过操作图表来探索和分析数据。03Matplotlib图表类型3.Matplotlib图表类型plot()方法：用于绘制折线图grid()方法：用于设置图表的网格线figure()方法：用于创建一个画板bar()方法：用于绘制柱状图pie()方法：用于绘制饼图scatter()方法：用于绘制散点图5.3Seaborn绘制统计图表Python数据分析学习目标及重点学习目标：了解Seaborn熟悉Seaborn类型图掌握常见图表绘制学习重点：Seaborn图表绘制目录学习内容1.认识Seaborn3.

常见图表绘制2.Seaborn图表类型01认识Seaborn1.认识SeabornSeaborn是基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形。使用Seaborn可以轻松查看多个变量之间的关系，分类显示观察结果或统计汇总信息，还可以随意设置颜色，是数据分析的必备工具之一。02Seaborn图表类型2.Seaborn图表类型Seaborn根据数据特征分为五种类型：关系图、分类图、分布图、回归图、矩阵图。五个类型共21种图。03常见图表绘制3.常见图表绘制lmplotlmplot主要用于可视化线性回归关系，可以观察两组数据之间是否存在线性关系。3.常见图表绘制catplotcatplot用于将分类图绘制到FacetGrid界面上，根据kind参数不同可以绘制不同类型的分类图。3.常见图表绘制boxplot箱形图（或箱须图）可以在变量之间或类别变量之间以比较的方式显示定量数据的分布。3.常见图表绘制pairplot变量关系组图。此函数将创建一个轴网格，显示每两个变量之间的分布情况。对角轴的处理方式有所不同，显示单个变量的分布图。3.常见图表绘制heatplot热力图，绘制矩形数据作为颜色编码矩阵。5.4Bokeh交互式可视化库Python数据分析学习目标及重点学习目标：了解Bokeh熟悉Bokeh优点掌握Bokeh绘图目录学习内容1.认识Bokeh3.Bokeh绘图2.Bokeh优点01认识Bokeh1.认识BokehBokeh是一种开源的交互式Web数据可视化库，它支持多种多样的数据可视化类型，包括线图、柱状图、散点图、气泡图等。它提供强大的交互功可以轻松地进行缩放、平移、旋转、显示隐藏数据系列、选择显示范围、添加工具提示和注释等。其用Python语言编写而成，具有简单易用、部署方便运行等特性。02Bokeh优点2.Bokeh优点了解其内部工作机制和数据处理流程，提升数据可视化分析能力。在日益复杂的web应用要掌握各种数据可视化方案以应对不同场景下的需求。与其他数据可视化库相比，如matplotlib、plotly、seaborn等，Bokeh有更多高级的功能和可项，因此是一种值得考虑的工具。Bokeh由社区驱动开发并维护，它的迭代速度也远快于其它工具，并拥有良好的文档和教程资源，通过官github仓库、StackOverflow等渠道获得帮助和支持也是不错的选择。03Bokeh绘图3.Bokeh绘制Bokeh绘图步骤获取数据构建画布figure()添加图层，绘图line，circle，square，scatter，multi_line等；参数color，legend自定义视觉属性选择性展示折线数据，建立复选框激活显示，复选框(checkbox)3.Bokeh绘制图表实例fruits=['Apples','Pears','Nectarines','Plums','Grapes','Strawberries']

counts=[5,3,4,2,4,6]

source=ColumnDataSource(data=dict(fruits=fruits,counts=counts))

p=figure(x_range=fruits,plot_height=350,toolbar_location=None,title="FruitCounts")

p.vbar(x='fruits',top='counts',width=0.9,source=source,legend_field="fruits",

line_color='white',fill_color=factor_cmap('fruits',palette=Spectral6,factors=fruits))3.Bokeh绘制图表实例upper.score=[min([x,y])for(x,y)inzip(list(qmax.loc[:,'score']),upper.score)]

lower.score=[max([x,y])for(x,y)inzip(list(qmin.loc[:,'score']),lower.score)]

p.segment(cats,upper.score,cats,q3.score,line_color="black")

p.segment(cats,lower.score,cats,q1.score,line_color="black")

p.vbar(cats,0.7,q2.score,q3.score,fill_color="#E08E79",li