版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
项目1基站守护者:基站健康监测报告1.1项目背景与目标1.2项目任务分解1.3项目知识准备matplotlib概述安装matplotlib使用plot()函数绘制折线图使用bar()函数绘制柱状图使用pie()函数绘制饼图使用scatter()函数绘制散点图使用boxplot()函数绘制箱形图1.4.项目实施1.5.项目交付:基站健康监测报告1.6.本章小结1.7.课后拓展项目背景与目标011.1.项目背景与目标【情景导入】小王是某通信公司的数据分析实习生,部门经理给他一份基站运行数据,要求制作可视化报告,帮助公司了解基站运行状况。【学习目标】✓
掌握Matplotlib基础图表绘制✓
能根据业务需求选择合适的图表类型✓
学会美化图表使其更具专业性✓
培养数据解读和报告撰写能力【小贴士】数据可视化是什么?-数据的"翻译官":将数字转化为直观图形-决策的"指南针":帮助管理者快速发现问题-报告的"颜值担当":让专业报告更吸引人项目任务分解021.2项目任务分解任务类型任务描述技术工具输出成果基础任务数据处理数据分析规范数据表+清洗报告进阶任务基站故障类型分析饼图带解读说明的故障类型分布图表进阶任务各基站平均功耗对比及基站温湿度昼夜变化趋势分析柱状图+折线图各基站平均功耗对比图表及基站温湿度昼夜变化趋势图表拓展任务温湿度与信号强度相关性分析散点图+颜色映射温湿度与信号强度相关性散点图拓展任务各基站信号强度分布对比箱线图各基站信号强度分布对比箱形图项目知识准备031.3.项目知识准备Matplotlib概述Matplotlib是一个用于创建静态、动态和交互式可视化的库,广泛应用于Python编程中。它使得利用Python进行数据可视化变得简单快捷。无论你是需要构建复杂的图表面板,还是只需要快速生成一条简单的折线图,Matplotlib都能提供强大的支持。以下是Matplotlib的一些关键特性:1.易于使用:提供了直观的接口,可以轻松地生成各种类型的图表,包括直方图、散点图、条形图、饼图等。2.高度定制化:用户可以通过多种方式自定义图形的各个方面,如颜色、字体、标签、标题等,以满足特定需求。3.广泛的图表支持:除了基础图表类型外,还支持更复杂的可视化形式,比如热力图、3D图表、极坐标图等。4.多平台兼容性:可以在不同的操作系统上运行,并且支持多种输出格式,包括PNG、PDF、SVG等。5.与Python生态系统的集成:很好地与其他流行的Python库(如NumPy、Pandas)集成,方便进行数据分析与可视化。1.3.项目知识准备在安装matplotlib之前,需要先确保计算机中已经配置好Python开发环境。Matplotlib的安装方式有很多种,既可以使用pip命令直接安装,也可以使用Anaconda工具进行安装,下面以在Windows系统中安装Anaconda为例进行演示,具体步骤如下打开浏览器并访问Anaconda官方网站(/)。在首页上找到并点击"Download"按钮。根据你的操作系统选择对应的Anaconda版本及适合的Python版本。点击下载按钮,等待安装文件下载完成。步骤1:下载Anaconda安装包安装matplotlib提示1.3.项目知识准备找到下载的安装文件,双击运行安装程序。在弹出的安装向导窗口中,点击"Next"开始安装。步骤2:运行安装程序安装matplotlib1.3.项目知识准备在安装向导中,阅读LicenseAgreement(许可协议)。如果同意协议内容,勾选"IAgree"并点击"Next"。步骤3:阅读并接受许可协议安装matplotlib1.3.项目知识准备安装向导会提供两种安装选项:JustMe(仅我使用):安装到当前用户账户下,不需要管理员权限。AllUsers(所有用户):安装到整个系统,需要管理员权限。根据需求选择合适的选项(推荐选择JustMe)。点击"Next"继续。步骤4:选择安装类型安装matplotlib1.3.项目知识准备安装向导会提示你选择安装路径。默认路径通常是C:\Users\<用户名>\Anaconda3。如果需要更改路径,可以点击"Browse"选择其他位置。点击"Next"继续。(注意:避免将路径设置为包含中文或特殊字符的目录,以免后续使用时出现问题。)步骤5:选择安装路径安装matplotlib1.3.项目知识准备在下一步中,你会看到两个可选的高级配置选项:AddAnacondatomyPATHenvironmentvariable:勾选此选项会将Anaconda添加到系统的环境变量中,方便在命令行中直接使用conda或python命令。RegisterAnacondaasmydefaultPython:勾选此选项会将Anaconda设置为默认的Python环境。推荐保持默认设置(不勾选第一个选项,勾选第二个选项)。点击"Install"开始安装。步骤6:配置高级选项安装matplotlib1.3.项目知识准备安装程序会开始复制文件并配置环境,这个过程可能需要几分钟时间。安装完成后,你会看到"Completed"提示。勾选"ShowAnacondaPrompt"(可选),然后点击"Finish"。步骤7:等待安装完成安装matplotlib1.3.项目知识准备打开AnacondaPrompt。在命令行中输入以下命令验证安装:步骤8:验证安装是否成功安装matplotlibconda--version如果安装成功,会显示Conda的版本号,例如:输入以下命令检查Python是否正常工作:输出类似以下内容表示安装成功:conda23.7.4python--versionPython3.9.71.3.项目知识准备使用plot()函数绘制折线图线图主要用于展示数据随时间变化的趋势或模式。它通过将一系列数据点连接成线来直观地表示数值的变化情况,使观察者能够迅速识别出数据的增长、下降或是波动趋势。plot()函数的语法格式如下所示:matplotlib.pyplot.plot(*args,**kwargs)参数说明:*args:可以接受多个参数,用于指定x和y数据。常见的用法有以下几种:(1)plot(y):只提供y数据,默认x轴为从0开始的索引值。(2)plot(x,y):同时提供x和y数据。(3)plot(x1,y1,x2,y2,...):绘制多条折线。**kwargs:用于设置线条样式、颜色、宽度等属性。常见的关键字参数包括:color或c:设置线条颜色(如'red'、'#1f77b4'等)。linestyle或ls:设置线条样式(如'-'实线、'--'虚线、':'点线等)。linewidth或lw:设置线条宽度。marker:设置数据点的标记样式(如'o'圆点、'*'星号、'^'三角形等)。label:为折线图添加图例标签。(1)最简单的折线图importmatplotlib.pyplotaspltx=[1,2,3,4,5]y=[1,2,3,4,5]plt.plot(x,y)plt.show()(2)绘制多条折线及自定义线条样式和颜色plt.plot(x1,y1,c='r',ls='--',lw=2,marker='o',label='Line1')plt.plot(x2,y2,c='g',ls=':',lw=2,marker='*',label='Line2')其他常用功能plt.title("TitleofthePlot")#添加标题plt.xlabel("X-axisLabel")#添加x轴标签plt.ylabel("Y-axisLabel")#添加y轴标签#添加刻度标签plt.xticks([0,1,2,3,4,5],['a','b','c','d','e'])plt.legend(loc='upperleft')#添加图例,并设置位置为左上方示例代码案例实训一:2022年和2024年A市人均GDP分析importmatplotlib.pyplotaspltimportnumpyasnpplt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsex=np.arange(12)y_2022=np.array([4.2,4.0,4.4,3.9,3.8,4.1,4.0,4.4,3.9,4.6,3.6,4.3])y_2024=np.array([5.2,4.4,4.9,4.8,4.2,4.3,4.4,4.9,4.2,5.1,4.4,4.8])#绘制折线图plt.plot(x,y_2022,marker='o',label='2022年')plt.plot(x,y_2024,marker='o',label='2024年')plt.xticks([0,1,2,3,4,5,6,7,8,9,10,11],['1月','2月','3月','4月','5月','6月','7月','8月','9月','10月','11月','12月'])plt.title('2022年和2024年A市人均GDP分析')plt.ylabel('人均GDP(万元)')plt.legend()plt.show()案例一效果图:案例一1.3.项目知识准备使用bar()函数绘制柱状图柱状图主要用于比较不同类别的数据量或者展示某一类别在特定维度上的分布情况。它通过竖直或水平的柱子长度来表示各类别数据的大小,使得观察者能够快速直观地比较各组数据之间的差异以及同一组内不同类别间的对比关系。柱状图非常适合用于统计和展示分类型变量的数据。bar()函数的语法格式如下所示:matplotlib.pyplot.bar(x,height,width=0.8,bottom=None,align='center',**kwargs)参数说明:(1)x:表示柱状图中每个柱子的横坐标位置。(2)height:表示每个柱子的高度(即纵轴的值)。(3)width(可选):表示柱子的宽度,默认为0.8。(4)bottom(可选):表示柱子的基线位置(默认从y=0开始)。可以用来绘制堆叠柱状图。(5)align(可选):定义柱子与x轴刻度对齐的方式。常见选项:'center':柱子居中对齐到x的值(默认)。'edge':柱子左边缘对齐到x的值。(6)**kwargs:支持多种关键字参数,用于自定义柱子的颜色、边框样式等属性。参数如下:颜色(color):设置柱子的颜色。边框颜色(edgecolor):设置柱子边框的颜色。透明度(alpha):设置柱子的透明度(0表示完全透明,1表示完全不透明)。标签(label):为柱状图添加图例标签。(1)最简单的柱状图importmatplotlib.pyplotasplt#柱子的横坐标和高度x=[1,2,3]y=[7,8,9]plt.bar(x,y)plt.show()(2)绘制多组柱子的柱形图及自定义宽度和颜色plt.bar(x,y1,width=0.5,color='red',edgecolor='black')plt.bar(x+0.5,y2,width=0.5,color='blue',edgecolor='black')(3)绘制堆叠柱状图plt.bar(x,y1,width=0.5,color='red',edgecolor='black')plt.bar(x,y2,width=0.5,bottom=y1,color='blue',edgecolor='black')示例代码其他常用功能:plt.title("BarChartExample")#添加标题plt.xlabel("X-Values")#添加x轴标签plt.ylabel("Y-Values")#添加y轴标签#添加刻度标签plt.xticks([0,1,2,3,4,5],['a','b','c','d','e'])plt.legend(loc='lowerright')#添加图例,并设置位置为右下方知识拓展:使用barh()函数可以快速地绘制水平柱状图(条形图),具体语法格式如下:matplotlib.pyplot.barh(x,width,height=0.8,left=None,align='center',**kwargs)示例代码案例实训二:不同类型图书的借阅量importmatplotlib.pyplotasplt#显示中文plt.rcParams['font.sans-serif']=['SimHei']plt.rcParams['axes.unicode_minus']=Falsebook_types=['文学','科学','历史','艺术','技术']#不同类型图书borrow_counts=[120,80,90,70,100]#借阅量plt.bar(book_types,borrow_counts,color='purple')#绘制柱状图#添加标题和标签plt.title('不同类型图书的借阅量')plt.xlabel('图书类型')plt.ylabel('借阅量')#为每个柱子添加数据标签fori,vinenumerate(borrow_counts):plt.text(i,v+1,str(v),ha='center')#显示图形plt.show()案例二效果图:案例二1.3.项目知识准备使用pie()函数绘制饼图饼图主要用于展示整体中各部分的比例关系。它通过将一个圆形分割成若干个扇区来表示各个类别的相对大小,使得观察者能够直观地看出每一部分占总体的百分比。饼图特别适合用于描述分类数据,尤其是在强调部分与整体的关系时。。使用pyplot模块下的pie()函数可以快速地绘制饼图。pie()函数的语法格式如下所示:matplotlib.pyplot.bar(x,height,width=0.8,bottom=None,align='center',**kwargs)参数说明:(1)x:表示每个扇区的数值(即饼图中各部分的大小)。(2)explode(可选):定义每个扇区是否从饼图中心“分离”出来,用于突出显示某些部分。(3)labels(可选):为每个扇区添加标签。(4)colors(可选):设置每个扇区的颜色。(5)autopct(可选):控制扇形的数值显示的字符串,可通过格式字符串指定小数点后的位数。(6)pctdistance(可选):设置百分比标签距离圆心的距离(相对于半径的比例),默认值为0.6。(7)shadow(可选):是否为饼图添加阴影效果,默认值为False。(8)labeldistance(可选):设置标签距离圆心的距离(相对于半径的比例),默认值为1.1。(9)startangle(可选):设置饼图的起始角度(逆时针方向旋转的角度),默认值为0。(10)radius(可选):设置饼图的半径,默认值为1。1.3.项目知识准备使用pie()函数绘制饼图(11)counterclock(可选):是否按逆时针方向绘制饼图,默认值为True。(12)wedgeprops(可选):设置扇区的属性(如边框宽度、颜色等)。(13)textprops(可选):设置文本标签的属性(如字体大小、颜色等)。(14)center(可选):设置饼图的中心位置,默认值为(0,0)。(15)frame(可选):是否为饼图添加矩形框架,默认值为False。(16)rotatelabels(可选):是否旋转标签以适应饼图的角度,默认值为False。(1)最简单的饼图iimportmatplotlib.pyplotaspltx=[30,20,50]plt.pie(x)plt.show()(2)绘制圆环图#绘制圆环图,扇形宽度为0.7,并设置边框样式和文本样式plt.pie(x,wedgeprops={‘width:0.7’,'linewidth':2,'edgecolor':'white'},textprops={'fontsize':12,'color':'black'})示例代码(3)添加更多自定义样式plt.pie(x,radius=1.5, #设置圆形半径为1.5labels=['A','B','C'], #添加数据标签explode=[0,0.1,0], #突出第二个扇形区域colors=['gold','lightcoral','lightskyblue'],#自定义颜色autopct='%1.1f%%',#添加扇形数值显示为保留一位小数的百分比shadow=True,#显示阴影startangle=90,#设置起始绘制角度为90度)其他常用功能
plt.title("BarChartExample")#添加标题plt.legend(loc='lowerright')#添加图例,并设置位置为右下方示例代码案例实训三:某商家各品牌手机销售额的占比情况importmatplotlib.pyplotaspltimportmatplotlibasmplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcParams['axes.unicode_minus']=False#饼图外侧的说明文字kinds=['小米','华为','vivo','oppo','苹果','其他']#饼图的数据money_scale=[160,500,220,280,380,120]dev_position=[0.1,0.1,0.1,0.1,0.1,0.1]#绘制饼图plt.pie(money_scale,labels=kinds,autopct='%3.1f%%',shadow=True,explode=dev_position,startangle=90)#添加标题plt.title('某商家各品牌手机销售额的占比情况')plt.show()案例三效果图:案例三1.3.项目知识准备使用scatter()函数绘制散点图散点图主要用于探索和展示两个变量之间的关系或相关性。它通过在二维平面上绘制大量的数据点,每个点的位置由这两个变量的值决定,从而帮助观察者发现数据点之间可能存在的模式、趋势或者异常情况。使用pyplot模块下的scatter()函数可以快速地绘制散点图。scatter()函数的语法格式如下所示:matplotlib.pyplot.scatter(x,y,s=None,c=None,marker=None,cmap=None,norm=None,vmin=None,vmax=None,alpha=None,linewidths=None,edgecolors=None,**kwargs)参数说明:(1)x和y:表示散点图中每个点的横坐标和纵坐标。(2)s(可选):表示散点的大小(单位为点的平方)。(3)c(可选):表示散点的颜色。(4)marker(可选):表示散点的形状。常见选项:'o':圆形(默认)。's':正方形。'^':正三角形。'*':星形。'+':加号。1.3.项目知识准备(5)cmap(可选):表示颜色映射表,当c是数值时用于指定颜色渐变方案。常见选项:'viridis'、'plasma'、'coolwarm'(6)alpha(可选):表示散点的透明度,取值范围为[0,1]。(7)linewidths(可选):表示散点边框的宽度。(8)edgecolors(可选):表示散点边框的颜色。(9)其他关键字参数(**kwargs):支持更多自定义选项,例如设置标签等。使用scatter()函数绘制散点图(1)最简单的散点图importmatplotlib.pyplotaspltx=[1,2,3,4]y=[2,4,6,8]plt.scatter(x,y)plt.show()(2)添加更多自定义样式sizes=[50,100,150,200]colors=['red','green','blue','purple']plt.scatter(x,y,s=sizes,#设置点的大小c=colors,#设置点的颜色alpha=0.7,#设置透明度edgecolors='black',#设置边框颜色为黑色linewidths=1.5,#设置线宽marker='^'#设置数据标记为正三角形)示例代码其他常用功能plt.title("CustomizedScatterPlot")plt.xlabel("X-axis")plt.ylabel("Y-axis")plt.colorbar(label="ColorIntensity")#添加颜色条plt.grid(True)#显示网格线示例代码案例实训四:气温和降水量的相关性importmatplotlib.pyplotaspltimportnumpyasnp#提取气温和降水量数据num=50temperature=np.random.rand(num)precipitation=np.random.rand(num)area=(200*np.random.rand(num)**2)#创建散点图plt.figure(figsize=(10,6))plt.scatter(temperature,precipitation,marker='*',s=area)#设置图表标题和坐标轴标签plt.title('气温和降水量的相关性')plt.xlabel('气温(°C)')plt.ylabel('降水量(mm)')#显示图表plt.show()案例四效果图:案例四1.3.项目知识准备使用boxplot()函数绘制箱形图箱形图,又称为盒须图或箱线图,是一种统计图表,用于展示数据的分布情况以及异常值。它通过五个关键统计数据(最小值、第一四分位数、中位数、第三四分位数、最大值)来描述数据的分布特征。箱形图特别适合用于比较两组或多组数据的分布情况.使用pyplot模块下的boxplot()函数可以快速地绘制箱形图。boxplot()函数的语法格式如下所示:matplotlib.pyplot.boxplot(x,sym=None,vert=None,whis=None,positions=None,widths=None,patch_artist=None,meanline=None,showmeans=None,labels=None,**kwargs)参数说明:(1)x:表示输入数据,通常是列表或数组。如果是单个数组,则绘制一个箱形图。如果是嵌套列表或二维数组,则每个子列表对应一个箱形图。(2)sym(可选):表示异常值的标记样式。(3)vert(可选):是否垂直绘制箱形图。True(默认):垂直绘制。False:水平绘制。(4)whis(可选):控制“须”(whiskers)的范围。(5)positions(可选):指定每个箱形图的位置。(6)widths(可选):指定每个箱形图的宽度。(7)patch_artist(可选):是否对箱形图填充颜色。(8)showmeans(可选):是否显示均值标记。(9)meanline(可选):是否用线表示均值(仅在showmeans=True时生效)。(10)labels(可选):设置每个箱形图的标签。(1)最简单的箱形图importmatplotlib.pyplotaspltdata=[1,2,3,4,5]plt.boxplot(data)plt.show()(2)绘制多个箱形图importmatplotlib.pyplotaspltdata=[[1,2,3],[4,5,6],[7,8,9]]plt.boxplot(data)plt.show()(3)水平箱形图plt.boxplot(data,vert=False)#水平绘制其他常用功能:plt.title("HorizontalBoxPlot")plt.xlabel("X-Values")plt.ylabel("Y-Values")示例代码案例实训五:2021年和2022年全国用水量统计importnumpyasnpimportmatplotlib.pyplotaspltplt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=Falsedata_2018=np.array([4200,5250,5830,5100,5440,5550,6010,6040,5480,5330,5540,5190])data_2017=np.array([4609,4701,5160,4760,4904,5200,6040,5940,5210,5030,5190,5690])plt.boxplot([data_2018,data_2017],labels=('2021年','2022年'),meanline=True,widths=0.5,vert=False,patch_artist=True)plt.title('2021年和2022年全国用水量统计')plt.xlabel('单位(亿立方)')plt.show()案例五效果图:案例四项目实施041.4.项目实施任务准备1.导入numpy、pandas及matplotlib.pyplot库,将csv文件中的数据读入到dataframe中,并验证读入的数据结果。importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt#读取CSV文件中的数据df=pd.read_csv("基站_月度监测数据.csv",encoding='gbk')display(df.head())#显示数据的前几行进行验证print(())#检查数据的基本信息1.4.项目实施任务1-1:用饼图展示基站故障类型的百分比分布步骤1:数据准备1.从保存基站运行状态数据的dataframe中,提取出fault_type列,去掉fault_type列为空值的数据,并调用value_counts函数统计出fault_type列中各个故障类型出现的次数,将这个统计数据保存到变量fault_counts中并显示出来。fault_counts=df[df['fault_type']!='']['fault_type'].value_counts()print(fault_counts)2.故障类型出现次数的统计结果为:F002-断网6F001-高温5F003-硬件故障2F004-电力异常1Name:fault_type,dtype:int64从统计结果可以看到,一共有4种故障类型按出现次数降序排列,分别为F002-断网6次,F001-高温5次,F003-硬件故障2次及F004-电力异常1次1.4.项目实施任务1-1:用饼图展示基站故障类型的百分比分布步骤2:图像绘制1.调用pyplot提供的figure函数创建空白画布,调用pie函数绘制基站故障类型的百分比分布饼图plt.figure(figsize=(8,6))#画布宽8英寸高6英寸plt.pie(x=fault_counts,#饼图数据即为基站故障类型出现的次数统计fault_countslabels=fault_counts.index,#将fault_counts的索引名作为饼图中各部分对应的标签文本autopct='%.1f%%',#通过格式字符串指定饼图中各部分数据显示为百分比,并保留1位小数startangle=90,#将饼图的起始绘制角度逆时针旋转90度explode=[0.1,0,0,0],将饼图中故障类型出现最多的部分偏离圆心0.1,使其凸出显示shadow=True,#使饼图具有阴影效果colors=['#ff9999','#66b3ff','#99ff99','#ffcc99']#饼图中4种故障类型的颜色)1.4.项目实施任务1-1:用饼图展示基站故障类型的百分比分布步骤3:图像完善1.调用pyplot提供的title函数设置饼图的标题内容,字体大小为14,标题与饼图边框的距离为20。plt.title(label="基站故障类型分布",fontsize=14,pad=20)步骤4:图像保存及显示1.调用pyplot提供的tight_layout函数自动调整图形布局,避免出现重叠。调用savefig函数将饼图保存到文件,设定其dpi分辨率为300。调用show函数显示出饼图。最后,调用close函数关闭绘图,释放系统资源。plt.tight_layout()plt.savefig('fault_distribution.png',dpi=300)plt.show()plt.close()2.通过以上步骤,最终的饼图结果如下:1.4.项目实施任务1-1:用饼图展示基站故障类型的百分比分布2.分析结论:图表分析:各基站平均功耗存在明显差异:BJ_BS_005>BJ_BS_001(9.8kWh)>BJ_BS_003(>BJ_BS_002>BJ_BS_004,BJ_BS_005功耗最高,超出平均约30%,BJ_BS_004功耗最低,节能效果显著。结
论:设备能效差异明显,可能存在老旧设备,高功耗基站(BJ_BS_005)可能存在设备过载或散热问题。1.4.项目实施任务1-2:用柱状图展示各基站平均功耗步骤1:数据准备1.调用dataframe的groupby函数,对保存基站运行状态数据的dataframe按station_id列进行分组,从分组结果中提取出power列,调用mean函数计算其平均值。最后得到每个基站的平均功耗series,取名为power_data。power_data=df.groupby('station_id')['power'].mean()display(power_data)2.2.可以看到power_data的结果为:station_idBJ_BS_00110.962011BJ_BS_0029.872316BJ_BS_00310.105284BJ_BS_0048.984521BJ_BS_00511.5144661.4.项目实施任务1-2:用柱状图展示各基站平均功耗步骤2:图像绘制1调用pyplot提供的figure函数创建空白画布,调用pyplot提供的bar函数绘制各基站平均功耗柱形图。plt.figure(figsize=(10,6))#画布宽10英寸高6英寸bars=plt.bar(x=power_data.index,#柱形图的x轴数据为power_data的索引height=power_data.values,#柱形图的高度为power_data的值color=['#4C72B0','#55A868','#C44E52','#8172B2','#CCB974'],#设置5个柱形的颜色edgecolor='black',#设置柱形的边框颜色为黑色width=0.6,#设置柱形的宽度为0.6alpha=0.8#设置柱形的透明度为0.8)1.4.项目实施任务1-2:用柱状图展示各基站平均功耗步骤3:图像完善1.调用pyplot提供的title函数设置柱形图的标题内容,字体大小20,标题与柱形图边框的距离为20。2.调用pyplot提供的ylabel函数设置柱形图y轴的标签内容,字体大小为11。3.调用pyplot提供的xlabel函数设置柱形图x轴的标签内容,字体大小为11。4.调用pyplot提供的grid函数为柱形图添加y轴网格线,网格线风格为虚线,透明度为0.4。plt.title("各基站平均功耗对比",fontsize=14,pad=20)plt.ylabel(ylabel="平均功耗(kWh)",fontsize=11)plt.xlabel(xlabel="基站ID",fontsize=11)plt.grid(axis='y',linestyle='--',alpha=0.4)1.4.项目实施任务1-2:用柱状图展示各基站平均功耗步骤4:
图像保存及显示1.调用pyplot提供的tight_layout函数自动调整图形布局,避免出现重叠。调用savefig函数将饼图保存到文件,设定其dpi分辨率为300,设定bbox_inches='tight'进行图片周边空白自动裁剪。调用show函数显示出柱状图。最后,调用close函数关闭绘图,释放系统资源。plt.tight_layout()plt.savefig('station_avg_power.png',dpi=300,bbox_inches='tight')plt.show()plt.close()2.通过以上步骤,最终的柱状图结果如图:1.4.项目实施任务1-2:用柱状图展示各基站平均功耗步骤5:分析结论图表分析:从统计结果可以看到,一共有4种故障类型按出现次数降序排列,分别为F002-断网6次,F001-高温5次,F003-硬件故障2次及F004-电力异常1次。主要故障类型为断网(40%)和高温(37.5%)。结
论:高温与断网是影响稳定性的核心因素,需优先解决。1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势步骤1:数据准备1.为保存基站运行状态数据的dataframe添加一列hour,其值为从timestamp列中获取的hour。2.调用dataframe的groupby函数,对保存基站运行状态数据的dataframe按hour列进行分组,并调用agg函数对分组结果中的temperature列和humidity列应用mean函数进行平均值聚合运算。df['hour']=pd.to_datetime(df['timestamp']).dt.hourhourly_data=df.groupby('hour').agg({'temperature':'mean','humidity':'mean'})display(hourly_data)3.可以看到hourly_data的结果为:1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势步骤2:图像绘制1.调用pyplot提供的figure函数创建空白画布,画布宽12英寸高6英寸,并分两次调用pyplot提供的plot函数绘制基站温度湿度昼夜变化折线图。plt.figure(figsize=(12,6))plt.plot(hourly_data.index,#x轴数据为hourly_data的索引
#y轴数据为hourly_data的temperature列hourly_data['temperature'],label='温度(℃)',#在图例中显示的折线标签内容color='#D62728',#设置温度折线的颜色linewidth=2,#折线宽度为2marker='o',#折线上的数据点标记样式o为圆形markersize=5#数据点标记大小为5)plt.plot(hourly_data.index,hourly_data['humidity'],#y轴数据为hourly_data的humidity列
label='湿度(%)',color='#1F77B4',#设置湿度折线的颜色linewidth=2,marker='s',#折线上的数据点标记样式s为方形markersize=5)1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势步骤3:图像完善1.调用pyplot提供的title函数设置折线图的标题内容,字体大小14,标题与折线图边框的距离为20。2.调用pyplot提供的ylabel和xlabel函数设置折线图x,y轴的标签内容,字体大小12。3.调用pyplot提供的xticks函数为折线图设置x轴刻度。4.调用pyplot提供的legend函数添加图例,图例字体大小10。5.调用pyplot提供的axvspan函数在折线图中绘制出一块矩形区域。6.调用pyplot提供的text函数在折线图中添加一个文本标签。1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势步骤3:图像完善plt.title(label="基站温湿度昼夜变化趋势",fontsize=14,pad=20);plt.ylabel(ylabel="数值",fontsize=12);plt.xlabel(xlabel="小时",fontsize=12);plt.xticks(ticks=range(0,24,2));#设置x轴刻度为0-23,且每两小时一个刻度plt.legend(loc='upperright',fontsize=10);#图例显示位置为右上角plt.axvspan(xmin=12,#x轴的刻度12为矩形区域的左边界xmax=16,#x轴的刻度16为矩形区域的右边界color='red',#设置矩形区域为红色alpha=0.1);#设置矩形区域的透明度为0.1plt.text(x=14,#标签的x,y坐标分别为14,50y=50,s='高温时段',#标签内容ha='center',#标签横向对齐方式为居中color='red',#标签字体颜色为红色,字体大小为12fontsize=12)1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势步骤4:
图像保存及显示1.调用pyplot提供的tight_layout函数自动调整图形布局,避免出现重叠。调用savefig函数将饼图保存到文件,设定其dpi分辨率为300,设定bbox_inches='tight'进行图片周边空白自动裁剪。调用show函数显示出折线图。最后,调用close函数关闭绘图,释放系统资源。plt.tight_layout()plt.savefig('temp_humidity_trend.png',dpi=300,bbox_inches='tight')plt.show()plt.close()2.通过以上步骤,最终的折线图结果如下:1.4.项目实施任务1-3:用折线图展示基站温度湿度昼夜变化趋势图表分析:温度呈现典型昼夜变化:日间(12-16时)达峰值约40℃,夜间最低约25℃,湿度与温度呈负相关:温度升高时湿度下降,夜间湿度上升,高温时段(12-16时)温度超过35℃,湿度低于45%。结
论:日间高温可能导致设备过热风险,湿度变化可能影响设备稳定性。1.4.项目实施任务1-4:用散点图表示温湿度分布情况步骤1:数据准备1.对原始数据进行数据分组。按station_id列进行分组,将每个站点的signal值整理为列表。此时输出的是一个Series对象,索引是唯一的station_id,值是每个站点对应的信号强度列表。grouped=df.groupby('station_id')['signal'].apply(list)2.将分组后的数据转换为箱线图所需的格式。categories为站点ID列表(如['BJ_BS_001','BJ_BS_002']),作为x轴标签;values是一个二维列表,每个子列表对应一个站点的信号值集合(如[[-70,-75],[-80]])。categories=grouped.index.tolist()
values=grouped.tolist()1.4.项目实施任务1-4:用散点图表示温湿度分布情况步骤2:图像绘制1.使用plt.figure命令创建一个新的图形对象,并设置其尺寸为10英寸宽
×6英寸高。plt.figure(figsize=(10,6))2.对原始数据进行数据分组。按station_id列进行分组,将每个站点的signal值整理为列表。此时输出的是一个Series对象,索引是唯一的station_id,值是每个站点对应的信号强度列表。grouped=df.groupby('station_id')['signal'].apply(list)3.使用plt.boxplot方法绘制箱线图。设置允许填充箱体颜色,设置须线范围为最小值到最大值,即覆盖全部数据,设置不显示均点,设置中位线颜色为白色,线宽为0.5磅。box=plt.boxplot(
values,
patch_artist=True,
#允许填充箱体颜色
whis=(0,100),
#须线范围:从最小值到最大值(覆盖全部数据)
showmeans=False,
#不显示均值点
medianprops={"color":"white","linewidth":0.5},
#中位线样式)1.4.项目实施任务1-4:用散点图表示温湿度分布情况步骤3:图像完善1.设置标签与标题。设置标题为”Signalstrengthdistributionbystation”,字号为14;设置X轴标签为”StationID”,字号为12;设置Y轴标签为”SignalStrength(dBm)”,字号为12。plt.title("Signalstrengthdistributionbystation",fontsize=14)plt.xlabel("StationID",fontsize=12)plt.ylabel("SignalStrength(dBm)",fontsize=12)2.设置X轴刻度。设置箱线图默认x轴刻度从1开始,需手动将刻度位置与站点ID对齐。设置X轴标签为categories列表。为避免标签文字重叠,设置标签为右对齐,且标签文字旋转45°。plt.xticks(
ticks=range(1,len(categories)+1),
#刻度位置
labels=categories,
#标签内容(站点ID)
rotation=45,
#标签旋转45度
ha='right'
#标签右对齐)3.添加网格线。在Y轴方向添加虚线网格线,透明度0.7,增强可读性且不喧宾夺主。plt.grid(axis='y',linestyle=':',alpha=0.7) 1.4.项目实施任务1-4:用散点图表示温湿度分布情况步骤3:图像完善plt.title(label="基站温湿度昼夜变化趋势",fontsize=14,pad=20);plt.ylabel(ylabel="数值",fontsize=12);plt.xlabel(xlabel="小时",fontsize=12);plt.xticks(ticks=range(0,24,2));#设置x轴刻度为0-23,且每两小时一个刻度plt.legend(loc='upperright',fontsize=10);#图例显示位置为右上角plt.axvspan(xmin=12,#x轴的刻度12为矩形区域的左边界xmax=16,#x轴的刻度16为矩形区域的右边界color='red',#设置矩形区域为红色alpha=0.1);#设置矩形区域的透明度为0.1plt.text(x=14,#标签的x,y坐标分别为14,50y=50,s='高温时段',#标签内容ha='center',#标签横向对齐方式为居中color='red',#标签字体颜色为红色,字体大小为12fontsize=12)1.4.项目实施任务1-4:用散点图表示温湿度分布情况步骤4:
图像保存及显示1.将生成的箱线图保存在当前代码的相同目录下,命名为”signal_boxplot.png”,设置分辨率为300像素/英寸。注意实际生成的图像大小为10×300=3000像素宽、6×300=1800像素高。plt.savefig('signal_boxplot.png',dpi=300,bbox_inches='tight')
#保存为高分辨率PNGplt.show()
#显示图表plt.close()
#释放内存通过以上步骤,最终的散点图结果如下:1.4.项目实施任务1-4:用散点图表示温湿度分布情况图表分析:温度20-35℃、湿度40-60%时信号强度最佳,高温(>35℃)或高湿(>65%)环境下信号强度明显下降。。结
论:温湿度环境影响信号传输质量,设备在极端环境下的稳定性不足。1.4.项目实施任务1-5:使用箱线图表示信号强弱情况步骤1:数据准备1.读取原始数据中的’temperature’列、’humidity’列、'signal'列的值,并分别保存在变量中。temperature=df['temperature']humidity=df['humidity']signal=df['signal']1.4.项目实施任务1-5:使用箱线图表示信号强弱情况步骤2:图像绘制1.使用plt.figure命令创建一个新的图形对象,并设置其尺寸为8英寸宽
×6英寸高。plt.figure(figsize=(8,6))2.使用plt.scatter命令绘制散点图。散点图中的X轴数据取原始数据中的‘temperature’列,Y轴数据取原始数据中的‘humidity’列,颜色映射数据取原始数据中的‘signal’列。使用默认的感知均匀色谱Viridis,设置点透明度为60%,点边缘颜色为白色,点边缘线宽为0.5磅。scatter=plt.scatter(
temperature,
humidity,
c=signal,
cmap='viridis',
alpha=0.6,
edgecolors='w',
linewidth=0.5)1.4.项目实施任务1-5:使用箱线图表示信号强弱情况步骤3:图像完善1.使用plt.title设置图像标题。设置标题字号为14号,标题与图形的间距为20磅。2.使用plt.xlabel设置X轴标签”temperature(℃)”,字号为10号。3.使用plt.ylabel设置Y轴标签"humidity(%)",字号为10号。4.添加颜色条。指定颜色条对应的绘图对象为散点图本身,设置颜色条标签为"signalstrength(dBm)"plt.title("Temperatureandhumiditycorrelation(colorindicatessignalstrength)",fontsize=14,pad=20)plt.xlabel("temperature(℃)",fontsize=10)plt.ylabel("humidity(%)",fontsize=10)plt.colorbar(scatter,label='signalstrength(dBm)')1.4.项目实施任务1-5:使用箱线图表示信号强弱情况步骤4:
图像保存及显示1.将生成的散点图保存在当前代码的相同目录下,命名为”signal_scatter.png”,设置分辨率为300像素/英寸。注意实际生成的图像大小为8×300=2400像素宽、6×300=1800像素高。plt.savefig('signal_scatter.png',dpi=300)plt.show()
#显示图表plt.close()
#释放内存通过以上步骤,最终的箱线图结果如下:1.4.项目实施任务1-5:使用箱线图表示信号强弱情况图表分析:各基站信号强度中位数在-75dBm至-85dBm之间,BJ_BS_002信号最佳(中位数约-77dBm),BJ_BS_003最差(中位数约-83dBm),所有基站都存在信号强度异常低值(低于-90dBm)的情况。结
论:信号覆盖不均衡,存在明显差异,异常低信号可能指示设备故障或干扰,BJ_BS_003信号质量需重点关注。项目交付051.5.项目交付:基站健康监测报告任基于上述分析与可视化图表,编制形成基站健康监测报告。本章小结061.6.本章小结本章介绍了数据可视化的基本概念及其在数据分析中的重要性,重点讲解了Matplotlib库的安装与基本使用,包括折线图、柱状图、饼图、散点图和箱形图等多种图表的绘制方法。通过具体案例实训,展示了如何运用Matplotlib进行数据可视化分析,为制作专业的基站健康监测报告提供了强有力的技术支持。课后拓展071.7.课后拓展拓展一:绘制基站故障日期分布柱状图1.任务背景在基站运维管理中,了解故障发生的日期分布规律对于分析设备可靠性、优化维护计划具有重要意义。本任务要求基于故障日志数据,使用Python的数据分析和可视化工具,绘制基站故障日期分布的柱状图,并标注关键统计信息。2.任务目标(1)提取故障日志中的日期信息,统计每日故障次数。(2)绘制柱状图,展示故障日期的分布情况。(3)添加日均值参考线、高峰日期标注及数据标签,提升图表可读性。(4)保存图表为高分辨率图片文件。3.任务要求参考下图进行基站故障日期分布图的代码编写。1.7.课后拓展拓展二:绘制多基站温度变化对比图1.任务背景在基站运维中,温度是影响设备性能和寿命的关键因素。通过分析基站温度随时间的变化趋势,可以及时发现异常高温情况,预防设备故障。本任务要求基于基站温度监测数据,绘制温度变化折线图,并标注温度阈值线。2.任务目标(1)提取指定时间范围内的温度数据,按基站ID分组绘制温度变化折线图。(2)添加温度阈值线(如40℃),直观展示超温风险。(3)优化图表样式,确保信息清晰易读。(4)保存图表为高分辨率图片文件。3.任务要求参考下图完成基站温度变化图的代码编写。1.6.本章小结本章介绍了数据可视化的基本概念及其在数据分析中的重要性,重点讲解了Matplotlib库的安装与基本使用,包括折线图、柱状图、饼图、散点图和箱形图等多种图表的绘制方法。通过具体案例实训,展示了如何运用Matplotlib进行数据可视化分析,为制作专业的基站健康监测报告提供了强有力的技术支持。谢谢大家!
项目2节能侦探者:5G基站能耗优化分析2.1项目背景与目标2.2项目任务分解2.3项目知识准备多图组合布局动态图片实现多子图实例讲解2.4.项目实施2.5.项目交付:5G基站能耗优化分析2.6.本章小结2.7.课后拓展项目背景与目标012.1.项目背景与目标【情景导入】作为数据分析实习生,小王已参与3个月基站数据梳理。近期整理数据时,他发现明显优化点。小王决定制作一份可视化报告,既要让技术部看清设备规律,又要让管理层抓准节能抓手,为基站节能提供决策依据。【学习目标】✓
能根据业务需求选择合适的Matplotlib图表类型✓
能根据图表类型和数据特点进行数据预处理✓
掌握Matplotlib多子图绘制和子图之间布局技巧✓
实现动态热力图展示能耗时空分布规律✓
培养数据驱动的问题解决能力和数据解读及报告撰写能力【小贴士】随着5G网络建设的快速推进,基站能耗问题日益凸显。据统计,5G基站的功耗是4G基站的3-4倍,单个基站月均耗电量高达1600度电。这种“几何式增长”的能耗给企业运营和社会节能减排带来了巨大压力。项目任务分解022.2项目任务分解任务类型任务描述技术工具输出成果基础任务多子图基础知识准备多子图多子图案例图像进阶任务基站多维度能耗分析对比图多子图完整多维度分析对比图进阶任务绘制动态基站能耗分布热力图动态热力图动态基站能耗分布热力图拓展任务多基站能耗趋势对比可视化多子图完整多维度分析对比图拓展任务能耗随时间和温度的三维可视化三维视图三维可视化对比图拓展任务整合分析结果,撰写基站能耗优化报告文字编辑+图表嵌入基站能耗优化报告项目知识准备032.3.项目知识准备最常用的多子图创建方法,返回Figure对象和Axes对象数组。关键代码如下:方法1:plt.subplots()方法多图组合布局importmatplotlib.pyplotasplt#创建2行2列的子图网格fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(12,8))#访问子图示例,在
第1行第2列绘制子图axes[0,1].plot([1,2,3],[4,5,6])2.3.项目知识准备方法1:plt.subplots()方法多图组合布局第一行第二行第一列第二列运行结果如所示:2.3.项目知识准备逐个添加子图,关键代码如下。方法2:plt.subplot()方法多图组合布局importmatplotlib.pyplotaspltplt.subplot(2,2,1)#2行2列的第1个子图plt.plot([1,2],[3,4])plt.subplot(2,2,4)#2行2列的第4个子图plt.plot([1,2],[1,2])2.3.项目知识准备多图组合布局第一行第二行第一列第二列运行结果如所示:方法2:plt.subplot()方法2.3.项目知识准备创建不规则布局的子图,属于高级布局方法,关键代码如下:方法3:subplot2grid()方法多图组合布局importmatplotlib.pyplotasplt#在3x3网格中创建不同大小的子图#在第0行,从第1列开始跨2列ax1=plt.subplot2grid((3,3),(0,1),colspan=2)#在第0列,从第1行开始跨2行ax2=plt.subplot2grid((3,3),(1,0),rowspan=2)2.3.项目知识准备运行结果如所示:多图组合布局第一行第二行第一列第二列方法3:subplot2grid()方法第三行第三列2.3.项目知识准备GridSpec()方法和add_subplot()方法组合运用,可以实现更灵活的专业级布局,关键代码如下:方法4:GridSpec+add_subplot()方法多图组合布局frommatplotlib.gridspecimportGridSpecfig=plt.figure()gs=GridSpec(4,4)#4行4列网格#创建跨多行列的子图ax_main=fig.add_subplot(gs[:3,:3])#占据前3行前3列ax_side=fig.add_subplot(gs[0,3])#第1行第4列ax_side=fig.add_subplot(gs[1:,3])#第2行到结束,第4列ax_side=fig.add_subplot(gs[3,:3])#第4行,第1列到第3列2.3.项目知识准备多图组合布局第一行第二行第一列第二列运行结果如所示:方法4:GridSpec+add_subplot()方法第三行第四行第三列第四列2.3.项目知识准备动态图片实现animation是Matplotlib库中用于创建动画的子模块,它提供了多种创建动态可视化的方法。animation模块2.3.项目知识准备动态图片实现(1)FuncAnimation主要类和功能#导入FuncAnimation用于创建动画frommatplotlib.animationimportFuncAnimation#创建x轴数据:在0到2π之间生成100个等间距点x=np.linspace(0,2*np.pi
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 关于项目提案的初步讨论邀请函6篇
- 冷链单证流转与节点签认册(台账调阅+费用对照+单据核对+核销记录)
- 沪科版八年级数学上册单元测试-第13章 三角形中的边角关系、命题与证明
- 荷花七彩课堂课件
- 寒号鸟字词内容课件
- 2026年国家电网统招考试计算机类专业知识模拟试题及答案(十六)
- 寒号鸟第一课件
- 2026年互联网医院诊疗管理制度
- 2026年茶艺师四级(中级)资格考试理论知识全真模拟考试卷及答案(共十九套)
- 高二地理教学设计-地区产业结构变化
- 2026管理会计师成本管理仿真测试及答案
- 天津大学行政岗招录笔试试题2026
- 北师大版数学六年级上册第六单元 确定位置 基础测试卷
- 市政道路沥青路面专项施工方案
- 广西柳州、桂林、北海等市2027届高三上学期10月联考地理试卷(有答案)
- 2026新教材语文 19《航天员写给孩子的信》课件
- 2026年全国汽车驾驶员(高级)职业技能考试题库及答案
- 前列腺癌护理疑难病例讨论
- 2025-2026学年九年级上学期期中考试化学试题(含答案)
- DB11-T 1191.1-2025 实验室危险化学品安全管理要求 第1部分:工业企业
- 压力容器焊接工艺规程
评论
0/150
提交评论