### Python 数据可视化分析示例与教程 以下是使用 Python 进行数据可视化的 5-8 个分析示例或教程，涵盖从基础到高级的多种技术。 #### 示例 1: 使用 Matplotlib 绘制基本折线图 Matplotlib 是一个强大的绘图库，可以用于绘制各种类型的图表。以下是一个简单的折线图示例。 ```python import matplotlib.pyplot as plt x = [1, 2, 3, 4, 5] y = [10, 20, 25, 30, 40] plt.plot(x, y, label='Line') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.title('Simple Line Plot') plt.legend() plt.show() ``` 这是一个基本的折线图绘制方法[^1]。 #### 示例 2: 使用 Seaborn 绘制高级热力图 Seaborn 是基于 Matplotlib 的高级可视化库，提供了更美观的默认样式和颜色方案。以下是一个热力图示例。 ```python import seaborn as sns import numpy as np data = np.random.rand(10, 12) sns.heatmap(data, cmap='coolwarm', annot=True) plt.title('Heatmap Example') plt.show() ``` 该代码展示了如何利用 Seaborn 库生成热力图[^2]。 #### 示例 3: 使用 Pyecharts 创建交互式柱状图 Pyecharts 是一个用于创建交互式图表的库，适用于 Web 应用场景。以下是一个交互式柱状图的示例。 ```python from pyecharts.charts import Bar from pyecharts import options as opts bar = ( Bar() .add_xaxis(["Category A", "Category B", "Category C"]) .add_yaxis("Series", [120, 200, 150]) .set_global_opts(title_opts=opts.TitleOpts(title="Interactive Bar Chart")) ) bar.render_notebook() ``` 此示例说明了如何通过 Pyecharts 构建交互式柱状图[^3]。 #### 示例 4: 使用 Plotly 绘制动态散点图 Plotly 是另一个支持交互式可视化的库，适合复杂的动态图表。以下是一个动态散点图的示例。 ```python import plotly.express as px df = px.data.iris() fig = px.scatter(df, x="sepal_width", y="sepal_length", color="species") fig.update_layout(title="Dynamic Scatter Plot") fig.show() ``` 这段代码演示了如何使用 Plotly 创建动态散点图[^4]。 #### 示例 5: 数据分布可视化 - 直方图 直方图是一种常见的用于展示数据分布的图表类型。以下是使用 Matplotlib 绘制直方图的示例。 ```python import numpy as np data = np.random.normal(size=1000) plt.hist(data, bins=30, alpha=0.7, color='blue', edgecolor='black') plt.title('Histogram of Data Distribution') plt.show() ``` 该代码片段展示了如何利用 Matplotlib 绘制数据分布的直方图[^1]。 #### 示例 6: 时间序列数据分析 - 折线图 时间序列数据在金融、气象等领域中非常常见。以下是一个时间序列折线图的示例。 ```python import pandas as pd dates = pd.date_range(start='2023-01-01', periods=100, freq='D') values = np.random.randn(100).cumsum() plt.plot(dates, values, label='Time Series') plt.xlabel('Date') plt.ylabel('Value') plt.title('Time Series Line Plot') plt.legend() plt.show() ``` 此代码展示了如何处理和可视化时间序列数据[^1]。 #### 示例 7: 地理数据可视化 - 热力地图 地理数据可视化可以通过 Folium 或 Plotly 实现。以下是一个使用 Plotly 绘制地理热力地图的示例。 ```python import plotly.graph_objects as go fig = go.Figure(go.Densitymapbox( lat=[45.5017, 40.7128, 34.0522], lon=[-73.5673, -74.0060, -118.2437], z=[100, 200, 150], radius=10)) fig.update_layout(mapbox_style="open-street-map", title="Geographical Heatmap") fig.show() ``` 此代码片段展示了如何使用 Plotly 创建地理热力地图。 #### 示例 8: 多变量关系分析 - 成对散点图 成对散点图可以帮助分析多个变量之间的关系。以下是一个使用 Seaborn 绘制成对散点图的示例。 ```python import seaborn as sns df = sns.load_dataset('tips') sns.pairplot(df, hue='sex') plt.title('Pairwise Scatter Plots') plt.show() ``` 此代码片段展示了如何使用 Seaborn 分析多变量之间的关系[^2]。 ---