### 使用 Python 数据可视化库读取并分类展示 Excel 文件中的数据 #### 导入必要的库 为了实现这一目标，首先需要导入一些重要的 Python 库来处理 Excel 文件以及创建图表。 ```python import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from openpyxl import load_workbook ``` #### 加载 Excel 文件 利用 `pandas` 的强大功能可以直接加载 Excel 文件到 DataFrame 对象中。这使得后续的数据操作变得简单快捷。 ```python # 假设有一个名为 'data.xlsx' 的 Excel 文件位于当前工作目录下 df = pd.read_excel('data.xlsx') print(df.head()) # 查看前几行以确认数据已成功加载 ``` #### 数据预处理 在准备绘制之前，可能需要清理或转换某些字段以便更好地呈现信息。这里假设要基于某一列（比如类别）来进行分组统计。 ```python # 如果存在缺失值可以选择填充或者删除它们 df.dropna(inplace=True) # 可选：重命名列名使更易于理解 df.rename(columns={'old_name': 'new_name'}, inplace=True) ``` #### 创建分类柱状图 一旦完成了上述准备工作，则可以根据需求选择合适的图形类型。对于分类变量来说，柱形图是一个很好的选项。 ```python plt.figure(figsize=(10, 6)) sns.countplot(x='category', data=df) plt.title('Count of Categories') plt.xlabel('Category') plt.ylabel('Count') plt.show() ``` 此部分展示了如何使用 Seaborn 来制作一个简单的计数条形图，用于表示各个类别的数量分布情况[^3]。 #### 制作散点图 如果还想探索两个连续型特征之间的关系，那么可以考虑构建一个散点图。 ```python plt.figure(figsize=(10, 6)) sns.scatterplot(x='x_column', y='y_column', hue='category', data=df) plt.title('Scatter Plot of X and Y by Category') plt.xlabel('X Column') plt.ylabel('Y Column') plt.legend(title='Category') plt.show() ``` 这段代码片段说明了怎样通过加入颜色编码的方式，在同一个坐标系内区分不同的类别，并观察其间的关联模式。