### Python 表格数据可视化代码示例 以下是利用 `matplotlib` 和 `pandas` 进行表格数据可视化的几个典型代码示例： #### 示例 1：使用 Pandas 的 `plot` 方法绘制柱状图 Pandas 提供了内置的 `plot` 方法，能够轻松实现各种图表的绘制，包括折线图、散点图以及柱状图等[^1]。 ```python import pandas as pd import matplotlib.pyplot as plt # 创建一个 DataFrame data = {'name': ['John', 'Tom', 'Marry', 'Bob'], 'age': [25, 30, 20, 35], 'gender': ['M', 'M', 'F', 'M']} df = pd.DataFrame(data) # 使用 Pandas 的 plot 方法绘制柱状图 df.plot(kind='bar', x='name', y='age', color=['blue', 'green', 'red', 'purple']) plt.xlabel('Name') plt.ylabel('Age') plt.title('Age Distribution by Name') plt.show() ``` --- #### 示例 2：绘制二维表格 如果需要展示更加复杂的表格结构，可以通过 `matplotlib` 自定义绘图来完成。以下是一个函数化的方法，用于生成带有行列标签的二维表格[^2]。 ```python from matplotlib import pyplot as plt import numpy as np from pandas import * def plot_table(row_labels, col_labels, values): """ 功能: 绘制带行列标签的二维表格。 参数: row_labels: list of str, 行标签列表。 col_labels: list of str, 列标签列表。 values: array-like, 数值矩阵 (形状需匹配行和列的数量)。 """ R, C = len(row_labels), len(col_labels) idx = Index(row_labels) df = DataFrame(values, index=idx, columns=col_labels) # 设置图形大小 figC, figR = 2.25 * C, R fig = plt.figure(figsize=(figC, figR)) ax = fig.add_subplot(111, frameon=False, xticks=[], yticks=[]) # 去掉边框 for spine in ax.spines.values(): spine.set_visible(False) table = plt.table( cellText=values, rowLabels=row_labels, colLabels=col_labels, colWidths=[0.1] * C, rowLoc='center', loc='center', cellLoc='center' ) table.set_fontsize(20) table.scale(figR / R * 2, figC / C * 1.5) plt.show() # 测试数据 rows = ['Row1', 'Row2'] cols = ['Col1', 'Col2'] vals = [[1, 2], [3, 4]] # 调用函数 plot_table(rows, cols, vals) ``` --- #### 示例 3：绘制散点图 对于数值型的数据集，可以使用 `matplotlib` 的 `scatter` 方法绘制散点图，以便观察变量之间的关系[^3]。 ```python import numpy as np import matplotlib.pyplot as plt # 定义 X 和 Y 数据 x = np.linspace(0, 2 * np.pi, 100) # x 轴范围从 0 到 2π，均匀分布 100 个点 y = np.sin(x) + np.random.rand(100) # 添加一些随机噪声 # 配置中文显示支持 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 创建散点图 plt.figure(figsize=(8, 5)) plt.title('正弦波加噪散点图') plt.scatter(x, y, c='blue', alpha=0.7, label='Data Points') plt.legend(loc='upper right') plt.grid(True) plt.show() ``` --- #### 示例 4：股票数据分析与可视化 在实际应用中，`pandas` 结合 `matplotlib` 可以方便地处理金融时间序列数据，并生成直观的图表[^4]。 ```python import pandas as pd import matplotlib.pyplot as plt # 加载 CSV 文件中的股票价格数据 stock_data = pd.read_csv('stock_prices.csv') # 将日期列为索引 stock_data['Date'] = pd.to_datetime(stock_data['Date']) stock_data.set_index('Date', inplace=True) # 计算移动平均线 stock_data['MA_50'] = stock_data['Close'].rolling(window=50).mean() stock_data['MA_200'] = stock_data['Close'].rolling(window=200).mean() # 绘制收盘价及其均线 plt.figure(figsize=(12, 6)) plt.plot(stock_data['Close'], label='Closing Price', color='black') plt.plot(stock_data['MA_50'], label='50-Day MA', linestyle='--', color='blue') plt.plot(stock_data['MA_200'], label='200-Day MA', linestyle='-.', color='red') plt.title('Stock Price Analysis with Moving Averages') plt.xlabel('Date') plt.ylabel('Price ($)') plt.legend() plt.grid(True) plt.show() ``` --- ### 注意事项 - 上述代码均基于常见的依赖库 (`numpy`, `pandas`, `matplotlib`) 实现，确保安装这些库后再运行脚本。 - 如果涉及复杂业务逻辑或大规模数据处理，建议进一步优化性能并增强可读性。