### Python 数据可视化 上机实验 案例分析 以下内容详细介绍了 Python 数据可视化的上机实验和相关案例，涵盖常用库的应用及代码示例。 #### 使用 Matplotlib 绘制基本图表 Matplotlib 是一个强大的绘图库，适用于生成各种静态、动态的二维图表。以下是一个绘制折线图的示例： ```python import matplotlib.pyplot as plt # 定义数据 x = [1, 2, 3, 4, 5] y = [2, 3, 5, 7, 11] # 创建折线图 plt.plot(x, y, marker='o', linestyle='-', color='b', label='Line') # 添加标题和标签 plt.title('Simple Line Plot') plt.xlabel('X-axis') plt.ylabel('Y-axis') # 显示图例 plt.legend() # 显示图形 plt.show() ``` 此案例展示了如何使用 Matplotlib 绘制简单的折线图，并添加标题、标签和图例[^1]。 #### 使用 Seaborn 进行高级可视化 Seaborn 是基于 Matplotlib 的高层次可视化库，提供了更美观的默认样式和更复杂的图表类型。以下是一个绘制柱状图的示例： ```python import seaborn as sns import pandas as pd import matplotlib.pyplot as plt # 创建数据框 data = {'学生姓名': ['Alice', 'Bob', 'Charlie'], '出勤率': [90, 85, 95]} df = pd.DataFrame(data) # 绘制柱状图 sns.barplot(x='学生姓名', y='出勤率', data=df, palette='viridis') # 添加标题和标签 plt.title('学生出勤率柱状图') plt.xlabel('学生姓名') plt.ylabel('出勤率') # 显示图形 plt.show() ``` 此案例展示了如何使用 Seaborn 和 Pandas 结合绘制柱状图，并设置颜色调色板[^5]。 #### 使用 Pandas 进行数据处理与可视化 Pandas 是一个强大的数据分析工具，结合其内置的绘图功能可以快速生成图表。以下是一个绘制饼图的示例： ```python import pandas as pd import matplotlib.pyplot as plt # 创建数据 data = {'类别': ['A', 'B', 'C'], '值': [30, 50, 20]} df = pd.DataFrame(data) # 绘制饼图 df.plot(kind='pie', y='值', labels=df['类别'], autopct='%1.1f%%', startangle=90) # 添加标题 plt.title('类别分布饼图') # 显示图形 plt.show() ``` 此案例展示了如何使用 Pandas 绘制饼图，并通过参数设置百分比显示。 #### 综合案例：学生考试成绩分析 以下是一个综合案例，展示如何使用 Pandas 和 Matplotlib 分析学生考试成绩并生成可视化结果： ```python import pandas as pd import matplotlib.pyplot as plt # 创建数据框 data = { '学生姓名': ['Alice', 'Bob', 'Charlie', 'David'], '数学': [88, 92, 75, 80], '英语': [90, 85, 88, 76], '物理': [85, 88, 92, 78] } df = pd.DataFrame(data) # 计算总分和平均分 df['总分'] = df[['数学', '英语', '物理']].sum(axis=1) df['平均分'] = df[['数学', '英语', '物理']].mean(axis=1) # 打印数据框 print(df) # 绘制总分柱状图 plt.figure(figsize=(10, 6)) plt.bar(df['学生姓名'], df['总分'], color='skyblue') plt.title('学生总分柱状图') plt.xlabel('学生姓名') plt.ylabel('总分') plt.show() ``` 此案例展示了如何使用 Pandas 处理数据并计算总分和平均分，然后使用 Matplotlib 绘制柱状图[^1]。 #### 散点图绘制案例 以下是一个使用 Matplotlib 绘制散点图的案例，用于区分正负样本： ```python import numpy as np import matplotlib.pyplot as plt # 加载数据集 dataMat = [[1, 2], [2, 3], [3, 4], [4, 5]] labelMat = [1, 1, 0, 0] dataArr = np.array(dataMat) n = np.shape(dataMat)[0] xcord1 = [] ycord1 = [] xcord2 = [] ycord2 = [] for i in range(n): if int(labelMat[i]) == 1: xcord1.append(dataArr[i, 0]) ycord1.append(dataArr[i, 1]) else: xcord2.append(dataArr[i, 0]) ycord2.append(dataArr[i, 1]) fig = plt.figure() ax = fig.add_subplot(111) ax.scatter(xcord1, ycord1, s=30, c="red", marker='x', alpha=0.9) ax.scatter(xcord2, ycord2, s=30, c="blue", alpha=0.9) plt.title('DataSet') plt.xlabel('X1') plt.ylabel('X2') plt.show() ``` 此案例展示了如何根据标签区分正负样本并绘制散点图[^4]。 ###