### 使用Python和相关库绘制Excel数据的数量统计图表 以下是使用 `pandas` 和 `matplotlib` 库来加载 Excel 文件并绘制统计数据的完整代码示例： #### 加载Excel文件 首先，利用 `pandas` 的 `read_excel()` 方法读取 Excel 表格中的数据。 ```python import pandas as pd # 读取Excel文件 df = pd.read_excel("S:\\code\\jupyter_notebook\\big_date\\对比excel学习python\\章节13数据.xlsx", sheet_name="公司注册用户数") # 查看前几行数据以确认读取成功 print(df.head()) ``` 此部分代码用于加载指定路径下的 Excel 文件，并将其转换为 Pandas DataFrame 对象以便后续处理[^1]。 --- #### 数据预览与准备 假设 Excel 中有两列：`月份` 和 `用户数`。可以通过以下命令查看数据结构： ```python # 打印DataFrame基本信息 print(df.info()) # 输出数据样本 print(df[['月份', '用户数']].head()) ``` 这一步是为了验证数据是否正确加载以及是否存在缺失值等问题[^2]。 --- #### 创建基本折线图 接下来，使用 `matplotlib` 来创建一个简单的折线图展示每个月份对应的用户数量变化趋势。 ```python import matplotlib.pyplot as plt # 定义X轴（月份）和Y轴（用户数） x = df["月份"] y = df["用户数"] # 绘制折线图 plt.figure(figsize=(10, 6)) plt.plot(x, y, marker='o', linestyle='-', color='b') # 添加标题和标签 plt.title("每月用户增长情况", fontsize=16) plt.xlabel("月份", fontsize=14) plt.ylabel("用户数", fontsize=14) # 显示网格 plt.grid(True) # 展示图形 plt.tight_layout() plt.show() ``` 这段代码实现了基础的数据可视化功能，其中设置了线条样式、颜色以及其他美化选项[^3]。 --- #### 高级图表——堆叠面积图 如果需要更直观地比较多个类别之间的关系，则可以考虑使用堆叠面积图。例如，我们可能希望同时观察“注册人数”和“激活人数”的分布差异。 ```python # 假设存在两个额外字段："激活人数" data = { "月份": [1, 2, 3, 4, 5, 6, 7, 8, 9], "注册人数": [866, 2335, 5710, 6482, 6120, 1605, 3813, 4428, 4631], "激活人数": [433, 1167, 2855, 3241, 1060, 802, 1906, 2214, 3515] } # 转换为Pandas DataFrame df_advanced = pd.DataFrame(data) # 提取所需变量 months = df_advanced["月份"].values registrations = df_advanced["注册人数"].values activations = df_advanced["激活人数"].values # 开始绘图 plt.figure(figsize=(12, 7)) # 使用stackplot函数生成堆叠区域 plt.stackplot(months, registrations, activations, labels=["注册人数", "激活人数"], colors=['lightblue', 'orange']) # 设置其他属性 plt.title("注册与激活人数随时间的变化", fontsize=18) plt.xlabel("月份", fontsize=14) plt.ylabel("人数", fontsize=14) plt.legend(loc="upper left") plt.grid(alpha=0.3) # 渲染图像 plt.tight_layout() plt.show() ``` 这里展示了如何通过 `stackplot()` 函数构建更加复杂的视觉效果，从而帮助理解不同维度间的关系[^4]。 --- ### 总结 以上介绍了两种常见的 Python 图表制作方法：简单的时间序列折线图和高级别的堆叠面积图。每种形式都有其适用场景，在实际应用过程中可以根据需求灵活调整参数配置。