### 题目 (16) 圆环图 - 分类及子分类占比 以下是基于 `data` 字典绘制圆环图的 Python 示例代码： ```python import matplotlib.pyplot as plt # 数据准备 data = { '分类A': {'子分类1': 40, '子分类2': 60}, '分类B': {'子分类1': 70, '子分类2': 30}, '分类C': {'子分类1': 50, '子分类2': 50} } fig, ax = plt.subplots() for i, (key, values) in enumerate(data.items()): labels = list(values.keys()) sizes = list(values.values()) # 计算每部分的比例并绘制圆环 wedges, texts = ax.pie(sizes, startangle=90, radius=(i + 1), wedgeprops=dict(width=0.3)) ax.legend(wedges, labels, title="类别", loc="center left", bbox_to_anchor=(1, 0, 0.5, 1)) plt.title('分类及其子分类占比') plt.show() ``` --- ### 题目 (17) 包含三个环的圆环图 - 年度数据对比 以下是基于年度数据绘制三层嵌套圆环图的示例代码： ```python import matplotlib.pyplot as plt years = ['2020年', '2021年', '2022年'] categories = ['分类1', '分类2', '分类3', '分类4'] data = { '2020年': [10, 20, 30, 40], '2021年': [15, 25, 20, 40], '2022年': [20, 30, 20, 30] } labels = categories sizes_2020 = data['2020年'] sizes_2021 = data['2021年'] sizes_2022 = data['2022年'] colors = ['#ff9999','#66b3ff','#99ff99','#ffcc99'] fig, ax = plt.subplots(figsize=(8, 6)) wedges, texts = ax.pie([sum(data[year]) for year in years], radius=1, colors=['lightgray']*len(years), wedgeprops={'edgecolor':'white'}) def plot_rings(ax, radii, widths, colors): centers_x = [] centers_y = [] for r, w, c in zip(radii, widths, colors): ring_wedges = ax.pie( [r**2 * x / sum(data[y]) for x in data[y]], radius=r, width=w, colors=c, startangle=90) plot_rings(ax=ax, radii=[0.7, 0.8, 1], widths=[0.1]*3, colors=[colors]*3) legend_labels = [f"{cat}: {val}" for cat, val in zip(categories, sizes_2022)] ax.legend(legend_labels, title='分类详情', loc='upper right') plt.title("三年分类占比对比") plt.show() ``` --- ### 题目 (18) 散点图与拟合线 - 观察年龄与收入的关系 以下是一个简单实现的例子，假设 X 和 Y 已知： ```python import numpy as np import matplotlib.pyplot as plt ages = [20, 25, 30, 35, 40, 45, 50] # X 轴：年龄 incomes = [20000, 35000, 50000, 65000, 80000, 90000, 100000] # Y 轴：收入 # 拟合直线 coefficients = np.polyfit(ages, incomes, 1) polynomial = np.poly1d(coefficients) age_line = np.linspace(min(ages), max(ages), 100) income_line = polynomial(age_line) # 绘制图像 plt.scatter(ages, incomes, color='blue', label='实际值') plt.plot(age_line, income_line, color='red', linestyle='--', label=f"拟合线 y={coefficients[0]:.2f}x+{coefficients[1]:.2f}") plt.xlabel('年龄') plt.ylabel('收入') plt.title('年龄 vs 收入 的关系') plt.grid(True) plt.legend() plt.show() ``` --- ### 题目 (19) 双组随机散点分布比较 以下是一个简单的双组随机数散点图的生成代码： ```python np.random.seed(42) group_a = np.random.normal(loc=0, scale=1, size=100) group_b = np.random.normal(loc=1, scale=1.5, size=100) bins = np.linspace(-4, 4, 30) plt.hist(group_a, bins=bins, alpha=0.5, label='Group A') plt.hist(group_b, bins=bins, alpha=0.5, label='Group B') plt.axvline(np.mean(group_a), color='blue', linestyle='dashed', linewidth=1) plt.axvline(np.mean(group_b), color='orange', linestyle='dashed', linewidth=1) plt.legend() plt.title('双组随机分布比较') plt.xlabel('值') plt.ylabel('频次') plt.show() ``` --- ### 题目 (20) 气泡图 - GDP、人口和气温数据分析 以下是通过气泡图表征城市的经济状况和社会特征的一个例子： ```python cities_data = { '北京': {'GDP': 28000, 'Population': 21540000, 'Average_Temp': 14}, '上海': {'GDP': 38700, 'Population': 24240000, 'Average_Temp': 16}, '广州': {'GDP': 25000, 'Population': 15300000, 'Average_Temp': 22}, '深圳': {'GDP': 26900, 'Population': 13430000, 'Average_Temp': 23}, '成都': {'GDP': 17000, 'Population': 16580000, 'Average_Temp': 16}, } gdp = [city['GDP'] for city in cities_data.values()] population = [city['Population'] for city in cities_data.values()] temperature = [city['Average_Temp'] for city in cities_data.values()] # 设置气泡大小比例 bubble_size = [(t ** 2)*2 for t in temperature] plt.scatter(gdp, population, s=bubble_size, alpha=0.5) for idx, name in enumerate(cities_data.keys()): plt.annotate(name, (gdp[idx], population[idx])) plt.xscale('log') # 对数刻度更直观 plt.yscale('linear') plt.xlabel('GDP（亿元）') plt.ylabel('人口（人）') plt.title('各城市经济与发展分析') plt.grid(alpha=0.3) plt.show() ```