安装数据可视化模块matplotlib:pip install matplotlib
导入matplotlib模块下的pyplot
1 折线图
from matplotlib import pyplot #横坐标 year=[2010,2012,2014,2016] #纵坐标 perple=[20,40,60,100] #生成折线图:函数polt pyplot.plot(year,perple) #设置横坐标说明 pyplot.xlabel('year') #设置纵坐标说明 pyplot.ylabel('population') #添加标题 pyplot.title('Population year correspondence') #设置纵坐标刻度 pyplot.yticks([0, 25, 50, 75, 90]) # 显示网格 pyplot.grid(True) 显示图表 pyplot.show()
2 散点图
用两种方法
第一种:只需将函数polt换成scatter即可.
from matplotlib import pyplot #横坐标 year=[2010,2012,2014,2016] #纵坐标 perple=[20,40,60,100] #生成散点图:函数scatter pyplot.scatter(year,perple) #设置横坐标说明 pyplot.xlabel('year') #设置纵坐标说明 pyplot.ylabel('population') #添加标题 pyplot.title('Population year correspondence') #设置纵坐标刻度 pyplot.yticks([0, 25, 50, 75, 90]) # 显示网格 pyplot.grid(True) 显示图表 pyplot.show()
第二种方法:在polt函数里添加第三个参数 “o”.
可以更改点的颜色和类型,如红色,五角型:把plot第三个参数改为'rp'.
#点的颜色
#线的类型
#点的类型
from matplotlib import pyplot #横坐标 year=[2010,2012,2014,2016] #纵坐标 perple=[20,40,60,100] #生成散点图:函数polt pyplot.plot(year,perple,'rp') #设置横坐标说明 pyplot.xlabel('year') #设置纵坐标说明 pyplot.ylabel('population') #添加标题 pyplot.title('Population year correspondence') #设置纵坐标刻度 pyplot.yticks([0, 25, 50, 75, 90]) # 显示网格 pyplot.grid(True) 显示图表 pyplot.show()
总结
以上就是这篇文章的全部内容了,希望本文的内容对大家的学习或者工作具有一定的参考学习价值,谢谢大家对小牛知识库的支持。如果你想了解更多相关内容请查看下面相关链接
本文向大家介绍Python数据可视化:箱线图多种库画法,包括了Python数据可视化:箱线图多种库画法的使用技巧和注意事项,需要的朋友参考一下 概念 箱线图通过数据的四分位数来展示数据的分布情况。例如:数据的中心位置,数据间的离散程度,是否有异常值等。 把数据从小到大进行排列并等分成四份,第一分位数(Q1),第二分位数(Q2)和第三分位数(Q3)分别为数据的第25%,50%和75%的数字。 四分位
本文向大家介绍python使用pyecharts库画地图数据可视化的实现,包括了python使用pyecharts库画地图数据可视化的实现的使用技巧和注意事项,需要的朋友参考一下 python使用pyecharts库画地图数据可视化导库中国地图代码结果世界地图代码结果省级地图代码结果地级市地图代码结果 导库 中国地图 代码 结果 世界地图代码 结果 省级地图代码 结果 地级市地图代码 结果 到此这
数据可视化工具 JS 库: d3 sigmajs **部件 & 组件:</h5> Chart.js C3.js Google Charts chartist-jsj amCharts [$] Highcharts [Non-commercial free to $] FusionCharts [$] ZingChart [free to $] Epoch 服务: Datawrapper infog
在侧边导航栏点击 Visualize 开始视化您的数据。 Visualize 工具能让您通过多种方式浏览您的数据。例如:我们使用饼图这个重要的可视化控件来查看银行账户样本数据中的账户余额。点击屏幕中间的 Create a visualization 蓝色按钮开始。 有很多种可视化控件可供选择。我们点击其中一个名为 Pie 的。 您可以为已保存的搜索建立可视化效果,或者输入新的搜索条件。使用后者时,
数据可视化主要旨在借助于图形化手段,清晰有效地传达与沟通信息。 热力图 散点图 动画要素图 高效率点图层 ECharts Mapv OSM Buildings
在我们开始的我们的可视化的之旅之前,需要简单的介绍一些数据分析工具,我们的数据可视化的任务也是建立在数据分析的基础之上。Python 的主要数据分析工具如下所示: Numpy:这个是数据计算的工具,主要用来进行矩阵的运算,矢量运算等等。 Scipy:科学计算函数库,主要用在学术领域,主要包含线性代数模块,信号与图像处理模块,统计学模块等等。 Sympy:数学符号计算库 Pandas:包含了 num