Erweiterte Visualisierung mit Pandas und Matplotlib / Seaborn

Pandas bietet integrierte grundlegende Plot-Funktionen, und durch die Kombination mit Matplotlib und Seaborn können Sie reichhaltigere Visualisierungsdiagramme erstellen.

Pandas integrierte Diagrammerstellung

Liniendiagramm

Beispiel

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Chinesische Anzeige aktivieren (erfordert eine im System installierte chinesische Schriftart)
# plt.rcParams['font.sans-serif'] = ['SimHei']
# plt.rcParams['axes.unicode_minus'] = False

# Zeitreihendaten erstellen
dates = pd.date_range("2024-01-01", periods=30, freq="D")
df = pd.DataFrame({
    "Date": dates,
    "Sales": 100 + np.random.randn(30).cumsum(),
    "Visitors": 50 + np.random.randn(30).cumsum() * 10
})
df = df.set_index("Date")

print("Daten:")
print(df.head())
print("\n"Vorbereitung der Diagrammdaten abgeschlossen, bitte verwenden Sie plt.show(), um das Diagramm anzuzeigen")

Balkendiagramm

Beispiel

import pandas as pd
import matplotlib.pyplot as plt

# Kategorische Daten
data = {
    "Produkt": ["A", "B", "C", "D", "E"],
    "Verkaufte Einheiten": [120, 150, 90, 180, 110]
}
df = pd.DataFrame(data)

# Balkendiagramm
print("Verwende df.plot.bar(), um ein Balkendiagramm zu zeichnen")
print("\n"Daten:")
print(df)

Kreisdiagramm

Beispiel

import pandas as pd

# Kreisdiagrammdaten
s = pd.Series([30, 25, 20, 15, 10], index=["A", "B", "C", "D", "E"])

print("Verwende s.plot.pie(), um ein Kreisdiagramm zu zeichnen")
print("\n"Daten:")
print(s)

Kombination mit Matplotlib

Beispiel

import pandas as pd
import numpy as np

# Daten erstellen
df = pd.DataFrame({
    "x": range(10),
    "y1": np.random.randn(10).cumsum(),
    "y2": np.random.randn(10).cumsum() + 5
})

print("Beispielcode für Matplotlib-Diagramme:")
print("""
import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))

# Liniendiagramm
ax1.plot(df["x"], df["y1"], label="Y1", color="blue")
ax1.plot(df["x"], df["y2"], label="Y2", color="red")
ax1.set_title("Liniendiagramm")
ax1.legend()
ax1.grid(True)

# Streudiagramm
ax2.scatter(df["y1"], df["y2"], alpha=0.6)
ax2.set_title("Streudiagramm")
ax2.set_xlabel("Y1")
ax2.set_ylabel("Y2")

plt.tight_layout()
plt.show()
""")

Subplot-Layout

Beispiel

import pandas as pd
import numpy as np

# 2x2-Subplot-Beispiel
print("2x2-Subplot-Layout-Beispiel:")
print("""
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 1. Liniendiagramm
df["y1"].plot(ax=axes[0, 0])
axes[0, 0].set_title("Liniendiagramm")

# 2. Balkendiagramm
df["y2"].plot.bar(ax=axes[0, 1])
axes[0, 1].set_title("Balkendiagramm")

# 3. Histogramm
df["y1"].hist(ax=axes[1, 0], bins=10)
axes[1, 0].set_title("Histogramm")

# 4. Kreisdiagramm
pd.Series([10, 20, 30]).plot.pie(ax=axes[1, 1])
axes[1, 1].set_title("Kreisdiagramm")

plt.tight_layout()
plt.show()
""")

Fortgeschrittene Visualisierung mit Seaborn

Beispiel

import pandas as pd
import numpy as np

# Seaborn-Funktionen demonstrieren
print("Seaborn-Visualisierungsbeispiel:")
print("""
import seaborn as sns
import matplotlib.pyplot as plt

# Stil festlegen
sns.set_style("whitegrid")

# 1. Relationales Diagramm
fig, ax = plt.subplots(figsize=(8, 5))
sns.lineplot(data=df, x="x", y="y1", ax=ax)
ax.set_title("Liniendiagramm")

# 2. Verteilungsdiagramm
sns.histplot(df["y1"], kde=True, ax=ax)

# 3. Boxplot
sns.boxplot(data=df, x="category", y="value")

# 4. Heatmap
sns.heatmap(df.corr(), annot=True, cmap="coolwarm")

plt.show()
""")

Matplotlib bietet Low-Level-Steuerung, während Seaborn eine High-Level-Schnittstelle bietet. Die Kombination beider ermöglicht es Ihnen, eine Vielzahl professioneller Diagramme zu erstellen.

Andere Erweiterungen