Python quantitative Datenvisualisierung
Python quantitative Datenvisualisierung kannMatplotlibundSeabornBibliotheken verwenden.
Um Matplotlib und Seaborn zu installieren, führen Sie Folgendes im Terminal oder in der Eingabeaufforderung aus:
pip install matplotlib seaborn
Ausführliche Inhalte zu Matplotlib finden Sie unter:Matplotlib-Tutorial
Dieses Kapitel führt hauptsächlich in die Verwendung der Seaborn-Bibliothek ein.
Seaborn-Bibliothek
Seaborn ist eine auf Matplotlib basierende Datenvisualisierungsbibliothek, die sich auf das Zeichnen statistischer Grafiken konzentriert.
Seaborn bietet High-Level-Schnittstellen und Farbthemen, wodurch es einfacher wird, schöne statistische Diagramme in Python zu erstellen.
Das Ziel von Seaborn ist es, die Datenvisualisierung einfacher zu machen und gleichzeitig Diagramme attraktiver zu gestalten.
1. Einfache Erstellung statistischer Grafiken
Seaborn bietet eine Reihe integrierter Plot-Funktionen, mit denen Sie ganz einfach verschiedene statistische Grafiken erstellen können, wie Streudiagramme, Histogramme, Boxplots usw.
Beispiel
import matplotlib.pyplot as plt
# Streudiagramm erstellen
sns.scatterplot(x='sepal_length', y='sepal_width', data=iris)
plt.show()
2. Integrierte Farbthemen
Seaborn bietet integrierte Farbthemen, mit denen Sie das Erscheinungsbild von Diagrammen einfach ändern und sie ansprechender gestalten können.
# 使用 Seaborn 颜色主题 sns.set(style="whitegrid")
3. Visualisierung von Datensätzen
Seaborn enthält mehrere integrierte Datensätze, die direkt für die Darstellung verwendet werden können, zum Beispiel die Datensätze tips und flights.
# 使用内置数据集
tips = sns.load_dataset("tips")
4. Visualisierung kategorischer Daten
Seaborn ist sehr praktisch für den Umgang mit kategorischen Daten und ermöglicht es Ihnen, ganz einfach gruppierte Balkendiagramme, Boxplots usw. zu erstellen.
# 创建分组柱状图 sns.barplot(x="day", y="total_bill", hue="sex", data=tips)
5. Visualisierung von Matrixdaten
Seaborn bietet Funktionen speziell für die Visualisierung von Matrixdaten, wie z. B. Heatmaps.
# 创建热力图 corr_matrix = df.corr() sns.heatmap(corr_matrix, annot=True, cmap="coolwarm")
6. Facettenplots
Seaborn unterstützt Facettenplots, die basierend auf Daten-Teilmengen mehrere kleine Diagramme erstellen, um Daten umfassender darzustellen.
# 分面绘图 sns.relplot(x="total_bill", y="tip", hue="day", col="time", data=tips)
Seaborn bietet eine Vielzahl von Plotoptionen und Parametern, um unterschiedliche Arten von Datenvisualisierungsanforderungen zu erfüllen.
Insgesamt ist Seaborn eine leistungsstarke und benutzerfreundliche Bibliothek, die sich sowohl für Anfänger als auch für professionelle Datenwissenschaftler eignet und Benutzern hilft, attraktive statistische Diagramme einfacher zu erstellen. Wenn Sie bereits mit Matplotlib vertraut sind, ist Seaborn eine großartige Ergänzung, mit der Sie Datenvisualisierung effizienter durchführen können.
Beispiel
Als Nächstes verwenden wir Python für ein einfaches quantitatives Beispiel. Sie können yfinance verwenden, um Aktiendaten für Guizhou Moutai (600519.SS) abzurufen, und dann seaborn für die Datenvisualisierung nutzen.
Das Folgende ist ein einfaches Beispiel, das zeigt, wie Moutai-Aktiendaten heruntergeladen und seaborn verwendet werden, um das Trenddiagramm des Schlusskurses zu zeichnen:
Beispiel
import seaborn as sns
import matplotlib.pyplot as plt
# Aktiendaten für Guizhou Moutai abrufen
maotai_data = yf.download("600519.SS", start="2020-01-01", end="2023-01-01")
# Schlusskursdaten auswählen
closing_prices = maotai_data['Close']
# seaborn verwenden, um das Trenddiagramm zu zeichnen
plt.figure(figsize=(12, 6))
sns.lineplot(x=closing_prices.index, y=closing_prices.values, label='Maotai-Schlusskurse')
plt.title('Maotai-Aktien-Schlusskurse im Zeitverlauf')
plt.xlabel('Datum')
plt.ylabel('Schlusskurs (CNY)')
plt.legend()
plt.show()
Führen Sie den obigen Code aus, und das Ausgabeergebnis ist:
