Визуализация количественных данных на Python

Для визуализации количественных данных на Python можно использовать библиотекиMatplotlibиSeaborn.

Чтобы установить Matplotlib и Seaborn, выполните следующее в терминале или командной строке:

pip install matplotlib seaborn

Подробнее о Matplotlib можно узнать здесь:Учебник по Matplotlib

В этой главе в основном рассказывается об использовании библиотеки Seaborn.

Библиотека Seaborn

Seaborn — это библиотека визуализации данных, основанная на Matplotlib и ориентированная на построение статистических графиков.

Seaborn предоставляет высокоуровневые интерфейсы и цветовые темы, упрощая создание красивых статистических диаграмм в Python.

Цель Seaborn — упростить визуализацию данных и сделать графики более привлекательными.

1. Простое создание статистических графиков

Seaborn предоставляет ряд встроенных функций для построения графиков, которые позволяют легко создавать различные статистические графики, такие как диаграммы рассеяния, гистограммы, ящичные диаграммы и т. д.

Пример

import seaborn as sns
import matplotlib.pyplot as plt

# Создание диаграммы рассеяния
sns.scatterplot(x='sepal_length', y='sepal_width', data=iris)
plt.show()

2. Встроенные цветовые темы

Seaborn предоставляет встроенные цветовые темы, которые позволяют легко изменять внешний вид графиков и делать их более привлекательными.

# 使用 Seaborn 颜色主题
sns.set(style="whitegrid")

3. Визуализация наборов данных

Seaborn включает несколько встроенных наборов данных, которые можно использовать непосредственно для построения графиков, например наборы данных tips и flights.

# 使用内置数据集
tips = sns.load_dataset("tips")

4. Визуализация категориальных данных

Seaborn очень удобен для работы с категориальными данными, позволяя легко создавать сгруппированные столбчатые диаграммы, ящичные диаграммы и т. д.

# 创建分组柱状图
sns.barplot(x="day", y="total_bill", hue="sex", data=tips)

5. Визуализация матричных данных

Seaborn предоставляет функции специально для визуализации матричных данных, например тепловые карты.

# 创建热力图
corr_matrix = df.corr()
sns.heatmap(corr_matrix, annot=True, cmap="coolwarm")

6. Фасетное построение графиков

Seaborn поддерживает фасетное построение графиков, при котором создается несколько небольших графиков на основе подмножеств данных, чтобы более полно отобразить данные.

# 分面绘图
sns.relplot(x="total_bill", y="tip", hue="day", col="time", data=tips)

Seaborn предоставляет большое количество опций и параметров построения графиков для удовлетворения различных потребностей визуализации данных.

В целом Seaborn — это мощная и простая в использовании библиотека, подходящая как для начинающих, так и для профессиональных специалистов по данным, которая помогает пользователям легче создавать привлекательные статистические графики. Если вы уже знакомы с Matplotlib, Seaborn — отличное дополнение, позволяющее более эффективно выполнять визуализацию данных.

Пример

Далее мы используем Python для простого количественного примера. Вы можете использовать yfinance, чтобы получить данные об акциях Гуйчжоу Маотай (600519.SS), а затем использовать seaborn для визуализации данных.

Ниже приведен простой пример, демонстрирующий, как загрузить данные об акциях Маотай и использовать seaborn для построения графика динамики цены закрытия:

Пример

import yfinance as yf
import seaborn as sns
import matplotlib.pyplot as plt

# Получить данные об акциях Гуйчжоу Маотай
maotai_data = yf.download("600519.SS", start="2020-01-01", end="2023-01-01")

# Выбрать данные о цене закрытия
closing_prices = maotai_data['Close']

# Использовать seaborn для построения графика динамики
plt.figure(figsize=(12, 6))
sns.lineplot(x=closing_prices.index, y=closing_prices.values, label='Цены закрытия Maotai')
plt.title('Цены закрытия акций Maotai с течением времени')
plt.xlabel('Дата')
plt.ylabel('Цена закрытия (CNY)')
plt.legend()
plt.show()

Выполните приведённый выше код, и результат вывода будет:

Другие расширения