精华内容
下载资源
问答
  • 图表制作
    千次阅读
    2021-11-15 20:07:15

    目录

    文章目录

    一、Tableau介绍

    二、数据连接

    1.连接类型

    2.连接方式

    3.提取方式

    三、基础图表制作

    1.柱状图

    2.条形图

    3.【创建分级结构】实现数据钻取

    4.【添加筛选器】实现数据选取

    5.热力图

    6.气泡图

    7.饼图【快速计算表】

    8.树地图

    9.堆积图

    10.折线图

    11.面积图

    12.散点图 

    13.地图 




    一、Tableau介绍

    Tableau作为一款BI分析工具,不仅容易上手,美观直接,用它将大量数据拖放到数字“画布”上,转眼间便能创建好各种图表;而且在数据探索和数据可视化方面功能强大,能够绘制出很多酷炫的图表。

    同时,我们可以在Tableau的可视化社区学习各种顶尖的可视化方案,社区推荐的优秀作品每天都会更新。

    https://public.tableau.com/zh-cn/gallery/?tab=viz-of-the-day&type=viz-of-the-day





    二、数据连接





    1.连接类型

    • 本地文件
      • csv数据连接到文本
      • xls/xlsx连接到Excel
      • json直接连接到json
    • 数据库
      • 下载数据库对应的驱动后,填写地址等参数连接到对应数据库
      • SQL课程的最后,会教大家如何连接数据库





    2.连接方式

    • 默认使用智能连接,只需选择连接所用的数据字段即可
    • 连接所用的字段可以通过函数进行计算和编辑
    • 表格之间的连接原理,SQL课程中会详细讲解
    • 本文操作
      • 先连接到shop,然后拖拽cpc,选择连接字段
        • 门店id=门店ID
        • 日期=日期
      • 继续拖拽orders,线与shop相连,选择连接字段
        • 门店id=门店ID
        • 日期=下单日期

    3.提取方式

    • 实时
      • 每次计算都会连接一次数据库进行取数运算
      • 这是因为Tableau的本质是Vizql查询语言,每做一个操作就查询一次是可以实现的
      • 不过在数据量级较大的情况下就会比较慢了
    • 数据提取
      • 将当前连接所涉及的数据全部都查询提取到hype格式的数据提取(相当于Tableau自己的数据库和对应类型的文件)
      • 如果保存为twbx格式,hyper会自动打包进twbx,使tableau自带数据
      • 缺点是每次修改完数据源都要重新提取一遍数据,如果是实时,则不需要先提取,等你作图时他才会再提取

    三、基础图表制作

    1.柱状图

    将【门店名称】拖至列,将【GMV】拖至行,便可得到各门店关于GMV的柱状图,将【GMV】拖至标记卡的“标签”处,即可在柱状图上显示GMV数值,按图中指示还可进行升序和降序操作。

    2.条形图

    在上图的基础上,对柱状图进行转置,便可转换行列设置图形为条形图或柱状图。

    条形图相比于柱状图,适用于较多变量之间的对比分析,多变量之间的对比更易浏览。

    3.【创建分级结构】实现数据钻取

    制作步骤:
    ① 右键【品牌名称】,选取“分层结构——创建分层结构”,命名为【品牌-门店-平台】。
    ② 将【门店名称】和【平台】拖至分级结构【品牌-门店-平台】之下。
    ③ 将【品牌名称】拖至行功能区,点加号下钻至【平台】,同时将【GMV】拖至列功能区,便可实现数据钻取。
    ④ 将【GMV】拖至标记卡的“标签”处,便可在条形图上显示数值。

    4.【添加筛选器】实现数据选取

    制作步骤:
    ① 在3的基础上,将【门店名称】、【GMV】和【日期】拖至筛选器,并右键选择“显示筛选器”。
    ② 通过对【日期】和【GMV】的数轴拖拉和【门店名称】的勾选来实现数据选取。

    5.热力图

    图表逻辑:
    ① 在文本表上根据度量值大小加上颜色深浅标记。

    制作步骤:
    ① 将【品牌名称】拖至行功能区,点加号下钻至【门店名称】。
    ② 将度量值【GMV】、【商家实收】、【商户补贴】和【平台补贴】拖至图中箭头所示区域。
    ③ 将【GMV】拖至标记卡的“颜色”。
    ④ 选择标记卡下方的图表类型为方形(不选择方形则是数值变色)。 

    6.气泡图

    图表逻辑:
    ① 用【度量】代表气泡大小,【维度】代表气泡颜色。

    制作步骤:
    ① 将【门店名称】和【GMV】拖至标记卡的“标签”处。
    ② 将【GMV】拖至标记卡的“大小”处,用图形大小来代表GMV数值大小。
    ③ 将【门店名称】拖至标记卡的“颜色”处,用颜色来区分不同的门店。
    ④ 选择标记卡下方的图表类型为园,得到各个门店GMV的气泡图。 

    7.饼图【快速计算表】

    图表逻辑:
    ①【维度】代表各扇区的颜色,【度量】代表饼图中各扇区角度的大小。

    制作步骤:
    ① 将【门店名称】和【GMV】拖至标记卡的“标签”处。
    ② 将【GMV】拖至标记卡的“大小”处,用图形大小来代表GMV数值大小。
    ③ 将【门店名称】拖至标记卡的“颜色”处,用颜色来区分不同的门店。
    ④ 选择标记卡下方的图表类型为饼图,得到各个门店GMV的饼图。
    ⑤ 右键点击标签中的【总和(GMV)】,选择“快速表计算——合计百分比”,计算各数值的百分比占比。同时,右键点击标签中的【总和(GMV)】,选择“设置格式”,【默认值】区数字改为百分比,可选择小数保留位数。
    ⑥ 将上方工具栏的“标准”改为“整个视图”可以调整饼图大小。

    8.树地图

    图表逻辑:
    ① 每个方格代表一个该【维度】下的变量,方格的大小代表此变量的在该【维度】下的【度量】占比大小。
    ② 方格会按顺序排列,占比最大的在最左上方。 

    制作步骤:
    ① 同7.饼图的制作步骤。
    ② 选择标记卡下方的图表类型为自动,得到各个门店GMV的树地图。其中“自动”和“饼图”分别对应树地图和饼图。 

    9.堆积图

    图表逻辑:
    ① 绝对堆积:在柱状图/条形图的基础上,用颜色区分一个维度在另一个维度下的占比大小。
    ② 相对堆积:不展示绝对值,使用合集快表计算:合计百分比,只展示百分比。

    制作步骤:
    ① 将【门店名称】拖至列功能区,将【GMV】拖至行功能区,并按降序进行排列。
    ② 在做完柱状图后,将【GMV】拖至标记卡的“标签”,将需要堆积展示占比的【平台】拖至标记卡的“颜色”即可。
    ③ 右键点击标签中的【总和(GMV)】,选择“快速表计算——合计百分比”,计算各数值的百分比占比;选择“计算依据——表(向下)”。同时,右键点击标签中的【总和(GMV)】,选择“设置格式”,【默认值】区数字改为百分比,可选择小数保留位数。

    10.折线图

    图表逻辑:
    ① 基于时间维度的柱状图,但是将展现形式从条形图变为了折线。 

    制作步骤:
    ① 将【日期】拖至列功能区,并右键选择时间类型为天;将【GMV】拖至行功能区。
    ② 将【平台】拖至标记卡的“颜色”可做出多维折线图,一个颜色代表一个类别(平台)。 

    11.面积图

    图表逻辑:
    ① 在折线图的基础上选择面积作为视觉影射。

    制作步骤:
    ① 将【日期】拖至列功能区,并右键选择时间类型为天;将【GMV】拖至行功能区(同折线图)。
    ② 标记卡中把图表类型改为区域,即可得到面积图。

    12.散点图 

    图表逻辑:
    ① 横纵轴各代表一个【度量】,【维度】中的变量则作为一个点,根据横纵轴上的度量值大小确认位置。

    制作步骤:
    ① 将【Cpc总费用】拖至列功能区,将【GMV】拖至行功能区。
    ② 右键【日期】复制,右键【日期(复制)】选择“更改数据类型—字符串”,并拖至标记卡的“详细信息”处。
    ③ “分析—趋势线—线性”即可添加趋势线,展示分析的两个度量之间的线性关系。

    13.地图 

    图表逻辑:
    ① 以地理位置为店,用点大小、颜色展示度量值大小等特征。

    制作步骤:
    ① 右键【配送坐标-纬度】和【配送坐标-经度】设置数据类型为“地理角色—维度/经度”,然后双击字段或将经纬度对应的维度拖到行列功能区上。
    ② 复制【下单日期时间】,右键“更改数据类型—字符串”,修改为字符串再拖至详细信息。
    ③ 将要在地图上展示的【度量】拖至“颜色”或“大小”,这里将【用户实付】拖至标记卡的“大小”。 


    更多相关内容
  • 主要介绍了jQuery Chart图表制作组件Highcharts用法,详细分析了Highcharts插件的功能与具体使用技巧及相关注意事项,需要的朋友可以参考下
  • excel图表制作课件PPT课件.pptx
  • ExcelVBA实例教程#063:多图表制作.pdf
  • 图表制作软件 v3.4.2252

    2019-04-17 09:37:14
    一款基于.net Charting图表控件进行开发的工具软件,可以方便地创建、编辑和共享优雅美观、璀璨夺目的图表文件,其主要功能有: 1)支持常用图表类型如柱形图、条形图、圆柱图、圆饼图、圆环图、面积图、折线图等;...
  • 先进的图表。 2D和3D,美丽,响应和互动。所有图表都可以完全自定义,可以通过代码或统一编辑器快速设置。图形和图表可用于任何平台,包括VR / AR,移动,Web和桌面。支持所有最新的统一版本。 * Playmaker支持...
  • 本资源来源于互联网,版权为原作者所有。若侵犯到您的版权, 请提出指正, 我们将立即删除。
  • 动态图表制作小工具

    2019-01-06 19:40:12
    绿色免安装小工具 swiff chart是一款专业的可以帮助用户绘制各种动态统计图表的统计图表绘制工具。还想看着Excel那个死板板的图表吗?想让PowerPoint动起来吗?SwiffChart可以帮您这个忙。swiffchart汉化版支持包括...
  • Excel高级图表制作教程,电子表格高手的选择。
  • 《Excel数据分析与图表制作》.ppt《Excel数据分析与图表制作》.ppt《Excel数据分析与图表制作》.ppt
  • 该文件为各式图表制作打印C#源码实例文件,文件为源码文件,内容丰富 涵盖了大量的基本操作 值得学习借鉴,希望能帮助到大家
  • 这是一套图表制作基础知识Excel图表模板,喜欢的人都来下载吧。该文档为图表制作基础知识Excel图表模板,是一份很不错的参考资料,具有较高参考价值,感兴趣的可以下载看看
  • Highcharts 是一个用纯JavaScript编写的一个图表库, 能够很简单便捷的在web网站或是web应用程序添加有交互性的图表,并且免费提供给个人学习、个人网站和非商业用途使用。HighCharts支持的图表类型有曲线图、区域图...
  • Highcharts 是一个用纯JavaScript编写的一个图表库, 能够很简单便捷的在web网站或是web应用程序添加有交互性的图表,并且免费提供给个人学习、个人网站和非商业用途使用。HighCharts支持的图表类型有曲线图、区域图...
  • 四象限图表制作.xls

    2021-09-07 18:22:14
    四象限图表制作,简单例子
  • EXCEL图表制作

    2018-08-05 16:29:07
    本书介绍作者在实践工作中总结出来的一套“杂志级上午图表沟通方法”,告诉读者如何设计和制作达到杂志级质量的、专业有效的商务图表。作者对诸如《商业周刊》《经济学人》等全球顶尖商业杂志上的精彩图表案例进行...
  • python图表制作

    千次阅读 2021-02-10 04:19:19
    画一个吸引人注意的图表相当重要。当你探索一个数据集,需要画图表图表看起来令人愉悦是件很高兴的事。在与你的观众交流观点时,可视化同样重要,同时,也很有必要去让图表吸引注意力和印入脑海里。Matplotlib自动...

    画一个吸引人注意的图表相当重要。当你探索一个数据集,需要画图表,图表看起来令人愉悦是件很高兴的事。在与你的观众交流观点时,可视化同样重要,同时,也很有必要去让图表吸引注意力和印入脑海里。Matplotlib自动化程度非常高,但是,掌握如何设置系统以便获得一个吸引人的图是相当困难的事。为了控制matplotlib图表的外观,Seaborn模块自带许多定制的主题和高级的接口。

    我们用ipython notebook

    import numpy as np

    import matplotlib as mpl

    import matplotlib.pyplot as plt

    np.random.seed(sum(map(ord,"aesthetics")))

    让我们定以一个函数来画正弦函数,这将帮助我们了解我们可以控制的不同风格的参数。

    def sinplot(flip=1):

    x =np.linspace(0,14,100)

    for i in range(1,7):

    plt.plot(x,np.sin(x+i*0.5)*(7-i)*flip)

    import seaborn as sns

    sinplot()

    2 图形分类

    因变量绘图

    1 线箱图boxplot

    2 小提琴图violinplot

    3 散点图striplot

    4 带分布的散点图swarmplot

    5 直方图barplot

    6 计数直方图countplot

    7 两变量关系图factorplot

    回归图

    回归图只要探讨两连续数值变量的变化趋势情况,绘制x-y的散点图和回归曲线。

    1 线性回归图implot

    2 线性回归图regplot

    分布图

    包括单变量核密度曲线,直方图,双变量多变量的联合直方图,和密度图

    热力图

    1 热力图heatmap

    聚类图

    1 聚类图clustermap

    时间序列图

    1 时间序列图tsplot

    2我的时间序列图plot_ts_d,plot_ts_m

    3 因子变量绘图

    3.1 boxplot线箱图

    import seaborn as sns

    sns.set_style("whitegrid")

    tips = sns.load_dataset("tips")

    # 绘制箱线图

    ax = sns.boxplot(x=tips["total_bill"])

    # 竖着放的箱线图,也就是将x换成y

    ax = sns.boxplot(y=tips["total_bill"])

    15e76f136986c06222ca708eb0d231cf.png

    # 分组绘制箱线图,分组因子是day,在x轴不同位置绘制

    ax = sns.boxplot(x="day", y="total_bill", data=tips)

    32f04b1c98f6d5690b60251418348e17.png

    #分组箱线图,分子因子是smoker,不同的因子用颜色区分

    #相当于分组之后又分组

    ax =sns.boxplot(x="day",y="total_bill",hue="smoker",data=tips, palette="Set3")

    a3c37ba293210afda134657bdcf5696b.png

    # 改变线宽,linewidth参数

    ax = sns.boxplot(x="day", y="total_bill",hue="time",data=tips, linewidth=2.5)

    #改变x轴顺序,order参数

    ax = sns.boxplot(x="time", y="tip", data=tips,order=["Dinner", "Lunch"])

    # 对dataframe的每个变量都绘制一个箱线图,水平放置

    iris = sns.load_dataset("iris")

    ax = sns.boxplot(data=iris, orient="h", palette="Set2"

    0c32330e5b68698c3e901045392f00fd.png

    # 箱线图+有分布趋势的散点图

    # 图形组合也就是两条绘图语句一起运行就可以了,相当于图形覆盖了

    ax = sns.boxplot(x="day", y="total_bill", data=tips)

    ax = sns.swarmplot(x="day", y="total_bill", data=tips, color=".25")

    https://img-blog.csdn.net/20170403205820929?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3V6eXUxMjM0NQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast

    3.3 stripplot散点图

    需要注意的是,seaborn中有两个散点图,一个是普通的散点图,另一个是可以看出分布密度的散点图。下面把它们花在一起就明白了。

    # 普通的散点图

    ax1 = sns.stripplot(x=tips["total_bill"])

    # 带分布密度的散点图

    ax2 = sns.swarmplot(x=tips["total_bill"])

    534e4ae81612f9d25df7d7d4730f59f4.png

    # 分组的散点图

    ax = sns.stripplot(x="day", y="total_bill", data=tips)

    91209e8ab4a8be17549d7295e356e392.png

    # 添加抖动项的散点图,jitter可以是0.1,0.2...这样的小数,表示抖动的程度大小

    ax = sns.stripplot(x="day", y="total_bill", data=tips, jitter=True)

    f972087527983bbc4b12314ccbed21a8.png

    # 重点来了,分组绘制,而且是分组后分开绘制,在柱状图中,跟分组柱状图类似的。

    # 通过 hue, split 参数控制

    # 1.分组

    ax = sns.stripplot(x="sex",y="total_bill",hue="day",data=tips, jitter=True)

    # 2.分开绘制

    ax = sns.stripplot(x="day", y="total_bill", hue="smoker",data=tips, jitter=True,palette="Set2",split=True)

    3c627ea52267b4a4d49c6c444c515c4d.png

    # 散点图+小提起图

    # 两条命令一起运行就行了

    ax=sns.violinplot(x="day",y="total_bill",data=tips,inner=None, color=".8")

    ax=sns.stripplot(x="day",y="total_bill",data=tips,jitter=True)

    80b024a45a8ab5bb8ca0fd2c5fec8b85.png

    3.4 swarmplot带分布的散点图

    swarmplt的参数和用法和stripplot的用法是一样的,只是表现形式不一样而已。

    import seaborn as sns

    sns.set_style("whitegrid")

    tips = sns.load_dataset("tips")

    ax = sns.swarmplot(x=tips["total_bill"])

    cce1301736a6d335098e314e37c8daf8.png

    ax= sns.swarmplot(x="day",y ="total_bill",data = tips)

    021f9c7fca860133f90f29eabe2260ec.png

    3.6 直方图

    直方图的统计函数,绘制的是变量的均值 estimator=np.mean

    # 注意看看Y轴,看到没,统计函数默认是 mean,

    import seaborn as sns

    sns.set_style("whitegrid")

    tips = sns.load_dataset("tips")

    ax = sns.barplot(x="day", y="total_bill", data=tips,ci=0)

    4d768d141f7a0510b000841658864537.png

    # 分组的柱状图

    ax = sns.barplot(x="day", y="total_bill", hue="sex", data=tips,ci=0)

    3e3202baecf51f124021287d9a1a51b7.png

    # 绘制变量中位数的直方图,estimator指定统计函数

    from numpy import median

    ax = sns.barplot(x="day", y="tip", data=tips,estimator=median, ci=0)

    4f349b3490672067e2e56d4e2a51b598.png

    3.7 countplot计数统计图

    这个很重要,对因子变量计数,然后绘制条形图

    import seaborn as sns

    sns.set(style="darkgrid")

    titanic = sns.load_dataset("titanic")

    ax = sns.countplot(x="class", data=titanic)

    9a388ded8e86292327e7c06624e55351.png

    # 分组绘图

    ax = sns.countplot(x="class", hue="who", data=titanic)

    # 如果是横着放,x用y替代

    ax = sns.countplot(y="class", hue="who", data=titanic)

    27e5994b7d2d6db2dd04f4ef33980d00.png

    3.8.factorplot

    这是一类重要的变量联合绘图。

    绘制 因子变量-数值变量 的分布情况图。

    # 用小提琴图 反应 time-pulse 两变量的分布情形

    import seaborn as sns

    sns.set(style="ticks")

    exercise = sns.load_dataset("exercise")

    g =sns.factorplot(x="time",y="pulse",hue="kind",data=exercise, kind="violin")

    23eece0277106f97d335a446b3369c13.png

    # 不同的deck(因子)绘制不同的alive(数值),col为分子图绘制,col_wrap每行画4个子图

    titanic = sns.load_dataset("titanic")

    g = sns.factorplot(x="alive", col="deck", col_wrap=4,data=titanic[titanic.deck.notnull()],kind="count", size=2.5, aspect=.8)

    ![这里写图片描述](https://img-blog.csdn.net/20170403222401446?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3V6eXUxMjM0NQ==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

    4.回归图

    回归图有两个,我暂时没有看出他们有什么区别,从函数说明来看看吧。

    lmplot: Plot data and regression model fits across a FacetGrid.

    regplot:Plot data and a linear regression model fit.

    4.1.回归图lmplot

    # 线性回归图

    import seaborn as sns; sns.set(color_codes=True)

    tips = sns.load_dataset("tips")

    g = sns.lmplot(x="total_bill", y="tip", data=tips)

    70ecfc4f94f620db32f67e7e6beee466.png

    # 分组的线性回归图,通过hue参数控制

    g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips)

    6873fc1b692436a3e41d94f0aadebff2.png

    # 分组绘图,不同的组用不同的形状标记

    g = sns.lmplot(x="total_bill", y="tip", hue="smoker", data=tips,markers=["o", "x"])

    5c89eeb6054694bdfa1e4f3c7ebf2a06.png

    # 不仅分组,还分开不同的子图绘制,用col参数控制

    g = sns.lmplot(x="total_bill", y="tip", col="smoker", data=tips)

    bbde1e09ee4c40708f94063e2c2a2125.png

    # col+hue 双分组参数,既分组,又分子图绘制,jitter控制散点抖动程度

    g = sns.lmplot(x="size", y="total_bill", hue="day", col="day",data=tips, aspect=.4, x_jitter=.1)

    1b0cfb3831d49b0ccc411d39e8520483.png

    # 分组绘制,控制size尺寸

    g = sns.lmplot(x="total_bill", y="tip", col="day", hue="day",data=tips, col_wrap=2, size=3)

    e3248f61514b2057f7967df0a81eb220.png

    # 既然col可以控制分组子图的,那么row也是可以控制分组子图的

    g = sns.lmplot(x="total_bill", y="tip", row="sex", col="time", data=tips, size=3)

    d14c1e5599d6f66eb48e7807fceee02a.png

    4.2.回归图regplot

    import seaborn as sns; sns.set(color_codes=True)

    tips = sns.load_dataset("tips")

    ax = sns.regplot(x="total_bill", y="tip", data=tips)

    316d976e42f35bc811e3d3bd5739dd41.png

    # 控制散点的形状和颜色

    import numpy as np; np.random.seed(8)

    mean, cov = [4, 6], [(1.5, .7), (.7, 1)]

    x, y = np.random.multivariate_normal(mean, cov, 80).T

    ax = sns.regplot(x=x, y=y, color="g", marker="+")

    75db857d9e05ea097ed0851112780a97.png

    # 控制回归的置信度,你会看到拟合直线的外面的面积的有变化的

    ax = sns.regplot(x=x, y=y, ci=68)

    e0cf3c908144c0e85a3b546cf86dba40.png

    # 上面的都是拟合一次曲线,拟合二次曲线通过order=2设置,

    # 拟合一次曲线相当于 order=1

    ans = sns.load_dataset("anscombe")

    ax = sns.regplot(x="x", y="y", data=ans.loc[ans.dataset == "II"],scatter_kws={"s": 80},order=2, ci=None, truncate=True)

    17b0f78602856cf5197d71197d35b99c.png

    5.数值分布绘图

    5.1.直方图histplot

    # 绘制数值变量的密度分布图

    # 默认既绘制核密度曲线,也绘制直方图

    import seaborn as sns, numpy as np

    sns.set(rc={"figure.figsize": (8, 4)}); np.random.seed(0)

    x = np.random.randn(100)

    ax = sns.distplot(x)

    047813300d30598f5060f24ce9384378.png

    # 只绘制核密度曲线,不绘制直返图

    ax = sns.distplot(x, rug=True, hist=False)

    f781dfe84809d64c1448e8bf9828d99b.png

    # 横着放

    ax = sns.distplot(x, vertical=True)

    e753f67a24848cd8d04b143828263242.png

    5.2.核密度图kdeplot

    # 绘制核密度图

    import numpy as np; np.random.seed(10)

    import seaborn as sns; sns.set(color_codes=True)

    mean, cov = [0, 2], [(1, .5), (.5, 1)]

    x, y = np.random.multivariate_normal(mean, cov, size=50).T

    ax = sns.kdeplot(x)

    b7669224af77c1808d54f27480328ab8.png

    # shade参数决定是否填充曲线下面积

    ax = sns.kdeplot(x, shade=True, color="r")

    232517de267b5b8c2afc042ca923159f.png

    # 双变量密度图,相当于等高线图了

    # shade 参数改用颜色深浅表示密度的大小,不过不用,就真的是等高线了

    ax = sns.kdeplot(x, y, shade=True)

    e7ae43133b77d1dd30db9ab033708cfd.png

    # 分组绘制双变量的核密度图

    # 相当于绘制两个核密度图,通过图可以看到密度中心

    # 类似于挖掘算法中聚类中心绘图

    iris = sns.load_dataset("iris")

    setosa = iris.loc[iris.species == "setosa"] # 组1

    virginica = iris.loc[iris.species == "virginica"] # 组2

    ax = sns.kdeplot(setosa.sepal_width, setosa.sepal_length, cmap="Reds", shade=True, shade_lowest=False)

    ax = sns.kdeplot(virginica.sepal_width, virginica.sepal_length, cmap="Blues", shade=True, shade_lowest=False)

    5f12862fcb2b2f6b7be2c3da21e20e9e.png

    展开全文
  • PPT图形PPT图表制作技巧幻灯片下载,作者布衣公子。关键词:幻灯片图形图表技巧PPT下载,PPT制作教程,.PPTX格式; 在线观看:幻灯片制作教程之PPT图形PPT图表制作技巧 PPT图形PPT图表制作技巧幻灯片下载,作者布衣...
  • 数据分析方法与技巧 PowerPoint PPT定量分析图表制作规范 一般规则 柱形图和条形图 折线图和组合图 面积图 饼图 和雷达图 散点图和气泡图
  • 可视化一个交互式和响应式图表制作工具,可以嵌入到您的故事中。制作图表的步骤复制并粘贴您的数据或上传您的 excel/csv 文件编辑数据(更改值的数据类型,填充空单元格,添加或删除列、行和单元格) 编辑您的图表...
  • 如何用Excel制作图表实例教程Excel图表制作大全.pdf
  • Office2016高级应用实例教程课件实例9销售图表制作.pdfOffice2016高级应用实例教程课件实例9销售图表制作.pdfOffice2016高级应用实例教程课件实例9销售图表制作.pdfOffice2016高级应用实例教程课件实例9销售图表制作...
  • 图表制作基础知识Excel图表模板.xlsx
  • EXCEL常用图表制作介绍学习教案.pptx
  • 图表类型选择指南--EXCEL图表制作
  • 图表模板图表制作模板个PPT教案.pptx
  • PPT制作培训—图表制作知识.ppt
  • 实验14 Excel图表制作 实验目的 通过本实验的练习学习Excel 图表的功能掌握将数据转换成图表的基本操作方法 实验要求 1. 掌握制作 Excel 图表的方法 2. 熟悉编辑加工 Excel 图表的方法 实验内容及操作步骤 1. 创建...
  • 左手数据,右手图表:Excel动态图表制作与职场数据沟通 徐军泰 著 ISBN:978-7-111-44720-7
  • QCC图表制作.doc

    2021-09-09 02:06:52
    QCC图表制作.doc

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 73,800
精华内容 29,520
关键字:

图表制作

友情链接: ICP.RAR