# Author:Nimo_Ding

'''
Seaborn数据集自带了car_crashes数据集，这是一个国外车祸的数据集。
1、请对这个数据集进行成对关系的探索
2、请用Seaborn画二元变量分布图，scatter、kde、hex
'''
import seaborn as sns
import matplotlib.pyplot as plt
import ssl
car_crashes=sns.load_dataset('car_crashes')
print(car_crashes.head(3))
# 成对关系
sns.pairplot(car_crashes)
plt.show()

# 二元变量分布
sns.jointplot(x="total",
              y="alcohol",
              data=car_crashes,
              kind='scatter')
sns.jointplot(x="total",
              y="alcohol",
              data=car_crashes,
              kind='kde')
sns.jointplot(x="total",
              y="alcohol",
              data=car_crashes,
              kind='hex')

成对关系：

scatter：

kde：

hex：

涉及内容：使用for循环对DataFrame中的全部数据做映射变换（没有使用映射方法），并把多列数据合并为一长列，最后结合seaborn库绘制出九个字段的直方图，并使用3×3的方式排列图表在一张画布上。

导包

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

小啾某次做数据分析，处理部分清洗后问卷数据df5如下：

其中A、B、C、D、E分别表示的是群众对该意见的支持度，1，2，3，4，5。
然后将数据转化为支持度：

df6 = pd.DataFrame(index=range(len(df5)))

for i in df5.columns:
    a = []
    for j in df5[[i]].values:
        if j == 'A':
            a.append(1)
        elif j == 'B':
            a.append(2)
        elif j == 'C':
            a.append(3)
        elif j == 'D':
            a.append(4)
        elif j == 'E':
            a.append(5)
    df6[i[3:]] = a
print(df6)

使用pandas的melt方法把“宽”数据的多列合并成为一长列。

d = {
    "建议1": df6[["建议1"]].values,
    "建议2": df6[["建议2"]].values,
    "建议3": df6[["建议3"]].values,
    "建议4": df6[["建议4"]].values,
    "建议5": df6[["建议5"]].values,
    "建议6": df6[["建议6"]].values,
    "建议7": df6[["建议7"]].values,
    "建议8": df6[["建议8"]].values,
    "建议9": df6[["建议9"]].values
}
m = pd.melt(df6)
print(m)

m输出如下：
                     

将九个字段，绘制出九个条形图，代码如下：

sns.set_style('darkgrid')
plt.rcParams['font.sans-serif'] = ['STKAITI']
g = sns.FacetGrid(m, col='variable', col_wrap=3)
g = g.map(sns.histplot, 'value')

图像效果如下：

本次练习分享就到这里，小啾祝您学习愉快！
🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ🌹꧔ꦿ

折线图

任务说明

对于源数据，可视化2015-10-20的销售总金额，横坐标为小时，纵坐标为每小时的销售总金额

思路

总体分为两部分，首先是数据处理，然后是作图。数据处理包括数据读取，创建目标变量的两个矩阵，合并矩阵，提取小时数，分组求和。作图便是对画布做一些处理。

代码

数据处理部分

data = pd.read_csv('data.csv')

the_day = data[data.trx_date_c1=='2015-10-20']
the_day_c1 = the_day[['exp_c1','trx_datime_c1']]
the_day_c1.rename(columns={'exp_c1':'Sell amouts','trx_datime_c1':'Datetime'},inplace=True)
the_day_c2 = the_day[['exp_c2','trx_datime_c2']]
the_day_c2.rename(columns={'exp_c2':'Sell amouts','trx_datime_c2':'Datetime'},inplace=True)

the_day_C = pd.concat([the_day_c1,the_day_c2],axis=0)
the_day_C = the_day_C.reset_index(drop=True)

the_day_C['hour'] = the_day_C['Datetime'].apply(lambda x: x[11:13])
line = pd.DataFrame(the_day_C.groupby(['hour']).sum()).loc['00':,:]

首先用.read_csv读取csv文件，因为我们的目标是2015-10-20这天各小时的销售金额，紧接着就把变量trx_date_c1定位到这一天，然后创建两个二维数组the_day_c1与c2，把我们需要的变量trx_datetime_c1与c2以及对应的金额exp_c1与c2放进去，形成两个矩阵，同时为了直观方便，对其做了一个rename处理。对于返回的数据列表用.concat()函数进行合并，因为是对行进行合并，所以axis=0（列即为1)，做完合并处理后，为保证数据的连续性，避免错乱，这里用到.reset_index(drop=True)。最后对Datetime做切片处理，提取我们的小时数hour，然后用.DataFrame()函数的分组求和，groupby()对小时数分组，sum()对金额求和。

作图部分

plt.figure(figsize=(10, 8))
plt.plot(line.index, line['Sell amouts'])
plt.xlabel('Hour', size=13)
plt.ylabel('Sell Amouts', size=13)
plt.show()

这里对画布尺寸figsize=(宽，高)，横纵坐标，以及横纵坐标的标题和尺寸做处理。plot(x,y)这里x为向量，y为矩阵，确保到y的行数与向量一样作为横坐标，那么列数对应的就是纵坐标。

效果图