Author：AXYZdong
 自动化专业 工科男
 有一点思考，有一点想法，有一点理性！
 CSDN@AXYZdong，CSDN首发，更多精彩内容请前往 AXYZdong的博客
 
 
 
 
环境：Python 3.7
 用到的库：matplotlib 和 csv
 
 


 
文章目录
 
一、前期准备
二、获取数据
三、可视化处理
四、运行结果
一、折线图
二、条形图
  
五、数据说明
六、某助手停止维护后
1、可视化处理
2、效果
  
总结

 
一、前期准备
 
安装 matplotlib 库，命令提示符栏输入
 
pip install matplotlib
 
安装的时候可能有点慢，耐心等待。
 
关于matplotlib 库的使用方法，可以参考：Matplotlib.pyplot 常用方法
 
二、获取数据
 
脚本网站：https://greasyfork.org/zh-CN/scripts
 
到超星助手统计数据下载 .csv文件，并保存在与python文件相同的目录下。
 
提醒：拿到数据后，把第一行的英文删掉，不然 datetime.strptime() 函数转换数据时会出现错误
 
三、可视化处理
 
# =============================================
# --*-- coding: utf-8 --*--
# @Time    : 2020-04-28
# @Author  : AXYZdong
# @CSDN    : https://blog.csdn.net/qq_43328313
# @FileName: demo_1.py
# @Software: Python3.7
# =============================================

import matplotlib.pyplot as plt     #导入库
from datetime import datetime       #导入模块datetime中的datetime类
import csv


date=[]                             #创建列表
installs=[]
update_checks=[]

with open('stats.csv', 'r') as f:   #提取stats.csv中的数据并保存在对应列表中
    reader = csv.reader(f)
     
    dates,installs = [],[]
    for row in reader:
        current_date = datetime.strptime(row[0],"%Y-%m-%d")  #包含日期信息的数据row[0]转为datetime对象
        dates.append(current_date)

        install = int(row[1])
        installs.append(install)
        
        update_checks.append(row[2])

plt.plot(dates,installs,color= 'red')  #采用条形图，颜色设置为红色

plt.title('the picture about xuexitong help installs', fontsize = 16)   #设置图片名称

plt.xticks(rotation=300)  #x轴标号旋转
plt.ylabel("", fontsize = 16)
plt.ylabel("Number", fontsize = 16)

plt.show()  
 
四、运行结果
 
一、折线图
 
 
二、条形图
 
仅修改一处代码即可
 
plt.bar(date,installs,color= 'red')      
 
 
五、数据说明
 
统计的数据为 2018-06-19 ~ 2020-04-13 的安装数。
 
可见：2020-03~2020-04 这段时间数据爆棚，具体什么原因嘛，你懂得（手动滑稽）
 
六、某助手停止维护后
 
又一大佬开始接手，另一个脚本
 
 
1、可视化处理
 
# =============================================
# --*-- coding: utf-8 --*--
# @Time    : 2020-04-28
# @Author  : AXYZdong
# @CSDN    : https://blog.csdn.net/qq_43328313
# @FileName: demo_2.py
# @Software: Python3.7
# =============================================

import matplotlib.pyplot as plt     #导入库
from datetime import datetime       #导入模块datetime中的datetime类
import csv


date=[]                             #创建列表
installs=[]
update_checks=[]

with open('stats1.csv', 'r') as f:   #提取stats1.csv中的数据并保存在对应列表中
    reader = csv.reader(f)
     
    dates,installs = [],[]
    for row in reader:
        current_date = datetime.strptime(row[0],"%Y-%m-%d")  #包含日期信息的数据row[0]转为datetime对象
        dates.append(current_date)

        install = int(row[1])
        installs.append(install)
        
        update_checks.append(row[2])

plt.plot(dates,installs,color= 'blue')  #采用条形图，颜色设置为蓝色

plt.title('the picture about xuexitong help installs', fontsize = 16)   #设置图片名称

plt.xticks(rotation=300)  #x轴标号旋转
plt.ylabel("", fontsize = 16)
plt.ylabel("Number", fontsize = 16)

plt.show()  
 
2、效果
 

 
 
总结
 
为了达到自己满意的效果，搞了好长时间
 刚开始是 x 轴标号的问题，图片出来总是黑乎乎的一片，我以为是数据太多的问题，就没有考虑了
 上传到博客后，发现坐标数值不对劲啊，和我预想的结果不一样。就开始查找各种资料，最后还是在《Python 编程 从入门到实践》中找到了解决办法。
 小白的我学习 Python，遇到了各种问题，慢慢地一个个解决，到达自己满意的效果。
 
 
 
欢迎大佬批评指正 🤝 🤝 🤝
 
 
 看完就赞，养成习惯！！！^ _ ^ ❤️ ❤️ ❤️
 码字不易，大家的支持就是我坚持下去的动力。点赞后不要忘了关注我哦！
 
「你可能还想看」系列文章：
 小白如何入门Python？记我的Python初体验
 揭开「pip不是内部或外部命令，也不是可运行的程序或批处理文件」的神秘面纱
 【Python制作词云】分析QQ群聊信息，记录词频并制作词云
 【Python制作词云】改变词云字体颜色
 【Python】给PDF添加水印
 
520快到了，我用代码画了一幅画「可以送给自己喜欢的人」
 「情人节快到了」“码”出礼物，一片“芯”意

介绍
 
由于经常需要用Python进行数据数据分析，但经常碰到这样的情况：想做一个图，看看数据的趋势，但是以前记住的代码，在许久没有用后，一下载突然忘了如何去写。这篇cheatsheet是从Analytic Vidhya中找到的，打算自己好好熟悉一遍，然后作为以后的参考。
 
内容
 
为什么数据可视化非常重要？
数据可视化python库的介绍
cheatsheet
 
  
用于可视化的数据
导入数据
直方图
箱形图
风琴图
条形图
线图
堆积柱形图
散点图
气泡图
饼图
热图
引申
 
为什么数据可视化非常重要？
 
因为数据可视化能帮助我们理解数据的分布、趋势、关系、比较和成分。
帮助决策者能在检阅大量的数据并发现数据里面的隐藏特征。
 
数据可视化python库的介绍
 
Matplotlib:其能够支持所有的2D作图和部分3D作图。能通过交互环境做出印刷质量的图像。
Seaborn：基于Matplotlib，seaborn提供许多功能，比如：内置主题、颜色调色板、函数和提供可视化单变量、双变量、线性回归的工具。其能帮助我们构建复杂的可视化。
 
cheatsheet
 
1.用于可视化的数据
 
 
2.导入数据集
 
%matplotlib inline#在notebook中使图像在网页中显示
import matplotlib.pyplot as plt
import pandas as pd
df = pd.read_excel('/Users/chenpeng/Downloads/博客/excel.xlsx',header=True)
 
经过一点点数据清洗过程得到数据： 
 
 
3.直方图
 
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.hist(df['Age'],bins=7)
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('#Employee')
plt.show()
 
 
4.箱型图
 
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.boxplot(df['Age'])
plt.show()
 
 
5.风琴图
 
import seaborn as sns
sns.violinplot(df['Age'],df['Gender'])
sns.despine()
plt.show()
 
 
6.条形图
 
var = df.groupby('Gender').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('Gender')
ax1.set_ylabel('Sum of Sales')
ax1.set_title('Gender wise Sum of Sales')
var.plot(kind = 'bar')
 
 
7.折线图
 
var = df.groupby('BMI').Sales.sum()
fig = plt.figure()
ax1 = fig.add_subplot(1,1,1)
ax1.set_xlabel('BMI')
ax1.set_ylabel('Sum of Sales')
ax1.set_title('BMI wise Sum of Sales')
var.plot(kind='line')
 
 
8.堆积条形图
 
var = df.groupby(['BMI','Gender']).Sales.sum()
var.unstack().plot(kind='bar',stacked=True,color=['red','blue'],grid=False)
 
 
9.散点图
 
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales'])
plt.show()
 
 
10.气泡图
 
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(df['Age'],df['Sales'],s=df['Income'])
plt.show()
 
 
11.饼图
 
var = df.groupby(['Gender']).sum().stack()
temp=var.unstack()
type(temp)
x_list = temp['Sales']
label_list = temp.index
plt.axis('equal')
plt.pie(x_list,labels=label_list,autopct='%1.1f%%')
plt.title('Pastafarianism expenses')
plt.show()
 
 
12.热图
 
import numpy as np
data = np.random.rand(4,2)
rows = list('1234')
columns = list('MF')
fig,ax = plt.subplots()
ax.pcolor(data,cmap=plt.cm.Reds,edgecolors='K')
ax.set_xticks(np.arange(0,2)+0.5)
ax.set_yticks(np.arange(0,4)+0.5)
ax.xaxis.tick_bottom()
ax.yaxis.tick_left()
ax.set_xticklabels(columns,minor=False,fontsize=20)
ax.set_yticklabels(rows,minor=False,fontsize=20)
plt.show()
 
 
引申
 
以上的一些可视化方法，可以应付我们日常的一些简单的分析，想要了解更多的方法，我们可以通过科学上网，进入这个网站了解更多的可视化方法。

Seaborn 库 手册翻译
 
导语：
 
 
 
Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图。我在这里尽最大的努力对其进行翻译（统计狗也之前没看过英文计算机原著。。），方便大家进行查询~~~详细介绍可以看seaborn官方API和example gallery
 
 
一、风格管理
 
1、控制图片的美术风格
 
  数据可视化能力是非常重要的。当你对数据集进行探索分析时，漂亮清晰的图表可以帮助你直观了解数据。数据可视化在你与客户的交流中也扮演着重要的角色，其形象化的帮助你传达数据本身的数量特征。从这个角度来讲做出引人注意的图表更是一项令人不可或缺的技术。 
   Matplotlib库本身具有高度订制化的能力。但也正因如此，学习如何调整、设定参数去画出漂亮的图表变得十分困难。面对这一问题，Seaborn库设计了大量的订制主题和一个高级编程接口用来控制matplotlib图像。 
 %matplotlib inline
 
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import seaborn as sns
np.random.seed(sum(map(ord, "aesthetics")))
 
  让我们定义一个函数去画出一些偏置的正弦波（？-?），我们将在此基础上展示不同的风格参数的效果。
 
def sinplot(flip=1):
    x = np.linspace(0, 14, 100)
    for i in range(1, 7):
        plt.plot(x, np.sin(x + i * .5) * (7 - i) * flip)
 
  如下便是matplotlib的默认效果。
 
sinplot()
 
 
   运用set()函数将其转变为seaborn的默认风格。
 
sns.set()
sinplot()
 
 
 (Note that in versions of seaborn prior to 0.8, set() was called on import. On later versions, it must be explicitly invoked). 
   Seaborn将matplotlib中的参数分为两个独立的部分。一部分负责设定图表的美术样式；另一部分负责缩放图表中的各种元素使之可以轻松的融入不同的上下文中。 
   我们用两对函数作为操纵这些参数的接口。运用axes_style()和set_style()函数控制风格；运用plotting_context和set_context函数缩放表内元素。对于这两组函数，每组中的首个会返回一个关于参数的字典，第二个会设定matplotlib的默认值。
 
Seaborn的图片样式
 
  Seaborn中有5个预设的主题：darkgrid, whitegrid, dark, white, and ticks。他们各自适合于不同的应用和个人偏好，默认的样式为darkgrid。如同上文演示的，网格线赋予了图像直观表达数据数量特点的能力，灰地白线（darkgrid）将图像与网格线清晰的区分出来。白底灰线（whitegrid）也有同样效果，只不过更适合大量数据的作图。
 
sns.set_style("whitegrid")
data = np.random.normal(size=(20, 6)) + np.arange(6) / 2
sns.boxplot(data=data);
 
 
  很多时候（尤其是当你主要想要利用图表来提供给人对于数据模式的印象),网格便不那么重要了。
 
sns.set_style("dark")
sinplot()
 
 
sns.set_style("white")
sinplot()
 
 
sns.set_style("ticks")
sinplot()
 
 
移除数轴线
 
  样式white和ticks都可以通过去除上方和右方的数轴线来得到改善（当然不改也挺好）。这种操作可是不能通过调整matplotlib的参数来实现。但是你可以通过调用despine()函数做到。
 
sinplot()
sns.despine()
 
 
  将坐标轴远离图像可以使一些图像变得更加美观，这一操作也可以通过despine()函数实现When the ticks don’t cover the whole range of the axis, the trim parameter will limit the range of the surviving spines.（当坐标轴不闭合时，trim参数将控制坐标轴可以覆盖数据的分布。？？）offset参数控制坐标轴与图像之间的距离。
 
f, ax = plt.subplots()
sns.violinplot(data=data)
sns.despine(offset=10, trim=True);
 
 
   你也可以通过调整despine()中的参数来选择被移除掉的轴。 
 
 
临时设定图像样式
 
  尽管将样式调来调去并不困难（扯淡！！！），你依然可以在with语句中调用axes_style()函数去暂时设定画图参数。这各功能允许你用不同的样式画图。
 
with sns.axes_style("darkgrid"):
    plt.subplot(211)
    sinplot()
plt.subplot(212)
sinplot(-1)
 
 
重载样式参数
 
  你可以通过向axes_style()和set_style()函数中的rc参数传入字典的方式，对seaborn的样式进行定制。注意！通过这种方法，你仅仅只能重载那些关于样式的参数。（当然，对高级别set函数所做的改变作用于所有的图像）
 
  如果你想查看当前参数的设定，你可以无参数的调用。便会返回参数设定情况。
 
sns.axes_style()
 
{'axes.axisbelow': True,
 'axes.edgecolor': '.8',
 'axes.facecolor': 'white',
 'axes.grid': True,
 'axes.labelcolor': '.15',
 'axes.linewidth': 1.0,
 'figure.facecolor': 'white',
 'font.family': [u'sans-serif'],
 'font.sans-serif': [u'Arial',
  u'DejaVu Sans',
  u'Liberation Sans',
  u'Bitstream Vera Sans',
  u'sans-serif'],
 'grid.color': '.8',
 'grid.linestyle': u'-',
 'image.cmap': u'rocket',
 'legend.frameon': False,
 'legend.numpoints': 1,
 'legend.scatterpoints': 1,
 'lines.solid_capstyle': u'round',
 'text.color': '.15',
 'xtick.color': '.15',
 'xtick.direction': u'out',
 'xtick.major.size': 0.0,
 'xtick.minor.size': 0.0,
 'ytick.color': '.15',
 'ytick.direction': u'out',
 'ytick.major.size': 0.0,
 'ytick.minor.size': 0.0}
 
  你可以给参数设定不同的版本。
 
sns.set_style("darkgrid", {"axes.facecolor": ".9"})
sinplot()
 
 
缩放图中元素
 
  一组独立的参数用来控制图像的缩放。你可以用一行相同的代码来控制图像的缩放，使其适合不同的应用场景。
 
  首先我们调用set函数重设默认参数：
 
sns.set()
 
  有四种预设的contexts，按相对大小排序：paper，notebook，talk和poster。notebook为默认值
 
sns.set_contest("paper")
sinplot()
 
 
sns.set_context("talk")
sinplot()
 
 
sns.set_context("poster")
sinplot()
 
 
   Most of what you now know about the style functions should transfer to the context functions.
 
  你可以将我们所提到的缩放样式传入set_context并调用，当然也可以传入一个含有参数的字典重载各参数。
 
  你也可以独立的缩放字体大小（仅在顶级的set函数中可用）
 
sns.set_context("notebook", font_scale=1.5, rc={"lines.linewidth": 2.5})
sinplot()
 
 
  同样（虽然可能没啥用），你可以采用在with语句中调用的方法，进行暂时的缩放。
 
  以上的功能可以快捷的在set函数中实现，这个函数同样规定了默认的调色板。我们将在下一章对此进行说明。
 
 
我总结一下啊
 
两种基础操作figure styles和Scaling plot elements各有set_style()和set_context两种set方法可以进行修改，另有两种with+方法进行暂时（对单个特别需求）进行操作。
despine()可以对坐标轴进行操作。
set函数，生命大和谐，最高级设定。
画图方法没变~~建立sub_plot +设定样式+画图指令。

 
 
 
文章目录
 
 

  
内容介绍
  
Faker使用
  
数据介绍
 
 
 
 
内容介绍
 
数据分析师的 全部文章目录
 
看懂Python数据分析师，清华大学技术顾问带你一起从零做起
 
Faker 数据集是 Pyecharts 自带的数据集，Pyecharts 图表案例中使用的可视化数据都来源于 pyecharts 中的 faker.py 文件。
 
本章节介绍 faker.py 使用到的数据集的内容。结合本专栏的各可视化教程配合使用。
 
Faker使用
 
数据部分使用的是 PyEcharts 自带的数据演示数据字典，这部分的数据是随机进行选取，使用模板时将自己的数据直接替换成对应的内容即可。
 
 
数据介绍
 
1.