Войти

Избранное

0 Корзина

Смартфоны Холодильники Телевизоры Водонагреватели (бойлеры) Газонокосилки Духовые шкафы Посудомоечные машины Стиральные машины Триммеры

sales@lix.by
г.Минск, ул. Тимирязева, д.67, пом. 428
Пн - Пт: с 9:00 до 21:00
Сб - Вс: с 9:00 до 20:00

MigliorGatto

# 使用Python实现简单的数据可视化下面是一个使用Python的matplotlib和seaborn库创建数据可视化的示例。这个例子展示了如何创建多种类型的图表，并包含了一些最佳实践。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime, timedelta # 设置中文字体和样式 plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans'] plt.rcParams['axes.unicode_minus'] = False sns.set_style("whitegrid") sns.set_palette("husl") # 创建示例数据 def create_sample_data(): """创建示例数据集""" np.random.seed(42) # 创建时间序列数据 dates = [datetime(2023, 1, 1) + timedelta(days=i) for i in range(100)] # 创建DataFrame data = pd.DataFrame({ '日期': dates, '销售额': np.random.normal(1000, 200, 100).cumsum() + 5000, '访问量': np.random.poisson(500, 100) + np.random.normal(0, 50, 100), '转化率': np.random.beta(5, 2, 100) * 10, '产品类别': np.random.choice(['电子产品', '服装', '食品', '家居', '书籍'], 100), '地区': np.random.choice(['华东', '华北', '华南', '华中', '西部'], 100) }) # 添加一些趋势和季节性 data['销售额'] = data['销售额'] + 50 * np.sin(np.arange(100) * 2 * np.pi / 30) data['访问量'] = data['访问量'] + 100 * np.sin(np.arange(100) * 2 * np.pi / 7) return data # 创建多子图仪表板 def create_dashboard(data): """创建包含多个图表的仪表板""" fig = plt.figure(figsize=(16, 12)) fig.suptitle('销售数据分析仪表板', fontsize=16, fontweight='bold', y=0.98) # 1. 时间序列图 - 销售额趋势 ax1 = plt.subplot(3, 3, 1) ax1.plot(data['日期'], data['销售额'], color='#2E86AB', linewidth=2) ax1.set_title('销售额趋势', fontsize=12, fontweight='bold') ax1.set_xlabel('日期') ax1.set_ylabel('销售额') ax1.tick_params(axis='x', rotation=45) ax1.grid(True, alpha=0.3) # 添加趋势线 z = np.polyfit(range(len(data)), data['销售额'], 1) p = np.poly1d(z) ax1.plot(data['日期'], p(range(len(data))), 'r--', alpha=0.7, label='趋势线') ax1.legend() # 2. 时间序列图 - 访问量趋势 ax2 = plt.subplot(3, 3, 2) ax2.plot(data['日期'], data['访问量'], color='#A23B72', linewidth=2) ax2.set_title('网站访问量趋势', fontsize=12, fontweight='bold') ax2.set_xlabel('日期') ax2.set_ylabel('访问量') ax2.tick_params(axis='x', rotation=45) ax2.grid(True, alpha=0.3) # 3. 散点图 - 访问量与销售额关系 ax3 = plt.subplot(3, 3, 3) scatter = ax3.scatter(data['访问量'], data['销售额'], c=data['转化率'], cmap='viridis', alpha=0.6, s=50) ax3.set_title('访问量 vs 销售额', fontsize=12, fontweight='bold') ax3.set_xlabel('访问量') ax3.set_ylabel('销售额') plt.colorbar(scatter, ax=ax3, label='转化率') # 4. 柱状图 - 各产品类别销售额 ax4 = plt.subplot(3, 3, 4) category_sales = data.groupby('产品类别')['销售额'].mean().sort_values() colors = plt.cm.Set3(np.linspace(0, 1, len(category_sales))) bars = ax4.barh(category_sales.index, category_sales.values, color=colors) ax4.set_title('各产品类别平均销售额', fontsize=12, fontweight='bold') ax4.set_xlabel('平均销售额') # 在柱状图上添加数值标签 for bar in bars: width = bar.get_width() ax4.text(width + max(category_sales.values)*0.01, bar.get_y() + bar.get_height()/2, f'{width:.0f}', ha='left', va='center') # 5. 箱线图 - 各地区销售额分布 ax5 = plt.subplot(3, 3, 5) sns.boxplot(x='地区', y='销售额', data=data, ax=ax5) ax5.set_title('各地区销售额分布', fontsize=12, fontweight='bold') ax5.set_xlabel('地区') ax5.set_ylabel('销售额') ax5.tick_params(axis='x', rotation=45) # 6. 饼图 - 各地区销售占比 ax6 = plt.subplot(3, 3, 6) region_sales = data.groupby('地区')['销售额'].sum() wedges, texts, autotexts = ax6.pie(region_sales.values, labels=region_sales.index, autopct='%1.1f%%', startangle=90, colors=sns.color_palette("pastel")) ax6.set_title('各地区销售占比', fontsize=12, fontweight='bold') # 7. 热力图 - 相关性矩阵 ax7 = plt.subplot(3, 3, 7) numeric_cols = ['销售额', '访问量', '转化率'] corr_matrix = data[numeric_cols].corr() sns.heatmap(corr_matrix, annot=True, fmt='.2f', cmap='coolwarm', center=0, ax=ax7, cbar_kws={'label': '相关系数'}) ax7.set_title('指标相关性热力图', fontsize=12, fontweight='bold') # 8. 直方图 - 转化率分布 ax8 = plt.subplot(3, 3, 8) ax8.hist(data['转化率'], bins=15, color='#18A999', alpha=0.7, edgecolor='black') ax8.set_title('转化率分布', fontsize=12, fontweight='bold') ax8.set_xlabel('转化率') ax8.set_ylabel('频数') ax8.axvline(data['转化率'].mean(), color='red', linestyle='dashed', linewidth=1) ax8.text(data['转化率'].mean()*1.05, ax8.get_ylim()[1]*0.9, f'均值: {data["转化率"].mean():.2f}', color='red') # 9. 面积图 - 销售额累积 ax9 = plt.subplot(3, 3, 9) ax9.fill_between(data['日期'], 0, data['销售额'].cumsum(), color='#F18F01', alpha=0.6) ax9.plot(data['日期'], data['销售额'].cumsum(), color='#A23B72', linewidth=2) ax9.set_title('累积销售额', fontsize=12, fontweight='bold') ax9.set_xlabel('日期') ax9.set_ylabel('累积销售额') ax9.tick_params(axis='x', rotation=45) plt.tight_layout() return fig # 创建交互式图表（需要plotly） def create_interactive_plot(data): """创建交互式图表（如果plotly可用）""" try: import plotly.express as px import plotly.graph_objects as go from plotly.subplots import make_subplots # 创建交互式散点图 fig = px.scatter(data, x='访问量', y='销售额', color='转化率', size='转化率', hover_data=['日期', '产品类别', '地区'], title='交互式散点图：访问量 vs 销售额', labels={'

Комментарии

Загрузка комментариев...

Назад к списку

Главная Каталог 0 Корзина 0 Избранные Кабинет 0 Сравнение Акции Контакты Услуги Бренды Отзывы Компания Лицензии Документы Реквизиты Блог Обзоры

Продолжая использовать сайт, вы соглашаетесь с политикой использования файлов cookie.