theme: geek-black highlight: a11y-dark

携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第 13 天，点击查看活动详情

• 💂 个人网站:【海拥】【摸鱼小游戏】【开发文档】
• 🤟 风趣幽默的前端学习课程：👉28个案例趣学前端
• 💅 想寻找共同学习交流的小伙伴，请点击【全栈技术交流群】
• 💬 免费且实用的前端刷题（面经大全）网站：👉点击跳转到网站

数据可视化是以图形格式呈现数据。它通过以简单易懂的格式汇总和呈现大量数据，帮助人们理解数据的重要性，并有助于清晰有效地传达信息。

考虑这个给定的数据集，我们将为其绘制不同的图表：

用于分析和呈现数据的不同类型的图表

1.直方图：
直方图表示特定现象发生的频率，这些现象位于特定的数值范围内，并以连续和固定的间隔排列。

在下面的代码中绘制直方图Age, Income, Sales。因此，输出中的这些图显示了每个属性的每个唯一值的频率。

# 导入 pandas 和 matplotlib
import pandas as pd
import matplotlib.pyplot as plt

# 创建上面给出的表的二维数组
data = [['E001', 'M', 34, 123, 'Normal', 350],
['E002', 'F', 40, 114, 'Overweight', 450],
['E003', 'F', 37, 135, 'Obesity', 169],
['E004', 'M', 30, 139, 'Underweight', 189],
['E005', 'F', 44, 117, 'Underweight', 183],
['E006', 'M', 36, 121, 'Normal', 80],
['E007', 'M', 32, 133, 'Obesity', 166],
['E008', 'F', 26, 140, 'Normal', 120],
['E009', 'M', 32, 133, 'Normal', 75],
['E010', 'M', 36, 133, 'Underweight', 40] ]

# 使用上述数据数组创建的数据框
df = pd.DataFrame(data, columns = ['EMPID', 'Gender',
'Age', 'Sales',
'BMI', 'Income'] )

# 为数值数据创建直方图
df.hist()

# show plot
plt.show()

输出：

2. 柱形图：
柱形图用于显示不同属性之间的比较，或者它可以显示项目随时间的比较。

# 此处使用之前代码的数据框

# 绘制数值条形图，将显示所有 3 个年龄、收入、销售额之间的比较
df.plot.bar()

# 在 2 个属性之间绘制
plt.bar(df['Age'], df['Sales'])
plt.xlabel("Age")
plt.ylabel("Sales")
plt.show()

输出：

3. 箱线图：
箱线图是基于 minimum, first quartile, median, third quartile, and maximum. 术语“箱线图”来自这样一个事实，即图形看起来像一个矩形，线条从顶部和底部延伸。由于延伸线，这种类型的图有时被称为盒须图。

# 对于数据框的每个数字属性
df.plot.box()

# 单个属性箱线图
plt.boxplot(df['Income'])
plt.show()

输出：

4、饼图：
饼图显示一个静态数字以及类别如何代表整体的一部分。饼图以百分比表示数字，所有段的总和需要等于 100%。

plt.pie(df['Age'], labels = {"A", "B", "C",
"D", "E", "F",
"G", "H", "I", "J"},

autopct ='% 1.1f %%', shadow = True)
plt.show()

plt.pie(df['Income'], labels = {"A", "B", "C",
"D", "E", "F",
"G", "H", "I", "J"},

autopct ='% 1.1f %%', shadow = True)
plt.show()

plt.pie(df['Sales'], labels = {"A", "B", "C",
"D", "E", "F",
"G", "H", "I", "J"},
autopct ='% 1.1f %%', shadow = True)
plt.show()

输出：

5、散点图：
散点图显示了两个不同变量之间的关系，它可以揭示分布趋势。当有许多不同的数据点，并且您想突出数据集中的相似性时，应该使用它。这在查找异常值和了解数据分布时很有用。

# 收入和年龄之间的散点图
plt.scatter(df['income'], df['age'])
plt.show()

# 收入和销售额之间的散点图
plt.scatter(df['income'], df['sales'])
plt.show()

# 销售额和年龄之间的散点图
plt.scatter(df['sales'], df['age'])
plt.show()

输出 ：