您好,登录后才能下订单哦!
这篇文章给大家分享的是有关Python数据可视化中象限图有什么用的内容。小编觉得挺实用的,因此分享给大家做个参考,一起跟随小编过来看看吧。
Python 的绘图功能非常强大,如果能将已有的绘图库的各种复杂操作汇总在一个自己写的函数甚至是库/包中,并实现一行代码就调用并实现复杂的绘图功能,那就更是如虎添翼。
今天,我们就来讲讲一学就会的象限图。
上图学名叫波士顿矩阵分析图,大白话四象限图。这种图经常用于两个维度的散点图中,根据特定的分割线(均值,目标值,实际值等)将数据分为四类,使人一目了然。
常用的场景为分析两个维度的变化比如:比较商品的库存天数和库存周转率,充值人数和每付费用户平均收益,购物篮系数和购物篮数量等。
如何使用 Python 画出此图是本文的目标,事不宜迟,赶快开始!
任何复杂的 Python 绘图都不是一蹴而就的,而是先画出基础图形,后在此基础上按需添加元素并优化而成。这里以一组城市经济数据为例来讲解绘图步骤
基础散点图
df = pd.read_csv('data.csv') df; df.plot(kind='scatter', x='经济总量水平', y='人均水平')
成图如下:
《数据化管理》库存天数与销售数量分析
最后总结一下,Python 的一些绘图方法、参数看似琐碎,但积累到一定程度后,便可以发现许多技巧都存在共通之处。小事情重复做也会成为大麻烦,所以高手都懂得分类处理。
贯通了 3 个核心,我们才能省时省事,成为别人眼中的高手:
大量重复的工作懂得批处理。
反复要做的固定操作固化成 ">。
碰到异常情况,知道如何准确高效的解决。
所以我们可以将四象限图的绘制方法封装成自己的函数以供快捷调用,篇幅原因就不多展示了。
上文核心代码如下:
import matplotlib.pyplot as plt # 为每个点添加对应的城市名称 plt.figure(figsize=(10, 8)) # 基础散点图:这里需要单独拆开 x,y 轴和希望配对的标签,为下面的轮子做准备 x, y = df['经济总量水平'], df['人均水平'] label = df['area'] plt.scatter(x, y) plt.xlabel('经济总量水平'); plt.ylabel('人均水平') # 对散点图中的每一个点进行文字标注 ## 固定代码,无需深究,拿来即用 for a,b,l in zip(x,y,label): # zip 拉链函数将其配对组合 plt.text(a, b+0.1, '%s.' % l, ha='center', va='bottom', fontsize=14) # 0.1 向上轻微偏移 # 添加特定分割线 ## vlines: vertical 垂直于 x 轴的线,在变量'经济总量'的均值处开始画, ## y 轴的范围[1.5, 3] plt.vlines(x=df['经济总量水平'].mean(), ymin=-1.5, ymax=3, colors='red', linewidth=2) plt.hlines(y=df['人均水平'].mean(), xmin=-4, xmax=6, colors='red', linewidth=2) # 背景网格 plt.grid(True) # 定制需求:隐去四周的边框线条 # sns.despine(trim=True, left=True, bottom=True)
感谢各位的阅读!关于“Python数据可视化中象限图有什么用”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识,如果觉得文章不错,可以把它分享出去让更多的人看到吧!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。