小編寫這篇文章的一個(gè)主要目的，主要是給大家講解Python事宜，主要是利用Python中的matplotlib去做數(shù)據(jù)分析表，當(dāng)我們把數(shù)據(jù)分析表做出來(lái)之后，怎么才能做的夠漂亮一些呢？下面就給大家詳細(xì)解答下。

　　前言

　　作為一名優(yōu)秀的分析師，還是得學(xué)會(huì)一些讓圖表漂亮的技巧，這樣子拿出去才更加有面子哈哈。好了，今天的錦囊就是介紹一下各種常見(jiàn)的圖表，可以怎么來(lái)畫吧。

　　數(shù)據(jù)集引入

　　首先引入數(shù)據(jù)集，我們還用一樣的數(shù)據(jù)集吧，分別是Salary_Ranges_by_Job_Classification以及GlobalLandTemperaturesByCity。（具體數(shù)據(jù)集可以后臺(tái)回復(fù)plot獲取）

　　#導(dǎo)入一些常用包
　　import pandas as pd
　　import numpy as np
　　import seaborn as sns
　　%matplotlib inline
　　import matplotlib.pyplot as plt
　　import matplotlib as mpl
　　plt.style.use('fivethirtyeight')
　　#解決中文顯示問(wèn)題，Mac
　　from matplotlib.font_manager import FontProperties
　　#查看本機(jī)plt的有效style
　　print(plt.style.available)
　　#根據(jù)本機(jī)available的style，選擇其中一個(gè)，因?yàn)橹爸纆gplot很好看，所以我選擇了它
　　mpl.style.use(['ggplot'])
　　#['_classic_test','bmh','classic','dark_background','fast','fivethirtyeight','ggplot','grayscale','seaborn-bright','seaborn-colorblind','seaborn-dark-palette','seaborn-dark','seaborn-darkgrid','seaborn-deep','seaborn-muted','seaborn-notebook','seaborn-paper','seaborn-pastel','seaborn-poster','seaborn-talk','seaborn-ticks','seaborn-white','seaborn-whitegrid','seaborn','Solarize_Light2']
　　#數(shù)據(jù)集導(dǎo)入
　　#引入第1個(gè)數(shù)據(jù)集Salary_Ranges_by_Job_Classification
　　salary_ranges=pd.read_csv('./data/Salary_Ranges_by_Job_Classification.csv')
　　#引入第2個(gè)數(shù)據(jù)集GlobalLandTemperaturesByCity
　　climate=pd.read_csv('./data/GlobalLandTemperaturesByCity.csv')
　　#移除缺失值
　　climate.dropna(axis=0,inplace=True)
　　#只看中國(guó)
　　#日期轉(zhuǎn)換,將dt轉(zhuǎn)換為日期，取年份,注意map的用法
　　climate['dt']=pd.to_datetime(climate['dt'])
　　climate['year']=climate['dt'].map(lambda value:value.year)
　　climate_sub_china=climate.loc[climate['Country']=='China']
　　climate_sub_china['Century']=climate_sub_china['year'].map(lambda x:int(x/100+1))
　　climate.head()

      折線圖

　　折線圖是比較簡(jiǎn)單的圖表了，也沒(méi)有什么好優(yōu)化的，顏色看起來(lái)順眼就好了。下面是從網(wǎng)上找到了顏色表，可以從中挑選～

　　#選擇上海部分天氣數(shù)據(jù)

　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df1.head()

　　#折線圖
　　df1.plot(colors=['lime'])
　　plt.title('AverageTemperature Of ShangHai')
　　plt.ylabel('Number of immigrants')
　　plt.xlabel('Years')
　　plt.show()

　　上面這是單條折線圖，多條折線圖也是可以畫的，只需要多增加幾列。

　　#多條折線圖
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'TJ'})
　　df3=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})
　　#合并
　　df123=df1.merge(df2,how='inner',on=['dt'])
　　.merge(df3,how='inner',on=['dt'])
　　.set_index(['dt'])
　　df123.head()

　　#多條折線圖

　　df123.plot()
　　plt.title('AverageTemperature Of 3 City')
　　plt.ylabel('Number of immigrants')
　　plt.xlabel('Years')
　　plt.show()

　　餅圖

　　接下來(lái)是畫餅圖，我們可以優(yōu)化的點(diǎn)多了一些，比如說(shuō)從餅塊的分離程度，我們先畫一個(gè)“低配版”的餅圖。

　　df1=salary_ranges.groupby('SetID',axis=0).sum()

　　#“低配版”餅圖
　　df1['Step'].plot(kind='pie',figsize=(7,7),
　　autopct='%1.1f%%',
　　shadow=True)
　　plt.axis('equal')
　　plt.show()

　　#“高配版”餅圖
　　colors=['lightgreen','lightblue']#控制餅圖顏色['lightgreen','lightblue','pink','purple','grey','gold']
　　explode=[0,0.2]#控制餅圖分離狀態(tài)，越大越分離
　　df1['Step'].plot(kind='pie',figsize=(7,7),
　　autopct='%1.1f%%',startangle=90,
　　shadow=True,labels=None,pctdistance=1.12,colors=colors,explode=explode)
　　plt.axis('equal')
　　plt.legend(labels=df1.index,loc='upper right',fontsize=14)
　　plt.show()

　　散點(diǎn)圖

　　散點(diǎn)圖可以優(yōu)化的地方比較少了，ggplot2的配色都蠻好看的，正所謂style選的好，省很多功夫！

　　#選擇上海部分天氣數(shù)據(jù)
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})
　　#合并
　　df12=df1.merge(df2,how='inner',on=['dt'])
　　df12.head()

      #散點(diǎn)圖
　　df12.plot(kind='scatter',x='SH',y='SY',figsize=(10,6),color='darkred')
　　plt.title('Average Temperature Between ShangHai-ShenYang')
　　plt.xlabel('ShangHai')
　　plt.ylabel('ShenYang')
　　plt.show()

　　面積圖

　　#多條折線圖
　　df1=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SH'})
　　df2=climate.loc[(climate['Country']=='China')&(climate['City']=='Tianjin')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'TJ'})
　　df3=climate.loc[(climate['Country']=='China')&(climate['City']=='Shenyang')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.rename(columns={'AverageTemperature':'SY'})

　  #合并
　　df123=df1.merge(df2,how='inner',on=['dt'])
　　.merge(df3,how='inner',on=['dt'])
　　.set_index(['dt'])
　　df123.head()
　　colors=['red','pink','blue']#控制餅圖顏色['lightgreen','lightblue','pink','purple','grey','gold']
　　df123.plot(kind='area',stacked=False,
　　figsize=(20,10),colors=colors)
　　plt.title('AverageTemperature Of 3 City')
　　plt.ylabel('AverageTemperature')
　　plt.xlabel('Years')
　　plt.show()

　　直方圖

　　#選擇上海部分天氣數(shù)據(jù)
　　df=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df.head()

　　#最簡(jiǎn)單的直方圖
　　df['AverageTemperature'].plot(kind='hist',figsize=(8,5),colors=['grey'])
　　plt.title('ShangHai AverageTemperature Of 2010-2013')#add a title to the histogram
　　plt.ylabel('Number of month')#add y-label
　　plt.xlabel('AverageTemperature')#add x-label
　　plt.show()

　　條形圖

　　#選擇上海部分天氣數(shù)據(jù)
　　df=climate.loc[(climate['Country']=='China')&(climate['City']=='Shanghai')&(climate['dt']>='2010-01-01')]
　　.loc[:,['dt','AverageTemperature']]
　　.set_index('dt')
　　df.head()
　　
　　df.plot(kind='bar',figsize=(10,6))
　　plt.xlabel('Month')
　　plt.ylabel('AverageTemperature')
　　plt.title('AverageTemperature of shanghai')
　　plt.show()
　　df.plot(kind='barh',figsize=(12,16),color='steelblue')
　　plt.xlabel('AverageTemperature')
　　plt.ylabel('Month')
　　plt.title('AverageTemperature of shanghai')
　　plt.show()

　　綜上所述，這篇文章就給大家介紹完畢，希望可以給大家?guī)?lái)幫助。