matplotlib实战折线图

2023年 8月 16日 36.2k 0

面积图,或称区域图,是一种随有序变量的变化,反映数值变化的统计图表。

面积图也可用于多个系列数据的比较。这时,面积图的外观看上去类似层叠的山脉,在错落有致的外形下表达数据的总量和趋势。面积图不仅可以清晰地反映出数据的趋势变化,也能够强调不同类别的数据间的差距对比。

面积图的特点在于,折线与自变量坐标轴之间的区域,会由颜色或者纹理填充。但它的劣势在于,填充会让形状互相遮盖,反而看不清变化。一种解决方法,是使用有透明度的颜色,来“让”出覆盖区域。

1. 主要元素

面积图是一种用于展示数据分布或密度的图表类型,主要由数据点、面积、以及X轴和Y轴组成。面积图可以直观地反映数据的分布情况。

面积图的主要构成元素包括:

  • 数据点:表示数据的具体位置和大小
  • 面积:表示数据的分布或密度
  • X轴:一般是有序变量,表示数据点的变化区间
  • Y轴:数据点在不同时刻的值
  • image.png

    2. 适用的场景

    面积图适用于以下分析场景:

    • 数据分布分析:帮助分析人员了解数据的分布情况,如城市的大小、人口分布等。
    • 市场需求分析:帮助企业了解市场需求的变化趋势,如销售额的增长情况等。
    • 健康状况分析:帮助医生了解患者的健康状况,如体温、血压等数据的变化趋势。

    3. 不适用的场景

    面积图不适用于以下分析场景:

    • 数据的精确性要求较高的分析场景:面积图无法精确地反映数据的分布情况,在需要精确数据的场景中不适用。
    • 需要显示数据细节的分析场景:面积图无法直观地显示数据的细节和变化趋势,在需要显示数据细节的场景中不适用。
    • 需要进行多维数据分析的场景:面积图无法直接展示多维数据,在需要进行多维数据分析的场景中不适用。

    4. 分析实战

    这次使用国内生产总值相关数据来实战面积图的分析。

    4.1. 数据来源

    数据来源国家统计局公开数据,已经整理好的csv文件在:databook.top/nation/A02

    本次分析使用其中的 A0201.csv 文件(国内生产总值数据)。

    下面的文件路径 fp 要换成自己实际的文件路径。

    fp = "d:/share/A0201.csv"
    
    df = pd.read_csv(fp)
    df
    

    image.png

    4.2. 数据清理

    从中过滤出国内生产总值(亿元)和人均国内生产总值(元),然后绘制面积图看看有什么发现。

    key1 = "国民总收入(亿元)"
    df[df["zbCN"]==key1].head()
    

    image.png

    key2 = "人均国内生产总值(元)"
    df[df["zbCN"]==key2].head()
    

    image.png

    4.3. 分析结果可视化

    **国内生产总值(亿元)**的面积图:

    from matplotlib.ticker import MultipleLocator
    
    with plt.style.context("seaborn-v0_8"):
        fig = plt.figure()
        ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
        ax.xaxis.set_major_locator(MultipleLocator(4))
        ax.xaxis.set_minor_locator(MultipleLocator(2))
    
        data = df[df["zbCN"] == key1].copy()
        data["value"] = data["value"] / 10000
        data = data.sort_values(by="sj")
        ax.fill_between(data["sjCN"], data["value"], label="国民总收入(万亿元)")
    
        ax.legend(loc="upper left")
    

    image.png

    上面的代码把Y轴的单位改成了万亿元,原先的亿元作为单位,数值太大。用面积图来展示分析结果,不像折线图那样,仅仅只是变化趋势的感觉;通过折线下的面积不断扩大,会感觉到国民总收入的总量在不断变大,且2006年之后,总量增速明显提高。

    同样分析步骤,人均收入的面积图如下:

    from matplotlib.ticker import MultipleLocator
    
    with plt.style.context("seaborn-v0_8"):
        fig = plt.figure()
        ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
        ax.xaxis.set_major_locator(MultipleLocator(4))
        ax.xaxis.set_minor_locator(MultipleLocator(2))
    
        data = df[df["zbCN"] == key2].copy()
        data = data.sort_values(by="sj")
        ax.fill_between(data["sjCN"], data["value"], label=key2)
    
        ax.legend(loc="upper left")
    

    image.png

    接下来,我们把国民总收入和人均收入放在一起看,但是,这两组数据的单位不一样(一个是万亿元,一个是元)。所以要用到之前 matplotlib基础系列中介绍的双坐标轴技巧来展示。

    from matplotlib.ticker import MultipleLocator
    
    with plt.style.context("seaborn-v0_8"):
        fig = plt.figure()
        ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
        ax.xaxis.set_major_locator(MultipleLocator(4))
        ax.xaxis.set_minor_locator(MultipleLocator(2))
        ax_twinx = ax.twinx()
    
        data = df[df["zbCN"] == key1].copy()
        data["value"] = data["value"] / 10000
        data = data.sort_values(by="sj")
        ax.fill_between(data["sjCN"], data["value"], 
                        alpha=0.5, label="国民总收入(万亿元)")
    
        data = df[df["zbCN"] == key2].copy()
        data = data.sort_values(by="sj")
        ax_twinx.fill_between(data["sjCN"], data["value"], 
                              color='r', alpha=0.2, label=key2)
    
        ax.legend(loc="upper left")
        ax_twinx.legend(loc="upper right")
    

    image.png

    两个面积图用了不同颜色,并加了透明度(即alpha 参数),不加透明度,颜色会互相覆盖。左边的Y轴是国民总收入,右边的Y轴是人均收入。这两个面积图几乎完全重合,正说明了国民总收入和人均收入是强相关的。

    相关文章

    JavaScript2024新功能:Object.groupBy、正则表达式v标志
    PHP trim 函数对多字节字符的使用和限制
    新函数 json_validate() 、randomizer 类扩展…20 个PHP 8.3 新特性全面解析
    使用HTMX为WordPress增效:如何在不使用复杂框架的情况下增强平台功能
    为React 19做准备:WordPress 6.6用户指南
    如何删除WordPress中的所有评论

    发布评论