一起学Python第99天:Matplotlib+Seaborn数据可视化实战

import matplotlibmatplotlib.use('TkAgg')  # 或 'Qt5Agg'，根据系统选择import matplotlib.pyplot as pltimport pandas as pdimport numpy as np# 🎯 关键设置：支持中文显示plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']  # 中文字体plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# 创建示例数据df = pd.DataFrame({    'Year': [2017, 2018, 2019, 2020, 2021],    'Sales': [150, 200, 250, 300, 350]})# 绘制柱状图plt.figure(figsize=(10, 5))  # 设置画布大小（英寸）plt.bar(df['Year'], df['Sales'],         color='skyblue',      # 柱子颜色        edgecolor='navy',     # 边框颜色        alpha=0.8)            # 透明度plt.title('年度销售额趋势', fontsize=16, fontweight='bold')plt.xlabel('年份', fontsize=12)plt.ylabel('销售额（万元）', fontsize=12)plt.xticks(rotation=45)       # 旋转x轴标签plt.grid(axis='y', alpha=0.3) # 仅显示y轴网格plt.tight_layout()            # 自动调整布局plt.show()

# 创建月度气温数据df_line = pd.DataFrame({    'Month': ['1月', '2月', '3月', '4月', '5月', '6月'],    'Temperature': [30, 32, 35, 28, 25, 30]})plt.figure(figsize=(10, 5))plt.plot(df_line['Month'],          df_line['Temperature'],         marker='o',           # 数据点标记         markersize=8,         # 标记大小         linestyle='-',        # 线型         linewidth=2,          # 线宽         color='orange',         label='月均气温')plt.title('月度气温变化趋势', fontsize=16, fontweight='bold')plt.xlabel('月份', fontsize=12)plt.ylabel('温度（°C）', fontsize=12)plt.grid(True, alpha=0.3)     # 显示网格plt.legend(fontsize=12)       # 显示图例plt.tight_layout()plt.show()

# 创建销售与广告投入数据df_scatter = pd.DataFrame({    'Ad_Spend': [10, 15, 20, 25, 30, 35, 40],    'Sales': [150, 200, 250, 300, 350, 380, 420]})plt.figure(figsize=(10, 6))plt.scatter(df_scatter['Ad_Spend'],             df_scatter['Sales'],            s=100,              # 点大小            c='green',          # 点颜色            alpha=0.6,            edgecolors='darkgreen',            label='销售数据')# 添加趋势线z = np.polyfit(df_scatter['Ad_Spend'], df_scatter['Sales'], 1)p = np.poly1d(z)plt.plot(df_scatter['Ad_Spend'],          p(df_scatter['Ad_Spend']),          "r--", linewidth=2, label='趋势线')plt.title('广告投入与销售额关系', fontsize=16, fontweight='bold')plt.xlabel('广告投入（万元）', fontsize=12)plt.ylabel('销售额（万元）', fontsize=12)plt.legend()plt.grid(True, alpha=0.3)plt.tight_layout()plt.show()

import seaborn as sns# 生成正态分布数据np.random.seed(42)data_normal = np.random.normal(loc=0, scale=1, size=1000)# 设置Seaborn样式sns.set_style("whitegrid")  # 白色网格背景sns.set_palette("husl")     # 调色板plt.figure(figsize=(10, 6))sns.histplot(data_normal,              bins=30,        # 柱子数量             kde=True,       # 显示核密度估计曲线             color='blue',             alpha=0.6)plt.title('正态分布数据直方图', fontsize=16, fontweight='bold')plt.xlabel('数值', fontsize=12)plt.ylabel('频数', fontsize=12)plt.tight_layout()plt.show()

# 创建分类数据df_box = pd.DataFrame({    'Category': ['A组'] * 50 + ['B组'] * 50 + ['C组'] * 50,    'Value': np.concatenate([        np.random.normal(10, 2, 50),        np.random.normal(15, 3, 50),        np.random.normal(12, 1.5, 50)    ])})plt.figure(figsize=(10, 6))sns.boxplot(x='Category',             y='Value',             data=df_box,            palette='Set2',      # 配色方案            width=0.5,           # 箱子宽度            showfliers=True)     # 显示异常值plt.title('不同类别数据分布对比（箱型图）', fontsize=16, fontweight='bold')plt.xlabel('类别', fontsize=12)plt.ylabel('数值', fontsize=12)plt.grid(True, alpha=0.3)plt.tight_layout()plt.show()

plt.figure(figsize=(10, 6))sns.violinplot(x='Category',                y='Value',                data=df_box,               palette='pastel',               inner='box')  # 内部显示箱型图plt.title('不同类别数据分布对比（小提琴图）', fontsize=16, fontweight='bold')plt.xlabel('类别', fontsize=12)plt.ylabel('数值', fontsize=12)plt.grid(True, alpha=0.3)plt.tight_layout()plt.show()

# 创建多变量数据df_corr = pd.DataFrame({    '销售额': [100, 150, 200, 250, 300],    '广告投入': [10, 15, 20, 25, 30],    '客户数': [50, 70, 90, 110, 130],    '利润': [30, 45, 60, 75, 90]})# 计算相关系数矩阵corr_matrix = df_corr.corr()plt.figure(figsize=(8, 6))sns.heatmap(corr_matrix,            annot=True,        # 显示数值            cmap='RdYlGn',     # 红黄绿配色            center=0,          # 中心值            square=True,       # 正方形格子            linewidths=0.5,    # 格子间距            cbar_kws={"shrink": .8})  # 颜色条缩放plt.title('变量相关性热力图', fontsize=16, fontweight='bold')plt.tight_layout()plt.show()

# 创建示例数据np.random.seed(42)dates = pd.date_range('2024-01-01', periods=30, freq='D')df_multi = pd.DataFrame({    'Date': dates,    'Sales': np.random.randint(100, 300, 30) + np.sin(np.arange(30)/5)*50,    'Profit': np.random.randint(30, 100, 30),    'Customers': np.random.randint(20, 80, 30)})# 创建 2x2 子图布局fig, axes = plt.subplots(2, 2, figsize=(12, 10))fig.suptitle('销售数据综合分析', fontsize=20, fontweight='bold')# 子图1：销售额趋势（折线图）axes[0, 0].plot(df_multi['Date'], df_multi['Sales'], color='blue', linewidth=2)axes[0, 0].set_title('销售额趋势', fontsize=14)axes[0, 0].tick_params(axis='x', rotation=45)# 子图2：利润分布（直方图）axes[0, 1].hist(df_multi['Profit'], bins=10, color='green', alpha=0.7, edgecolor='black')axes[0, 1].set_title('利润分布', fontsize=14)# 子图3：销售额vs客户数（散点图）axes[1, 0].scatter(df_multi['Customers'], df_multi['Sales'],                    alpha=0.6, color='orange')axes[1, 0].set_xlabel('客户数', fontsize=12)axes[1, 0].set_ylabel('销售额', fontsize=12)axes[1, 0].set_title('客户数与销售额关系', fontsize=14)# 子图4：三类数据箱型图data_box = [df_multi['Sales'], df_multi['Profit'], df_multi['Customers']]axes[1, 1].boxplot(data_box, labels=['销售额', '利润', '客户数'])axes[1, 1].set_title('数据分布对比', fontsize=14)plt.tight_layout()plt.show()

import matplotlibmatplotlib.use('TkAgg')import matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport seaborn as sns# 1. 构造业务数据np.random.seed(42)n_days = 60dates = pd.date_range('2024-01-01', periods=n_days, freq='D')df_viz = pd.DataFrame({    'Date': dates,    'Region': np.random.choice(['华东', '华南', '华北', '华西'], n_days),    'Product': np.random.choice(['产品A', '产品B', '产品C'], n_days),    'Sales': np.random.randint(100, 500, n_days) + np.sin(np.arange(n_days)/10)*100,    'Profit': np.random.randint(30, 150, n_days),    'Customers': np.random.randint(20, 100, n_days)})# 2. 设置样式sns.set_style("whitegrid")plt.rcParams['font.sans-serif'] = ['SimHei']plt.rcParams['axes.unicode_minus'] = False# 3. 创建综合仪表盘fig = plt.figure(figsize=(14, 10))fig.suptitle('📊 销售数据可视化仪表盘', fontsize=20, fontweight='bold', y=0.98)# 子图1：销售趋势（折线图）ax1 = plt.subplot(2, 3, 1)df_daily = df_viz.groupby('Date')['Sales'].sum().reset_index()plt.plot(df_daily['Date'], df_daily['Sales'], color='#1f77b4', linewidth=2)plt.title('日销售额趋势', fontsize=14, fontweight='bold')plt.xticks(rotation=45)plt.ylabel('销售额（元）')# 子图2：区域销售占比（饼图）ax2 = plt.subplot(2, 3, 2)region_sales = df_viz.groupby('Region')['Sales'].sum()colors = plt.cm.Set3(np.linspace(0, 1, len(region_sales)))plt.pie(region_sales, labels=region_sales.index, autopct='%1.1f%%',         colors=colors, startangle=90)plt.title('区域销售占比', fontsize=14, fontweight='bold')# 子图3：产品销售分布（柱状图）ax3 = plt.subplot(2, 3, 3)product_sales = df_viz.groupby('Product')['Sales'].mean()plt.bar(product_sales.index, product_sales.values,         color=['#ff7f0e', '#2ca02c', '#d62728'], alpha=0.8)plt.title('产品平均销售额', fontsize=14, fontweight='bold')plt.ylabel('平均销售额（元）')# 子图4：销售额分布（直方图+KDE）ax4 = plt.subplot(2, 3, 4)sns.histplot(df_viz['Sales'], bins=15, kde=True, color='#9467bd')plt.title('销售额分布', fontsize=14, fontweight='bold')plt.xlabel('销售额（元）')# 子图5：利润vs客户数（散点图）ax5 = plt.subplot(2, 3, 5)plt.scatter(df_viz['Customers'], df_viz['Profit'],             alpha=0.6, c='#17becf', s=50)plt.title('客户数与利润关系', fontsize=14, fontweight='bold')plt.xlabel('客户数')plt.ylabel('利润（元）')# 子图6：区域×产品热力图ax6 = plt.subplot(2, 3, 6)pivot_data = df_viz.pivot_table(values='Sales',                                  index='Region',                                  columns='Product',                                  aggfunc='sum')sns.heatmap(pivot_data, annot=True, fmt='.0f', cmap='YlOrRd',             linewidths=0.5, cbar_kws={'label': '销售额（元）'})plt.title('区域×产品销售额', fontsize=14, fontweight='bold')plt.tight_layout(rect=[0, 0, 1, 0.96])  # 为总标题留空间plt.show()# 4. 输出关键指标print("=" * 50)print("📈 销售数据关键指标")print("=" * 50)print(f"总销售额：¥{df_viz['Sales'].sum():,.0f}")print(f"平均日销售额：¥{df_viz['Sales'].mean():,.0f}")print(f"最高单日销售：¥{df_viz['Sales'].max():,.0f}")print(f"平均利润率：{(df_viz['Profit'].sum() / df_viz['Sales'].sum() * 100):.1f}%")print(f"总客户数：{df_viz['Customers'].sum():,}")print("=" * 50)print(f"\n🏆 最佳销售区域：{region_sales.idxmax()}")print(f"🏆 最受欢迎产品：{product_sales.idxmax()}")