【数据分析与可视化】Pandas可视化与数据透视表的讲解及实战（超详细附源码）

素颜马尾好姑娘i 2023-09-30 18:46 115阅读 0赞

> **需要源码请点赞关注收藏后评论区留言私信~~~**

## 一、数据透视表 ##

数据透视表（Pivot Table）是数据分析中常见的工具之一，根据一个或多个键值对数据进行聚合，根据列或行的分组键将数据划分到各个区域

在Pandas中，除了使用groupby对数据分组聚合实现透视功能外，还可以使用pivot\_table函数实现

pivot\_table函数格式： pivot\_table(data, values=None, index=None, columns=None, aggfunc='mean', fill\_value=None, margins=False, dropna=True, margins\_name='All')

表4-5. pivot\_table函数主要参数及其说明

![b88343f2c62444f4be8b2529cd945e88.png][]

pivot\_table默认计算均值

![0976d446d8dd4636be0ea74cdb47d357.png][]

import pandas as pd
    import numpy as np
    data = pd.DataFrame({'k1':['a','b','a','a','c','c','b','a','c','a','b','c'],'k2':['one',
    'two','three','two','one','one','three','one','two','three','one','two'],
    'w':np.random.rand(12),'y':np.random.randn(12)})
    print(data)
    print("------------------------------------------------")
    print(data.pivot_table(index = 'k1',columns = 'k2'))

分类汇总并求和

![b02cb35d03054c5e889a031ef9978332.png][]

data.pivot_table(index = 'k1',columns = 'k2',aggfunc = 'sum')

交叉表是一种特殊的透视表，主要用于计算分组频率

crosstab的格式

crosstab(index, columns, values=None, rownames=None, colnames=None, aggfunc=None, margins=False, dropna=True, normalize=False)

crosstab主要参数及其说明

![c0f4eacc6b2b45bcaf35367a37757a61.png][]

交叉表示例

pd.crosstab(data.k1,data.k2)

带参数margin

pd.crosstab(data.k1,data.k2,margins = True)

## 二、Pandas可视化 ##

Pandas中集成了Matplotlib中的基础组件，让绘图更加便捷

![bc7a86095d014cc88e9b180fe1c24272.png][]

DataFrame.plot除了Series中的参数外，还有一些独特选项 如下表所示

![299675d26d0d49168f4bc94309d9d8c1.png][]

1 线形图

Pandas库中的Series和DataFrame中都有绘制各类图表的plot方法，默认绘制的都是线形图

通过DataFrame对象的plot方法可以为各列绘制一条线，并创建图例

线形图一般用于描述两组数据之间的趋势

![f6350ba23c3845ffbb49aa1229e18da5.png][]

import matplotlib.pyplot as plt
    %matplotlib inline
    s = pd.Series(np.random.normal(size = 10))
    s.plot()

通过DataFrame对象的plot方法可以为各列绘制一条曲线 并创建好图例

![50927e95cb184ba68a92508793750a24.png][]

df = pd.DataFrame({'normal':np.random.normal(size = 50),'gamma':np.
    random.gamma(1,size = 50)})
    df.plot()

2 柱状图

柱状图一般描述各类别之间的关系，在Pandas中绘制柱状图只需在plot函数中加参数kind = ‘bar’，如果类别较多，可以绘制水平柱状图（kind = ‘barh’）

![e431676e38204953b34a93ae6f9b1661.png][]

stu = {'name':['小明','王芳','赵平','李红','李涵'],
          'sex':['male','female','female','female','male'],
          'year':[1996,1997,1994,1999,1996]}
    data = pd.DataFrame(stu)
    print(data['sex'].value_counts())
    print(data['sex'].value_counts().plot(kind = 'bar',rot = 30))

对DataFrame数据而言，每一行的值会成为一组

![c57d8783401141f395e921e1e96cdbea.png][]

df = pd.DataFrame(np.random.randint(1,100,size = (3,3)),index = 
    {'one','two','three'},columns = ['I1','I2','I3'])
    df.plot(kind = 'barh')

3 直方图和密度图

直方图用于频率分布，y轴为数值或比率。绘制直方图，可以观察数据值的大致分布规律。pandas中的直方图可以通过hist方法绘制

核密度估计是对真实密度的估计，其过程是将数据的分布近似为一组核（如正态分布）。通过plot函数的kind = ‘kde’可以进行绘制

![538140cd1e114f1c813a0721e0dc2dbf.png][]![ec359a9dbf5641da94039ddbe13118a6.png][]

wy = pd.Series(np.random.normal(size = 80))
    s.hist(bins = 15,grid = False)
    wy = pd.Series(np.random.normal(size = 80))
    s.plot(kind = 'kde')

4 散点图

散点图主要用来表现数据之间的规律

通过plot函数的kind = 'scatter'可以进行绘制

![e61af23ad75246b98880495b3f8fae59.png][]

wd = pd.DataFrame(np.arange(10),columns = ['A'])
    wd['B'] = 2*wd['A']+4
    wd.plot(kind = 'scatter',x = 'A',y = 'B')

**创作不易 觉得有帮助请点赞关注收藏~~~**

[b88343f2c62444f4be8b2529cd945e88.png]: https://img-blog.csdnimg.cn/b88343f2c62444f4be8b2529cd945e88.png
[0976d446d8dd4636be0ea74cdb47d357.png]: https://img-blog.csdnimg.cn/0976d446d8dd4636be0ea74cdb47d357.png
[b02cb35d03054c5e889a031ef9978332.png]: https://img-blog.csdnimg.cn/b02cb35d03054c5e889a031ef9978332.png
[c0f4eacc6b2b45bcaf35367a37757a61.png]: https://img-blog.csdnimg.cn/c0f4eacc6b2b45bcaf35367a37757a61.png
[bc7a86095d014cc88e9b180fe1c24272.png]: https://img-blog.csdnimg.cn/bc7a86095d014cc88e9b180fe1c24272.png
[299675d26d0d49168f4bc94309d9d8c1.png]: https://img-blog.csdnimg.cn/299675d26d0d49168f4bc94309d9d8c1.png
[f6350ba23c3845ffbb49aa1229e18da5.png]: https://img-blog.csdnimg.cn/f6350ba23c3845ffbb49aa1229e18da5.png
[50927e95cb184ba68a92508793750a24.png]: https://img-blog.csdnimg.cn/50927e95cb184ba68a92508793750a24.png
[e431676e38204953b34a93ae6f9b1661.png]: https://img-blog.csdnimg.cn/e431676e38204953b34a93ae6f9b1661.png
[c57d8783401141f395e921e1e96cdbea.png]: https://img-blog.csdnimg.cn/c57d8783401141f395e921e1e96cdbea.png
[538140cd1e114f1c813a0721e0dc2dbf.png]: https://img-blog.csdnimg.cn/538140cd1e114f1c813a0721e0dc2dbf.png
[ec359a9dbf5641da94039ddbe13118a6.png]: https://img-blog.csdnimg.cn/ec359a9dbf5641da94039ddbe13118a6.png
[e61af23ad75246b98880495b3f8fae59.png]: https://img-blog.csdnimg.cn/e61af23ad75246b98880495b3f8fae59.png