Matplotlib實戰(zhàn)之折線圖繪制詳解

更新時間：2023年08月16日 10:42:37 作者：databook

折線圖是一種用于可視化數(shù)據(jù)變化趨勢的圖表，它可以用于表示任何數(shù)值隨著時間或類別的變化，本文主要介紹了如何利用Matplotlib實現(xiàn)折線圖的繪制，感興趣的可以了解下

1. 主要元素

折線圖主要由以下四個元素組成：

數(shù)據(jù)點：折線圖中的每個數(shù)據(jù)點都代表著一個時間點或一個數(shù)值。
折線：折線圖中的線條代表著數(shù)據(jù)的變化趨勢。
X軸：一般是有序變量，表示數(shù)據(jù)點的變化區(qū)間。
Y軸：數(shù)據(jù)點在不同時刻的值。

2. 適用的場景

折線圖適用于以下分析場景：

趨勢分析：折線圖可以用于展示數(shù)據(jù)的增長、下降、波動等趨勢，幫助分析人員了解數(shù)據(jù)的變化趨勢。
問題診斷：折線圖可以用于數(shù)據(jù)異常檢測，幫助分析人員快速發(fā)現(xiàn)數(shù)據(jù)的異常情況。

3. 不適用的場景

折線圖不適用于以下分析場景：

數(shù)據(jù)分類和分組：折線圖不適用于數(shù)據(jù)分類和分組分析，因為折線圖主要用于展示數(shù)據(jù)的變化趨勢，而不是數(shù)據(jù)的分類和分組情況。
數(shù)據(jù)回歸分析：折線圖不適用于數(shù)據(jù)回歸分析，因為回歸分析需要建立在數(shù)據(jù)樣本中的線性關系，而折線圖主要用于展示數(shù)據(jù)的變化趨勢，不能很好地反映數(shù)據(jù)的線性關系。

4. 分析實戰(zhàn)

4.1. 數(shù)據(jù)來源

數(shù)據(jù)來源國家統(tǒng)計局公開數(shù)據(jù)，已經(jīng)整理好的csv文件在：databook.top/nation/A03

本次分析使用其中的 A0301.csv 文件（總人口數(shù)據(jù)）。

下面的文件路徑 fp 要換成自己實際的文件路徑。

import pandas as pd
fp = "d:/share/A0301.csv"
df = pd.read_csv(fp)
df

4.2. 數(shù)據(jù)清理

首先看看 zbCN 字段中有多少種不同的人口統(tǒng)計類別。

df.groupby(by="zbCN").count()

這個數(shù)據(jù)集中一共有5種不同維度的人口統(tǒng)計：

年末總人口
男性人口
女性人口
城鎮(zhèn)人口
鄉(xiāng)村人口

按照類別，將它們分離成5個不同的數(shù)據(jù)集，為了繪制折線圖做準備。

groups = df.groupby(by="zbCN")
dict_group = {}
for g in groups:
    dict_group[g[0]] = g[1]
for k, v in dict_group.items():
    print("key = {}, value type = {}".format(k, type(v)))

groupby 函數(shù)按照 by 參數(shù)指定的字段將數(shù)據(jù)集分組，每個group是一個二元的元組。

第一個元素是用來分組的字段值，第二個元素是分組之后的數(shù)據(jù)集。

4.3. 分析結果可視化

拆分好數(shù)據(jù)集之后，最就是可視化展示。

首先封裝一個函數(shù)，用來顯示2個數(shù)據(jù)：（直接使用上面分割好的數(shù)據(jù)集dict_group）

import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator
%matplotlib inline
#為了顯示中文
matplotlib.rcParams["font.sans-serif"] = ["Microsoft YaHei Mono"]
matplotlib.rcParams["axes.unicode_minus"] = False
#根據(jù)key顯示兩個數(shù)據(jù)集
def draw(key1, key2):
    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 = dict_group[key1]
        ax.plot(data["sjCN"], data["value"], "b--o", label=key1)
        data = dict_group[key2]
        ax.plot(data["sjCN"], data["value"], "g:d", label=key2)
        ax.legend()

首先看下男女人口的變化趨勢：

key1 = "女性人口(萬人)"
key2 = "男性人口(萬人)"
#男性人口和女性人口的變化趨勢
dict_group[key1] = dict_group[key1].sort_values("sj")
dict_group[key2] = dict_group[key2].sort_values("sj")
draw(key1, key2)

看這個趨勢變化，男女人口的差距長期都在幾千萬上下，所以找不到女朋友也許不是你的責任 : )

再看看城鎮(zhèn)和鄉(xiāng)村的人口變化。

key1 = "鄉(xiāng)村人口(萬人)"
key2 = "城鎮(zhèn)人口(萬人)"
#鄉(xiāng)村人口和城鎮(zhèn)人口的變化趨勢
dict_group[key1] = dict_group[key1].sort_values("sj")
dict_group[key2] = dict_group[key2].sort_values("sj")
draw(key1, key2)