Python數據可視化案例分析

這篇文章給大家分享的是有關Python數據可視化案例分析的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

前言

三個步驟：

• 確定問題，選擇圖形

• 轉換數據，應用函數

• 參數設置，一目了然

首先對時段進行分析

• 第一步

提出問題：租賃總量對應濕度的變化趨勢

適合圖形：因為濕度屬于連續性數值變量，我們可以選擇折線圖反應變化趨勢

• 第二步

轉換數據：我們需要一個二維數據框，按照溫度變化排序，取對應的三個租賃數的平均值

應用函數：直接應用plt的plot函數即可完成折線圖

workingday_df = Bikedata[Bikedata['workingday']==1]#t
workingday_df = workingday_df.groupby(['hour'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})

nworkingday_df = Bikedata[Bikedata['workingday']==0]
nworkingday_df = nworkingday_df.groupby(['hour'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})
nworkingday_df.head()

• 第三步：設置參數

figure,axes = plt.subplots(1,2,sharey=True)#設置一個1*2的畫布，且共享y軸

workingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the working day',ax=axes[0])
nworkingday_df.plot(figsize=(15,5),title='The average number of rentals initiated per hour in the nworking day',ax=axes[1])
<matplotlib.axes._subplots.AxesSubplot at 0xe452940>

可以看出：

• 在工作日，會員出行對應兩個很明顯的早晚高峰期，并且在中午會有一個小的高峰，可能對應中午外出就餐需求；

• 工作日非會員用戶出行高峰大概在下午三點；

• 工作日會員出行次數遠多于非會員用戶；

• 在周末，總體出行趨勢一致，大部分用車發生在11-5點這段時間，早上五點為用車之最。

對溫度進行分析

• 第一步

提出問題：租賃總量對應濕度的變化趨勢

適合圖形：因為濕度屬于連續性數值變量，我們可以選擇折線圖反應變化趨勢

• 第二步

轉換數據：我們需要一個二維數據框，按照溫度變化排序，取對應的三個租賃數的平均值

應用函數：直接應用plt的plot函數即可完成折線圖

• 第三步

參數設置：只需要設置折線圖的標題，其他參數默認

temp_df = Bikedata.groupby(['temp'],as_index='True').agg({'count':'mean','registered':'mean','casual':'mean'})
temp_df.plot(title = 'The average number of rentals initiated per hour changes with the temperature')
<matplotlib.axes._subplots.AxesSubplot at 0xe57d7f0>

• 隨著溫度的升高，租賃數量呈上升趨勢；

• 在溫度達到35度時，因天氣炎熱，總體數量開始下降；

• 在溫度在4度時，租賃數達到最低點；

濕度對租賃數量的影響

• 第一步

提出問題：租賃總量對應濕度的變化趨勢

適合圖形：因為濕度屬于連續性數值變量，我們可以選擇折線圖反應變化趨勢

• 第二步

轉換數據：我們需要一個二維數據框，按照溫度變化排序，取對應的三個租賃數的平均值

應用函數：直接應用plt的plot函數即可完成折線圖

• 第三步

參數設置：只需要設置折線圖的標題，其他參數默認

humidity_df = Bikedata.groupby(['humidity'],as_index=True).agg({'count':'mean','registered':'mean','casual':'mean'})
humidity_df.plot(title='Average number of rentals initiated per hour in different humidity')
<matplotlib.axes._subplots.AxesSubplot at 0xe582400>

可以觀察到在濕度20左右租賃數量迅速達到高峰值，此后緩慢遞減。

年份，月份和季節作圖方法類似，都采用折線圖繪制，這里省略。

查看不同天氣對出行情況的影響

• 第一步

提出問題：租賃總量對應濕度的變化趨勢

適合圖形：因為天氣情況屬于數值型分類變量，我們可以選擇柱形圖觀察數量分布

• 第二步

轉換數據：我們需要一個二維數據框，按照天氣情況對租賃數量取平均值

應用函數：應用plt的plot.bar函數繪制組合柱形圖

• 第三步

參數設置：只需要設置折線圖的標題，其他參數默認

weather_df = Bikedata.groupby(['weather'],as_index=True).agg({'registered':'mean','casual':'mean'})
weather_df.plot.bar(stacked=True,title='Average number of rentals initiated per hour in different weather')
<matplotlib.axes._subplots.AxesSubplot at 0xe7e0a90>

觀察到天氣等級為4時，平均出行人數比天氣等級為2是還要高，這不符合常理

我們查看一下天氣等級為4的詳細情況

count_weather = Bikedata.groupby('weather')
count_weather[['casual','registered','count']].count()

時間為工作日的下午六點鐘，屬于晚高峰異常數據，不具有代表性。

會員用戶和臨時用戶在整體用戶中占比

• 第一步

提出問題：查看會員用戶和臨時用戶在整體用戶中的比例

適合圖形：查看占比，適合用餅圖pie

• 第二步

轉換數據：需要一個二維數據框，按天數取兩種用戶的平均值

應用函數：應用plt的plot.pie函數繪制餅圖

• 第三步

參數設置：這是數據標簽和類別標簽

#考慮到相同日期是否工作日，星期幾，以及所屬年份等信息是一樣的，把租賃數據按天求和，其它日期類數據取平均值
day_df = Bikedata.groupby(['date'], as_index=False).agg({'casual':'sum','registered':'sum','count':'sum', 'workingday':'mean','weekday':'mean','holiday':'mean','year':'mean'})
day_df.head()

#按天取兩種類型用戶平均值
number_pei=day_df[['casual','registered']].mean()
number_pei
casual 517.411765
registered 2171.067031
dtype: float64
#繪制餅圖
plt.axes(aspect='equal')
plt.pie(number_pei, labels=['casual','registered'], autopct='%1.1f%%', pctdistance=0.6 , labeldistance=1.05 , radius=1 )
plt.title('Casual or registered in the total lease')
Text(0.5,1,'Casual or registered in the total lease')

感謝各位的閱讀！關于“Python數據可視化案例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！