python数据可视化详细介绍：一篇文章告诉你用Python做数据可视化

python数据可视化详细介绍：一篇文章告诉你用Python做数据可视化感觉还是有一些差距啊~最后老师教了一招，Matplotlib绘制引力波，效果如下这样的import matplotlib.pyplot as plt labels = 'Frogs' 'Hogs' 'Dogs' 'Logs' #自定义标签 sizes = [15 30 45 10] #每个标签占多大 explode = (0 0.1 0 0) #将某部分爆炸出来 plt.pie(sizes explode=explode labels=labels autopct='%1.1f%%' shadow=False startangle=90) #autopct，圆里面的文本格式，%1.1f%%表示小数有1位，整数有一位的浮点数 #shadow，饼是否有阴影 #startangle，起始角度，0，表示从0开始逆时针转，为第一块。一般选择从90度开始比较好看 plt.axis('equal'

最近萌新遇到一个问题，如何用爬来的数据做可视化。。

Python的画图最常见的就是 Matplotlib

Matplotlib的用法

画饼图

import matplotlib.pyplot as plt labels = 'Frogs' 'Hogs' 'Dogs' 'Logs' #自定义标签 sizes = [15 30 45 10] #每个标签占多大 explode = (0 0.1 0 0) #将某部分爆炸出来 plt.pie(sizes explode=explode labels=labels autopct='%1.1f%%' shadow=False startangle=90) #autopct，圆里面的文本格式，%1.1f%%表示小数有1位，整数有一位的浮点数 #shadow，饼是否有阴影 #startangle，起始角度，0，表示从0开始逆时针转，为第一块。一般选择从90度开始比较好看 plt.axis('equal') # 设置x，y轴刻度一致，这样饼图才能是圆的 plt.show()

直方图

import numpy as np import matplotlib.pyplot as plt np.random.seed(0) #每次生成的随即数都相同 mu sigma = 100 20 #均值和标准差 a = np.random.normal(mu sigma size=100) #给出均值为mean，标准差为stdev的高斯随机数（场），当size赋值时，例如：size=100，表示返回100个高斯随机数。 plt.hist(a 10 histtype='stepfilled' facecolor='b' alpha=0.75) #10是直方图的个数 plt.title('Histogram') #标题 plt.show()

坐标图

import numpy as np import matplotlib.pyplot as plt N = 20 theta = np.linspace(0.0 2 * np.pi N endpoint=False) radii = 10 * np.random.rand(N) width = np.pi / 4 * np.random.rand(N) ax = plt.subplot(111 projection='polar') bars = ax.bar(theta radii width=width bottom=0.0) for r bar in zip(radii bars): bar.set_facecolor(plt.cm.viridis(r / 10.)) bar.set_alpha(0.5) plt.show()

散点图import numpy as np import matplotlib.pyplot as plt fig ax = plt.subplots() ax.plot(10*np.random.rand(100) 10*np.random.rand(100) 'o') ax.set_title('Simple Scatter') plt.show()

整体来看，Python的Matplotlib画图还是挺不错的，看看用BDP画出来的图是哪样的。。

这样的

感觉还是有一些差距啊~最后老师教了一招，Matplotlib绘制引力波，效果如下

import numpy as np import matplotlib.pyplot as plt from scipy.io import wavfile rate_h hstrain = wavfile.read(r"H1_Strain.wav" "rb") rate_l lstrain = wavfile.read(r"L1_Strain.wav" "rb") reftime ref_H1 = np.genfromtxt('wf_template.txt').transpose() # 使用python123.io下载文件 htime_interval = 1 / rate_h ltime_interval = 1 / rate_l fig = plt.figure(figsize=(12 6)) # 丢失信号起始点 htime_len = hstrain.shape[0] / rate_h htime = np.arange(-htime_len / 2 htime_len / 2 htime_interval) plth = fig.add_subplot(221) plth.plot(htime hstrain 'y') plth.set_xlabel('Time (seconds)') plth.set_ylabel('H1 Strain') plth.set_title('H1 Strain') ltime_len = lstrain.shape[0] / rate_l ltime = np.arange(-ltime_len / 2 ltime_len / 2 ltime_interval) pltl = fig.add_subplot(222) pltl.plot(ltime lstrain 'g') pltl.set_xlabel('Time (seconds)') pltl.set_ylabel('L1 Strain') pltl.set_title('L1 Strain') pltref = fig.add_subplot(212) pltref.plot(reftime ref_H1) pltref.set_xlabel('Time (seconds)') pltref.set_ylabel('Template Strain') pltref.set_title('Template') fig.tight_layout() plt.savefig("Gravitational_Waves_Original.png") plt.show() plt.close(fig)zu

最后，我这里整理了一些关于Python的学习资料，从基础到实战都有，需要的朋友可以关注并私信“01”免费获取