Pandas и Matplotlib / Seaborn: продвинутая визуализация

Pandas имеет встроенные базовые возможности построения графиков, а в сочетании с Matplotlib и Seaborn можно создавать более разнообразные визуализации.


Встроенная визуализация в Pandas

Линейная диаграмма

Пример

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Включить отображение китайских символов (требуется установленный в системе китайский шрифт)
# plt.rcParams['font.sans-serif'] = ['SimHei']
# plt.rcParams['axes.unicode_minus'] = False

# Создание данных временного ряда
dates = pd.date_range("2024-01-01", periods=30, freq="D")
df = pd.DataFrame({
    "Date": dates,
    "Sales": 100 + np.random.randn(30).cumsum(),
    "Visitors": 50 + np.random.randn(30).cumsum() * 10
})
df = df.set_index("Date")

print("Данные:")
print(df.head())
print("\n"Подготовка данных для графика завершена, для отображения графика используйте plt.show()")

Столбчатая диаграмма

Пример

import pandas as pd
import matplotlib.pyplot as plt

# Категориальные данные
data = {
    "Продукт": ["A", "B", "C", "D", "E"],
    "Проданные единицы": [120, 150, 90, 180, 110]
}
df = pd.DataFrame(data)

# Столбчатая диаграмма
print("Используйте df.plot.bar() для построения столбчатой диаграммы")
print("\n"Данные:")
print(df)

Круговая диаграмма

Пример

import pandas as pd

# Данные для круговой диаграммы
s = pd.Series([30, 25, 20, 15, 10], index=["A", "B", "C", "D", "E"])

print("Используйте s.plot.pie() для построения круговой диаграммы")
print("\n"Данные:")
print(s)

Объединение с Matplotlib

Пример

import pandas as pd
import numpy as np

# Создание данных
df = pd.DataFrame({
    "x": range(10),
    "y1": np.random.randn(10).cumsum(),
    "y2": np.random.randn(10).cumsum() + 5
})

print("Пример кода построения графика с помощью Matplotlib:")
print("""
import matplotlib.pyplot as plt

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(12, 4))

# Линейный график
ax1.plot(df["x"], df["y1"], label="Y1", color="blue")
ax1.plot(df["x"], df["y2"], label="Y2", color="red")
ax1.set_title("Линейный график")
ax1.legend()
ax1.grid(True)

# Диаграмма рассеяния
ax2.scatter(df["y1"], df["y2"], alpha=0.6)
ax2.set_title("Диаграмма рассеяния")
ax2.set_xlabel("Y1")
ax2.set_ylabel("Y2")

plt.tight_layout()
plt.show()
"""
)

Компоновка подграфиков

Пример

import pandas as pd
import numpy as np

# пример подграфиков 2x2
print("пример компоновки подграфиков 2x2:")
print("""
fig, axes = plt.subplots(2, 2, figsize=(10, 8))

# 1. Линейный график
df["y1"].plot(ax=axes[0, 0])
axes[0, 0].set_title("Линейный график")

# 2. Столбчатая диаграмма
df["y2"].plot.bar(ax=axes[0, 1])
axes[0, 1].set_title("Столбчатая диаграмма")

# 3. Гистограмма
df["y1"].hist(ax=axes[1, 0], bins=10)
axes[1, 0].set_title("Гистограмма")

# 4. Круговая диаграмма
pd.Series([10, 20, 30]).plot.pie(ax=axes[1, 1])
axes[1, 1].set_title("Круговая диаграмма")

plt.tight_layout()
plt.show()
"""
)

Продвинутая визуализация Seaborn

Пример

import pandas as pd
import numpy as np

# Демонстрация возможностей Seaborn
print("Пример визуализации Seaborn:")
print("""
import seaborn as sns
import matplotlib.pyplot as plt

# Установить стиль
sns.set_style("whitegrid")

# 1. Реляционный график
fig, ax = plt.subplots(figsize=(8, 5))
sns.lineplot(data=df, x="x", y="y1", ax=ax)
ax.set_title("Линейный график")

# 2. График распределения
sns.histplot(df["y1"], kde=True, ax=ax)

# 3. Ящичная диаграмма
sns.boxplot(data=df, x="category", y="value")

# 4. Тепловая карта
sns.heatmap(df.corr(), annot=True, cmap="coolwarm")

plt.show()
"""
)

Matplotlib обеспечивает низкоуровневый контроль, а Seaborn — высокоуровневый интерфейс. Их сочетание позволяет создавать разнообразные профессиональные графики.

Другие расширения