數據可視化是數據分析中不可或缺的一環，它能夠將抽象的數據轉化為直觀的圖形，幫助我們更好地理解數據特征和發現潛在規律。本文將介紹如何使用Python中的Matplotlib和Plotly庫進行數據可視化，并通過擲骰子的概率模擬案例展示可視化的實際應用。

一、Matplotlib基礎可視化

Matplotlib是Python中最基礎也是最常用的數據可視化庫之一。我們先從一個簡單的平方數可視化開始：

python

復制

下載

import matplotlib.pyplot as pltinput_values = [1, 2, 3, 4, 5, 6, 7, 8]
squares = [1, 4, 9, 16, 25, 36, 49, 64]plt.style.use('dark_background')  # 使用暗色背景主題
fig, ax = plt.subplots()
ax.plot(input_values, squares, linewidth=3)
ax.set_xlabel('X Label')
ax.set_ylabel('Y Label')
ax.set_title('Average square number')
ax.tick_params(axis='both', which='major', labelsize=14)
plt.show()

這段代碼展示了如何創建一個簡單的折線圖，并設置了圖表標題、坐標軸標簽等基本元素。Matplotlib提供了多種內置樣式，通過plt.style.available可以查看所有可用的樣式。

二、Plotly交互式可視化

Plotly是一個強大的交互式可視化庫，特別適合創建復雜的統計圖表。下面我們使用Plotly來模擬擲骰子的概率分布。

1. 單骰子模擬

python

復制

下載

import random
import plotly.graph_objects as go
from plotly.subplots import make_subplotsdef roll_dice(num_rolls, dice_sides=6):return [random.randint(1, dice_sides) for _ in range(num_rolls)]def analyze_results(results, dice_sides=6):counts = {i: 0 for i in range(1, dice_sides + 1)}for result in results:counts[result] += 1frequencies = {k: v / len(results) for k, v in counts.items()}return counts, frequenciesdef simulate_dice_rolls(num_rolls=1000, dice_sides=6):results = roll_dice(num_rolls, dice_sides)counts, frequencies = analyze_results(results, dice_sides)fig = make_subplots(rows=1, cols=2, subplot_titles=('出現次數', '出現頻率'))fig.add_trace(go.Bar(x=list(counts.keys()), y=list(counts.values()),name='出現次數', marker_color='skyblue'),row=1, col=1)fig.add_trace(go.Bar(x=list(frequencies.keys()), y=list(frequencies.values()),name='出現頻率', marker_color='lightgreen'),row=1, col=2)fig.update_layout(title=f'模擬擲{dice_sides}面骰子 {num_rolls}次的結果',showlegend=False,xaxis_title='骰子點數',yaxis_title='出現次數',xaxis2_title='骰子點數',yaxis2_title='出現頻率',template='plotly_white')fig.show()simulate_dice_rolls(num_rolls=1000, dice_sides=6)

這段代碼模擬了1000次擲骰子的結果，并同時展示了每個點數出現的次數和頻率。通過子圖的方式，我們可以直觀地比較絕對數量和相對頻率。

2. 雙骰子模擬

python

復制

下載

def roll_dice(num_rolls):results = []for _ in range(num_rolls):die1 = random.randint(1, 6)die2 = random.randint(1, 6)total = die1 + die2results.append((die1, die2, total))return resultsnum_rolls = 1000
results = roll_dice(num_rolls)
totals = [result[2] for result in results]sum_counts = {i: 0 for i in range(2, 13)}
for total in totals:sum_counts[total] += 1fig = make_subplots(rows=1, cols=2, subplot_titles=('骰子和分布', '單個骰子點數分布'))fig.add_trace(go.Bar(x=list(sum_counts.keys()), y=list(sum_counts.values()),name='骰子和', marker_color='skyblue'),row=1, col=1
)die1_results = [result[0] for result in results]
die2_results = [result[1] for result in results]
all_die_results = die1_results + die2_resultsdie_counts = {i: all_die_results.count(i) for i in range(1, 7)}fig.add_trace(go.Bar(x=list(die_counts.keys()), y=list(die_counts.values()),name='單個骰子點數', marker_color='lightgreen'),row=1, col=2
)fig.update_layout(title_text=f'模擬擲兩個骰子 {num_rolls} 次的結果',showlegend=False,xaxis_title='骰子和',yaxis_title='出現次數',xaxis2_title='骰子點數',yaxis2_title='出現次數'
)fig.show()

雙骰子模擬展示了兩個骰子點數之和的分布以及單個骰子的點數分布。從結果中我們可以觀察到骰子和的分布呈現出對稱的鐘形曲線，而單個骰子的點數則保持均勻分布。

三、可視化技巧與最佳實踐

1. 選擇合適的圖表類型：根據數據類型選擇合適的圖表，如折線圖適合展示趨勢，柱狀圖適合比較分類數據。

2. 合理使用顏色：使用對比明顯的顏色突出重要數據，但避免使用過多顏色造成視覺混亂。

3. 添加適當的標簽和標題：確保圖表有清晰的標題、坐標軸標簽和圖例。

4. 考慮交互性：在需要詳細探索數據時，使用Plotly等支持交互的庫。

5. 保持簡潔：避免過度裝飾，保持圖表簡潔易讀。

四、總結

本文通過實際代碼示例展示了如何使用Python進行數據可視化。從基礎的Matplotlib圖表到復雜的概率模擬可視化，我們可以看到數據可視化在理解數據和發現規律中的重要作用。無論是簡單的數據分析還是復雜的概率模擬，恰當的可視化都能幫助我們獲得更深入的洞察。

在實際應用中，可以根據需求選擇合適的可視化工具和圖表類型，并遵循可視化最佳實踐，創建出既美觀又富有信息量的圖表。