Python數據可視化實戰：從基礎圖表到高級分析
數據可視化是數據分析的重要環節，通過直觀的圖表可以快速洞察數據規律。本文將通過5個實際案例，手把手教你使用Python的Matplotlib庫完成各類數據可視化任務，涵蓋條形圖、堆積面積圖、餅圖、直方圖等常見圖表類型，并包含誤差分析、顏色映射等高級技巧。
案例1：商品網購替代率分析
數據背景
分析不同商品種類的網購替代率（線上消費對線下的替代比例），數據來源：國家統計局北京調查總隊抽樣調查。
實現代碼
# 01_online_substitution_rate.py
import matplotlib.pyplot as plt
import numpy as np# 中文顯示設置
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# 數據準備
categories = ["家政服務", "交通票務", "家具", "手機配件", "計算機產品", "汽車用品", "充值服務", "個護用品","書報音像", "餐飲旅游", "家用電器", "食品飲料","日用品", "保險票務", "服裝家紡", "數碼產品","其他商品", "工藝品"]
substitution_rates = [0.959, 0.951, 0.935, 0.924, 0.893,0.892, 0.865, 0.863, 0.860, 0.856,0.854, 0.835, 0.826, 0.816, 0.798,0.765, 0.763, 0.671]# 可視化
plt.figure(figsize=(10, 8))
bars = plt.barh(categories, substitution_rates, color=plt.cm.viridis(np.linspace(0,1,len(categories))),height=0.7)# 添加數據標簽
for bar in bars:width = bar.get_width()plt.text(width+0.01, bar.get_y()+0.3,f'{width*100:.1f}%',va='center')plt.title("各商品品類網購替代率分析", pad=20)
plt.xlabel("替代率")
plt.xlim(0.6, 1.0)
plt.grid(axis='x', alpha=0.3)
plt.tight_layout()plt.show()
可視化解讀
- 使用水平條形圖清晰展示長文本標簽
- 漸變色映射替代率高低（深色表示高替代率）
- 右側數據標簽輔助精確讀數
案例2：物流公司費用對比
數據背景
比較A/B/C三家物流公司全年費用分布，數據來源：企業年度財報。
實現代碼
# 02_logistics_cost.py
months = np.arange(1,13)
cost_a = [198,215,245,222,200,236,201,253,236,200,266,290]
cost_b = [203,236,200,236,269,216,298,333,301,349,360,368]
cost_c = [185,205,226,199,238,200,250,209,246,219,253,288]plt.figure(figsize=(12,6))
plt.stackplot(months, cost_a, cost_b, cost_c,colors=['#1f77b4','#ff7f0e','#2ca02c'],alpha=0.8,labels=['A公司','B公司','C公司'])# 添加趨勢線
total = np.array(cost_a) + np.array(cost_b) + np.array(cost_c)
plt.plot(months, total, color='#d62728', marker='o', linestyle=':', label='總費用')plt.title("物流公司月度費用對比", pad=20)
plt.xlabel("月份")
plt.ylabel("費用（萬元）")
plt.xticks(months)
plt.legend(loc='upper left')
plt.grid(axis='y', linestyle='--')
plt.show()
可視化解讀
- 堆積面積圖展示費用構成
- 紅色趨勢線反映總費用變化
- 半透明效果增強層次感
案例3：支付寶消費分析
數據背景
解析用戶月度消費結構，數據來源：支付寶賬單導出。
實現代碼
# 03_alipay_bills.py
labels = ['購物','人情','餐飲','通信','日用','交通','娛樂','其他']
sizes = [800,100,1000,200,300,200,200,200]
colors = ['#4B9CD3','#FF6F61','#2E5339','#9467bd','#8c564b','#e377c2','#7f7f7f','#bcbd22']plt.figure(figsize=(10,8))
wedges, texts, autotexts = plt.pie(sizes, labels=labels,colors=colors,autopct='%1.1f%%',startangle=90,wedgeprops={'width':0.4}) # 環形圖# 添加中心注釋
plt.text(0, 0, "總支出\n3000元", ha='center', va='center',fontsize=14)plt.title("支付寶月度消費結構", pad=20)
plt.axis('equal') # 正圓形
plt.show()
可視化解讀
- 環形餅圖增強現代感
- 中心區域突出總金額
- 協調配色提升可讀性
案例4：正態分布可視化
數據背景
展示隨機數的分布規律，驗證中心極限定理。
實現代碼
# 04_normal_distribution.py
data = np.random.normal(loc=0, scale=1, size=1000)plt.figure(figsize=(10,6))
plt.hist(data, bins=20, density=True, alpha=0.6, color='#1f77b4')# 添加理論曲線
x = np.linspace(-4,4,100)
plt.plot(x, 1/(1*np.sqrt(2*np.pi)) * np.exp(-0.5*(x/1)**2),linewidth=2, color='#d62728')plt.title("正態分布驗證", pad=20)
plt.xlabel("數值")
plt.ylabel("概率密度")
plt.grid(alpha=0.3)
plt.show()
可視化解讀
- 直方圖展示實際分布
- 紅色曲線表示理論分布
- 半透明處理避免視覺壓迫
案例5：班級身高分析
數據背景
模擬生成班級身高數據，分析分布特征。
實現代碼
# 05_class_height.py
heights = np.random.normal(loc=170, scale=5, size=40)plt.figure(figsize=(10,6))
n, bins, patches = plt.hist(heights, bins=6, color='#4B9CD3',edgecolor='white')# 添加統計信息
plt.axvline(heights.mean(), color='red', linestyle='--')
plt.text(0.7, 0.8, f'μ={heights.mean():.1f}cm\nσ={heights.std():.1f}cm',transform=plt.gca().transAxes)plt.title("班級身高分布", pad=20)
plt.xlabel("身高(cm)")
plt.ylabel("人數")
plt.show()
可視化解讀
- 藍色柱形展示各區間人數
- 紅色虛線標注平均身高
- 右上角顯示統計參數
總結
本文通過5個典型案例演示了：
- 條形圖：對比類數據展示
- 堆積圖：構成分析
- 餅圖：比例呈現
- 直方圖：分布規律
- 綜合應用：數據模擬+統計分析
完整代碼已托管至GitHub倉庫，建議讀者克隆代碼庫后結合實際數據修改參數練習。掌握這些可視化方法后，你可以：
- 制作專業的分析報告
- 優化數據呈現方式
- 快速發現數據異常
- 提升數據分析效率
擴展建議：
- 嘗試使用Seaborn庫簡化復雜圖表
- 學習Plotly制作交互式可視化
- 探索D3.js實現高級動態效果
