Exemples originaux et études de cas de graphiques de dessin Python

Exemples originaux et études de cas de cartographie Python

Introduction :
Python est un langage de programmation largement utilisé doté de puissantes capacités de traitement de données et de visualisation. Les graphiques sont l'un des outils de visualisation les plus courants dans des domaines tels que l'analyse des données, la recherche scientifique et la prise de décision commerciale. Cet article expliquera comment utiliser Python pour dessiner des graphiques à travers des exemples spécifiques et des analyses de cas, et joindra des exemples de code détaillés.

1. Exemple de graphique linéaire
Le graphique linéaire est une expression visuelle couramment utilisée, adaptée pour montrer la tendance des changements de données au fil du temps ou d'autres variables.

Exemple 1 :
Supposons que les ventes d'une entreprise aient été enregistrées au cours de l'année écoulée et que nous utilisions un graphique linéaire pour montrer l'évolution des ventes au fil du temps.

import matplotlib.pyplot as plt

# 销售额数据
sales = [100, 150, 120, 180, 200, 250, 300, 280, 350, 400, 380, 450]

# 月份数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']

# 绘制折线图
plt.plot(months, sales)
plt.title('Sales Trend')
plt.xlabel('Month')
plt.ylabel('Sales ($)')
plt.show()

Exécutez le code ci-dessus pour générer un graphique linéaire montrant la tendance des ventes au fil du temps.

Exemple 2 :
Sur la base de l'exemple 1, nous avons également enregistré les ventes de différentes gammes de produits et devons montrer les tendances de chaque gamme de produits.

import matplotlib.pyplot as plt

# 产品销售额数据
product_a = [100, 150, 120, 180, 200, 250, 300, 280, 350, 400, 380, 450]
product_b = [80, 120, 90, 150, 170, 200, 230, 210, 260, 300, 280, 330]
product_c = [70, 90, 80, 120, 150, 180, 200, 190, 220, 270, 250, 300]

# 月份数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']

# 绘制折线图
plt.plot(months, product_a, label='Product A')
plt.plot(months, product_b, label='Product B')
plt.plot(months, product_c, label='Product C')
plt.title('Sales Trend by Product')
plt.xlabel('Month')
plt.ylabel('Sales ($)')
plt.legend()
plt.show()

Exécutez le code ci-dessus pour générer un graphique linéaire montrant les tendances des ventes de chaque ligne de produits au fil du temps. Grâce à la légende, vous pouvez voir clairement les ventes de chacun des trois produits.

2. Exemple d'histogramme
L'histogramme est une expression visuelle couramment utilisée, adaptée pour comparer les valeurs entre différentes catégories ou variables.

Exemple 3 :
Supposons que les ventes annuelles d'une entreprise soient enregistrées et que nous utilisions un graphique à barres pour afficher les ventes annuelles.

import matplotlib.pyplot as plt

# 销售额数据
sales = [1000, 1200, 1500, 1800, 2000]

# 年份数据
years = ['2014', '2015', '2016', '2017', '2018']

# 绘制柱状图
plt.bar(years, sales)
plt.title('Annual Sales')
plt.xlabel('Year')
plt.ylabel('Sales ($)')
plt.show()

Exécutez le code ci-dessus pour générer un graphique à barres montrant les ventes annuelles.

Exemple 4 :
Sur la base de l'exemple 3, nous avons également enregistré les ventes de différentes gammes de produits, et nous devons montrer les ventes annuelles de chaque gamme de produits.

import matplotlib.pyplot as plt
import numpy as np

# 产品销售额数据
product_a = [1000, 1200, 1500, 1800, 2000]
product_b = [800, 900, 1200, 1500, 1700]
product_c = [600, 800, 1000, 1200, 1400]

# 年份数据
years = ['2014', '2015', '2016', '2017', '2018']

# 绘制柱状图
x = np.arange(len(years))
width = 0.2

plt.bar(x - width, product_a, width, label='Product A')
plt.bar(x, product_b, width, label='Product B')
plt.bar(x + width, product_c, width, label='Product C')

plt.title('Annual Sales by Product')
plt.xlabel('Year')
plt.ylabel('Sales ($)')
plt.xticks(x, years)
plt.legend()
plt.show()

Exécutez le code ci-dessus pour générer un graphique à barres montrant les ventes annuelles de chaque gamme de produits. Les ventes de chaque produit chaque année peuvent être clairement comparées à travers différentes couleurs de colonnes et de légendes.

Conclusion :
Les graphiques sont une partie importante de la visualisation des données et peuvent nous aider à mieux comprendre et analyser les données. Python fournit une bibliothèque de dessins riche et puissante. Cet article présente la méthode d'utilisation de Python pour dessiner des graphiques en courbes et des graphiques en colonnes à l'aide d'exemples et d'analyses de cas, et fournit des exemples de code spécifiques. J'espère que les lecteurs pourront mieux utiliser Python pour la visualisation de données grâce aux conseils de cet article.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!