Python 实践:基于 Matplotlib 实现产品年销售额数据可视化
本文分享自华为云社区《画图实战-Python实现某产品全年销量数据多种样式可视化》,作者:虫无涯。
学习心得
-
有时候我们需要对某些数据进行分析,得到一些可视化效果图,而这些效果图可以直观展示给我们数据的变化趋势;
-
比如某产品的月销量数据、销售额的地区分布、销售增长和季节的变化情况、产品的贡献度分析等等;
-
本文主要针对某产品全年销量数据,绘制各种不同样式的图表,以不同样式展示数据;
-
学习本文建议对Python的matplotlib第三库有一定的了解。
Matplotlib说明
什么是Matplotlib?
-
Matplotlib是一个Python的2D绘图库,它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形;
-
Matplotlib可生成绘图、直方图、功率谱、条形图、错误图、散点图、折线图等;
-
Matplotlib是Python生态系统的一个重要组成部分,是用于可视化的绘图库;
-
Matplotlib提供了一整套和matlab相似的命令API和可视化界面,可以生成出版质量级别的精美图形。
Matplotlib特性
- Matplotlib图表中的元素包含以下内容:
A、X轴和Y轴;B、X轴和Y轴刻度;C、X轴和Y轴标签;D、绘图区域。
- 关于hold属性:
A、hold属性默认为True,可在一幅图中绘制多个曲线;B、将hold属性修改为False,每一个plot都会覆盖前面的plot(这种方法不推荐,建议使用默认的)。
- 常用方法:
A、可使用grid方法为图添加网格线;B、还可以使用其他方法,如axis方法、xlim方法、ylim方法、legend方法;
- 关于配置方面:
matplotlib配置信息是从配置文件读取的。在配置文件中可以为matplotlib的几乎所有属性指定永久有效的默认;主要为永久配置和动态配置。
Matplotlib安装
直接使用pip安装即可:
pip install matplotlib
产品订单量-折线图
某产品全年订单量数据
-
以下是某产品全年的销量数据:
-
全年12个月数据中,每个月对应有产品的订单量和退货量。
数据提取和分析
-
我们可以把月份用以下变量表示:
month = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"]
print(f"月份为:{month}")
输出:月份为:['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
复制运行
-
产品对应的销量分两种,一种是订单量,一种是退货量,可用两个变量来存放数据:
订单量
indent = [15, 33, 42, 50, 115, 20, 86, 66, 59, 43, 39, 50]
退货量
returned = [6, 13, 18, 23, 55, 98, 42, 31, 25, 22, 17, 24]
print(f"每月订单量为:{indent}") print(f"每月退货量为:{returned}")
绘制折线图
-
折线图中我们绘制两条折线,一条是每月的退货量,一条是每月的订单量;
-
而折线就是坐标组成,这里就需要多个两个坐标,比如x1、y1、x2、y2;
-
针对我们提供的数据,可以把坐标定义为:
x1 = month y1 = indentx2= month y2 = returned
-
那对应的代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) import matplotlib.pyplot as plt
month = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec"] print(f"月份为:{month}")
订单量
indent = [15, 33, 42, 50, 115, 20, 86, 66, 59, 43, 39, 50]
退货量
returned = [6, 13, 18, 23, 55, 98, 42, 31, 25, 22, 17, 24] print(f"每月订单量为:{indent}") print(f"每月退货量为:{returned}")
绘制折线图
plt.plot(month, indent, label='订单量', linewidth=2, color='r', marker='o', markerfacecolor='blue', markersize=8)
plt.plot(month, returned, label='退货量', linewidth=2, color='y', marker='o', markerfacecolor='blue', markersize=8)
plt.xlabel('月份') plt.ylabel('数量') plt.title('某产品全年订单销售情况') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.legend()
plt.show()
plt.savefig("plot.jpg")
-
运行上边代码后折线图的效果为:
产品订单&销售额-条形图
某产品全年订单&销售额数据
-
以下是某产品全年的销量数据:
-
图中的意思为对应的订单量的销售额和对应的退货量的价格。
绘制条形图
-
条形图中我们绘制双条形,一条是每月的退货量及对应价格,一条是每月的订单量和销售额;
-
针对我们提供的数据,可以把坐标定义为:
x1 = indent y1 = m1x2= returned y2 = m2
-
那对应的代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) import matplotlib.pyplot as plt
订单量
indent = [10, 30, 50, 70, 90, 110, 130, 150]
销售额
m1 = [5, 7, 9, 11, 13, 15, 17, 19]
退货量
returned = [20, 40, 60, 80, 100, 120, 140, 160]
价格
m2 = [3, 5, 7, 9, 11, 13, 15, 17]
绘制折线图
plt.bar(indent, m1, width=3, label='订单量-销售额', color='r', ) plt.bar(returned, m2, width=3, label='退货量-价格', color='y')
plt.xlabel('数量') plt.ylabel('价格') plt.title('某产品全年订单&销售额情况') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.legend()
plt.show()
plt.savefig("plot.jpg")
-
运行以上代码后效果图为:
注意:后续的数据和操作逻辑和前边的一样,为了快速了解其使用,不再描述详细的数据,仅用示例说明。
某产品xx-直方图
-
那对应的代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) import matplotlib.pyplot as plt
data = [15, 33, 42, 50, 115, 20, 86, 66, 59, 43, 39, 50] x = range(0, 100, 2)
绘制直方图
plt.hist(data, x, rwidth=3, label='直方图', color='y')
plt.xlabel('X') plt.ylabel('Y') plt.title('直方图') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.legend()
plt.show()
plt.savefig("plot.jpg")
-
运行代码后效果如下:
某产品xx-散点图
-
那对应的代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) import matplotlib.pyplot as plt
data = [15, 33, 42, 50, 115, 20, 86, 66, 59, 43, 39, 50] x = range(0, len(data))
绘制散点图
plt.scatter(x, data, label='散点图', s=15)
plt.xlabel('X') plt.ylabel('Y') plt.title('散点图') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.legend()
plt.show()
plt.savefig("plot.jpg")
-
运行代码后效果为:
某产品xx-饼图
-
对应代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) subprocess.check_call([sys.executable, "-m", "pip", "install", "numpy"]) import matplotlib.pyplot as plt import numpy as np
data = np.array([10, 20, 15, 15, 5, 5, 30])
plt.pie(data, labels=['P1', 'P2', 'P3', 'P4', 'P5', 'P6', 'P7'], colors=["#8B008B", "#FF1493", "#4B0082", "#B0C4DE", "#E1FFFF", "#008080", "#00FF7F"], explode=(0, 0, 0.3, 0, 0, 0.2, 0), autopct='%.2f%%', ) plt.title('饼图') plt.rcParams['font.sans-serif'] = ['SimHei']
plt.show()
plt.savefig("plot.jpg")
-
运行代码效果为:
某产品xx-多图效果
-
对应代码为:
import subprocess import sys subprocess.check_call([sys.executable, "-m", "pip", "install", "matplotlib"]) subprocess.check_call([sys.executable, "-m", "pip", "install", "numpy"]) import matplotlib.pyplot as plt import numpy as np
x = np.array([10, 50]) y = np.array([10, 80]) plt.subplot(2, 2, 1) plt.plot(x, y) plt.title("图1")
x = np.array([10, 20, 30, 40]) y = np.array([10, 30, 50, 110]) plt.subplot(2, 2, 2) plt.plot(x, y) plt.title("图2") x = np.array([10, 20, 30, 40]) y = np.array([50, 60, 70, 80]) plt.subplot(2, 2, 3) plt.plot(x, y) plt.title("图3") x = np.array([20, 25, 30, 35]) y = np.array([40, 45, 50, 55]) plt.subplot(2, 2, 4) plt.plot(x, y) plt.title("图4")
plt.suptitle("多图显示") plt.rcParams['font.sans-serif'] = ['SimHei'] #plt.show() plt.savefig("plot.jpg")
-
运行代码后的效果为:
总结
Python实现某产品全年销量数据多种样式可视化,主要是应用了python的matplotlib库进行绘制各种图表,除了以上的几种图表,还有柱状图、网格图等等。学习的时候建议使用真实的数据,可以真正达到分析问题的效果。
点击关注,第一时间了解华为云新鲜技术~
推荐阅读
-
[姿势估计] 实践记录:使用 Dlib 和 mediapipe 进行人脸姿势估计 - 本文重点介绍方法 2):方法 1:基于深度学习的方法:。 基于深度学习的方法:基于深度学习的方法利用深度学习模型,如卷积神经网络(CNN)或递归神经网络(RNN),直接从人脸图像中学习姿势估计。这些方法能够学习更复杂的特征表征,并在大规模数据集上取得优异的性能。方法二:基于二维校准信息估计三维姿态信息(计算机视觉 PnP 问题)。 特征点定位:人脸姿态估计的第一步是通过特征点定位来检测和定位人脸的关键点,如眼睛、鼻子和嘴巴。这些关键点提供了人脸的局部结构信息,可用于后续的姿势估计。 旋转表示:常见的旋转表示方法包括欧拉角和旋转矩阵。欧拉角通过三个旋转角度(通常是俯仰、偏航和滚动)描述头部的旋转姿态。旋转矩阵是一个 3x3 矩阵,表示头部从一个坐标系到另一个坐标系的变换。 三维模型重建:根据特征点的定位结果,三维人脸模型可用于姿势估计。通过将人脸的二维图像映射到三维模型上,可以估算出人脸的旋转和平移信息。这就需要建立人脸的三维模型,然后通过优化方法将模型与特征点对齐,从而获得姿势估计结果。 特征点定位 特征点定位是用于检测人脸关键部位的五官基础部分,还有其他更多的特征点表示方法,大家可以参考我上一篇文章中介绍的特征点检测方案实践:人脸校正二次定位操作来解决人脸校正的问题,客户在检测关键点的代码上略有修改,坐标转换部分客户见上图 def get_face_info(image). img_copy = image.copy image.flags.writeable = False image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = face_detection.process(image) # 在图像上绘制人脸检测注释。 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) box_info, facial = None, None if results.detections: for detection in results. for detection in results.detections: mp_drawing.Drawing.detection = 无 mp_drawing.draw_detection(image, detection) 面部 = detection.location_data.relative_keypoints 返回面部 在上述代码中,返回的数据是五官(6 个关键点的坐标),这是用 mediapipe 库实现的,下面我们可以尝试用另一个库:dlib 来实现。 使用 dlib 使用 Dlib 库在 Python 中实现人脸关键点检测的步骤如下: 确保已安装 Dlib 库,可使用以下命令: pip install dlib 导入必要的库: 加载 Dlib 的人脸检测器和关键点检测器模型: 读取图像并将其灰度化: 使用人脸检测器检测图像中的人脸: 对检测到的人脸进行遍历,并使用关键点检测器检测人脸关键点: 显示绘制了关键点的图像: 以下代码将参数 landmarks_part 添加到要返回的关键点坐标中。
-
Python 实践:基于 Matplotlib 实现产品年销售额数据可视化
-
实战讲解:热力图与相关系数图的数据可视化——基于Python的实现与原理解析(第二部分:代码实操)