【数据分析&数据挖掘】2000和2017年各产业生产总值占比饼图

 1 import matplotlib.pyplot as plt
 2 import numpy as np
 3
 4 def draw_data(n, a, b, d, values, fig, plt, t, l, cl):
 5     fig.add_subplot(2, 2, n)
 6     x = values[d, a:b+1]
 7     # explode = (0.01)
 8     plt.pie(x, labels=l, colors=cl, autopct="%.2f%%", shadow=False, labeldistance=1.05)
 9     plt.axis("equal")
10     plt.legend(l)
11     plt.title(t)
12     plt.savefig("./2000和2017年各产业生产总值占比饼图.png")
13     return plt
14
15 def show_data():
16     fig = plt.figure(figsize=(20, 12), dpi=120)
17     plt.rcParams[‘font.sans-serif‘] = ‘SimHei‘
18     plt.rcParams[‘axes.unicode_minus‘] = False
19     # plt.subplots_adjust(hspace=0.3)
20     return fig, plt
21
22 def save_data():
23     plt.savefig("./2000-2017年各个产业、行业的柱状图.png")
24     plt.show()
25     return None
26
27 def build_data():
28     res = np.load("./国民经济核算季度数据.npz", allow_pickle=True)
29     columns = res["columns"]
30     values = res["values"]
31     # print(columns)
32     # print(values)
33     return columns, values
34
35 def main():
36     columns, values = build_data()
37     fig, plt = show_data()
38     title1 = "2000年第一季度国民总值产业构成分布饼图"
39     title2 = "2017年第一季度国民总值产业构成分布饼图"
40     labels1 = [tmp[:4] for tmp in columns[3:6]]
41     labels2 = [tmp[:2] for tmp in columns[6:]]
42     colors1 = ["#53868B", "#7AC5CD", "#8EE5EE"]
43     colors2 = ["#CD9B9B", "#EEB4B4", "#8B658B"]
44     colors3 = ["#548B54", "#7CCD7C", "#90EE90", "#9AFF9A", "#2E8B57", "#43CD80", "#4EEE94", "#54FF9F", "#698B69"]
45     colors4 = ["#CD950C", "#EEAD0E", "#FFB90F", "#8B6914", "#CD9B1D", "#EEB422", "#FFC125", "#8B7500", "#CDAD00"]
46     draw_data(1, 3, 5, 0, values, fig, plt, title1, labels1, colors1)
47     draw_data(2, 3, 5, 68, values, fig, plt, title2, labels1, colors2)
48     draw_data(3, 6, 14, 0, values, fig, plt, title1, labels2, colors3)
49     draw_data(4, 6, 14, 68, values, fig, plt, title2, labels2, colors4)
50     save_data()
51
52
53 if __name__ == ‘__main__‘:
54     main()

原文地址:https://www.cnblogs.com/Tree0108/p/12115967.html

时间: 2024-10-10 22:37:50

【数据分析&数据挖掘】2000和2017年各产业生产总值占比饼图的相关文章

【数据分析&数据挖掘】2000-2017年各个产业生产总值箱线图

1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 5 # 构建数据 6 def build_data(): 7 res = np.load("./国民经济核算季度数据.npz", allow_pickle=True) 8 columns = res["columns"] 9 values = res["values"] 10 return columns, values 11 1

经济学人:2017年金融服务产业特别报告

经济学人:2017年金融服务产业特别报告 2016年11月30日 全球经济, 研究报告

【转】数据分析/数据挖掘 入门级选手建议

1.数据分析和数据挖掘联系和区别 联系:都是搞数据的 区别:数据分析偏统计,可视化,出报表和报告,需要较强的表达能力.数据挖掘偏算法,重模型,需要很深的代码功底,要码代码,很多= =. 2.怎么入门 请百度"如何成为一名数据分析师"或者"如何成为一名数据挖掘工程师".英文好上Quora,不行上知乎,看看入门资料. 3.选哪些书 看入门资料给你提供的书,有电子版下电子版,没电子版买纸质书,花不了多少钱. 4.用什么语言 数据分析:excel是必须,R是基本,pytho

【数据分析&数据挖掘】2000-2017年各个产业、行业的散点图

1 import matplotlib.pyplot as plt 2 import numpy as np 3 4 5 def show_data(columns, values): 6 """ 7 绘图展示 8 :param columns: 名称 9 :param values: 真实数据 10 :return: None 11 """ 12 # 1.创建画布 13 fig = plt.figure(figsize=(20, 12), dp

python&数据分析&数据挖掘--参考资料推荐书籍

1.要用python做数据分析,先得对python语言熟悉,推荐一本入门书 :笨方法学python (learn python the hard way),这本书用非常有趣的讲述方式介绍了python的基本语法,非常适合非计算机专业作为入门书来看. 2.用python做数据分析的话,推荐用 anaconda,地址https://www.anaconda.com/download/  ,可以根据需要选择版本 3.后面需要添加各种包的时候,在开始-所有程序,打开Anaconda prompt,输入

06-机器学习.数据分析.数据挖掘的区别于联系

数据分析:数据分析是指用适当的统计分析方法对手机的大量数据进行分析,并提取有用的信息,以及形成结论,从而对数据进行详细的研究和概括过程.在实际工作中,数据分析可帮助人们做出判断;数据分析一般而言可以分为统计分析.探索性数据分析和验证性数据分析三大类. 数据挖掘:一般指从大量的数据中通过算法搜索隐藏于其中的信息的过程.通常通过统计,检索.机器学习.模式匹配等诸多方法来实现这个过程. 机器学习:是数据分析和数据挖掘的一种比较常用.比较好的手段.. 原文地址:https://www.cnblogs.c

期待中冷静前行,专家预测2017年VR产业5大发展趋势

VR在90年代火过一阵后,在2016年迎来了爆发.今年的VR领域,除了Oculus.HTC.索尼等发布的各家硬件,还有许多VR内容争奇斗艳的迸发,但是VR会一直保存热度吗? 事实上,对于科技圈巨头而言,整个VR行业还处于初级阶段.不少研究机构预测了VR未来几年的发展状态,而今天我们先起跟随专家的脚步看看VR明年的发展态势.近日,591arvr资讯网www.591arvr.com报道,外媒UploadVR和几位业界的大腕(OpenVerse的Rob Goodman, Lucid VR的Han Ji

【数据分析&数据挖掘】数组的创建

1 import numpy as np 2 import random 3 4 arr = np.array([1,2,3,4]) 5 print('arr:\n', arr) 6 print('arr的类型:\n', type(arr)) 7 8 # 用arange来创建数组 9 arr = np.arange(0, 5, 2) 10 print('arr:\n', arr) 11 print('arr的类型:\n', type(arr)) 12 13 # 生成一个等差数组 14 # 参数1

【数据分析&数据挖掘】数组的重复与去重

1 import numpy as np 2 3 # 创建一个数组 4 arr = np.array([1, 2, 3, 3, 2, 1, 1, 2, 3, 4, 5, 6, 6, 5, 4]) 5 arr = np.array(["h", "j", "k", "x", "h", "k", "j", "x", "k"]) 6 a