【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), dpi=120)
 14     # 增加RC 参数
 15     # 默认不支持中文
 16     # 修改RC参数,来让其支持中文
 17     plt.rcParams[‘font.sans-serif‘] = ‘SimHei‘
 18     plt.rcParams[‘axes.unicode_minus‘] = False
 19
 20     # 调整子图的间隔
 21     # wspace=None,  来调整 子图之间左右的宽度
 22     # hspace=None # 来调整 子图之间上下的宽度
 23     plt.subplots_adjust(hspace=0.3)
 24     # 2、绘图
 25     # 创建子图
 26     fig.add_subplot(2, 1, 1)
 27     # 关于 各个季度产业散点图
 28     x = values[:, 0]
 29     y1 = values[:, 3]
 30     y2 = values[:, 4]
 31     y3 = values[:, 5]
 32     plt.scatter(x, y1)
 33     plt.scatter(x, y2)
 34     plt.scatter(x, y3)
 35
 36     # 增加标题
 37     plt.title("2000-2017年各个产业、行业的散点图")
 38     # 增加纵轴名称
 39     plt.ylabel("生产总值(亿元)")
 40     legend = [tmp[:4] for tmp in columns[3:6]]
 41     # 增加图例
 42     plt.legend(legend)
 43
 44     # 增加横轴名称
 45     plt.xlabel("季度")
 46
 47     # 设置横轴刻度
 48     xticks = values[:, 1]
 49     plt.xticks(x[::4], xticks[::4], rotation=45)
 50
 51     fig.add_subplot(2, 1, 2)
 52     # 关于 各个季度行业散点图
 53     y1 = values[:, 6]
 54     y2 = values[:, 7]
 55     y3 = values[:, 8]
 56     y4 = values[:, 9]
 57     y5 = values[:, 10]
 58     y6 = values[:, 11]
 59     y7 = values[:, 12]
 60     y8 = values[:, 13]
 61     y9 = values[:, 14]
 62
 63     plt.scatter(x, y1)
 64     plt.scatter(x, y2)
 65     plt.scatter(x, y3)
 66     plt.scatter(x, y4)
 67     plt.scatter(x, y5)
 68     plt.scatter(x, y6)
 69     plt.scatter(x, y7)
 70     plt.scatter(x, y8)
 71     plt.scatter(x, y9)
 72
 73     # 增加纵轴名称
 74     plt.ylabel("生产总值(亿元)")
 75     # 增加图例
 76     legend = [tmp[:2] for tmp in columns[6:]]
 77     plt.legend(legend, loc=2)
 78
 79     # 设置横轴刻度
 80     xticks = values[:, 1]
 81     plt.xticks(x[::4], xticks[::4], rotation=45)
 82
 83     # 增加横轴名称
 84     plt.xlabel("季度")
 85
 86     # 保存图片
 87     plt.savefig("./2000-2017年各个产业、行业的散点图.png")
 88
 89     # 3、图形展示
 90     plt.show()
 91
 92
 93 def build_data():
 94     """
 95     构建数据
 96     :return:数据
 97     """
 98     # 加载数据
 99     res = np.load("./国民经济核算季度数据.npz", allow_pickle=True)
100     # for tmp in res:
101     #     print(tmp)
102     columns = res["columns"]
103     values = res["values"]
104
105     # print("columns:\n", columns)
106     # print("values:\n", values)
107     return columns, values
108
109
110 def main():
111     """
112     主函数
113     :return:None
114     """
115     # 1、加载数据
116     columns, values = build_data()
117
118     # 2、绘制图形
119     show_data(columns, values)
120
121
122 if __name__ == ‘__main__‘:
123     main()
124
125 # 场景一:类似于折线走势的这种散点图 也可以用来描述走势
126 # 场景二:可以用来描述 点与点(数据与数据)的关系

原文地址:https://www.cnblogs.com/Tree0108/p/12115976.html

时间: 2024-11-09 04:39:45

【数据分析&数据挖掘】2000-2017年各个产业、行业的散点图的相关文章

【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

【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=F

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

极验2017年交互安全行业研究报告

美国网络安全权威网站Incapsula发布<Bot Traffic Report>报告显示,当前全球互联网正常流量占比已不到一半.美国战略与国际问题研究中心表示,网络犯罪造成的全球资产损失高达4,450亿美元,全球企业资产正面临极大威胁.而随着人工智能技术的快速发展,机器行为呈现出规模化.场景细分化.手段隐蔽化.危害扩大化的发展趋势. 极验正式发布<2017年交互安全行业研究报告>,作为全球首个交互安全领域研究报告,通过对交互安全行业洞察,让我们首次深度接触"企业资产攻防

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

python&amp;数据分析&amp;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

【数据分析&amp;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