前两篇文章介绍了几种常见的条形图,实际上看起来简单的条形图可探索的设置还有很多!在体育赛事中,经常出现一种对称条形图,比如对比两个热门选手或者队伍在各方面的打分情况等,这也是在普通横向条形图的基础上绘制出来的,作为无所不能的python,当然也是可以绘制这种图形的!
闲话少叙,直接上代码吧!
df = pd.read_excel(r"D:\data\football\曼城vs利物浦.xlsx") df
这是从英超历年球队积分的数据中截取出来的曼城和利物浦两支球队的数据,制作一个对称条形图,查看这两只球队在2010–2019年的积分表现。
这是原数据,单看表格对比不是很明显,来画一个对称条形图试试看:
plt.figure(figsize=(10,6)) ax = plt.gca() #获取坐标轴对象 ax.spines['right'].set_color('none') #把右边的边框颜色设置为无色,隐藏右边框 ax.spines['top'].set_color('none') #把上边的边框颜色设置为无色,隐藏上边框 ax.spines['bottom'].set_color('none') #把上边的边框颜色设置为无色,隐藏上边框 ax.yaxis.set_ticks_position('left') #指定左边的边为 y 轴 ax.spines['left'].set_position(('data', 0)) #指定 data 设置的left(也就是指定的y轴)绑定到x轴的0这个点上 plt.xticks([]) #去掉x轴刻度 plt.yticks(df.iloc[:,0].tolist()) #设置y轴刻度为年份 #绘制利物浦队的条形图,颜色用默认的蓝色 plt.barh(df.iloc[:,0],df.iloc[:,1], height=0.5,label = "利物浦") #绘制曼城队的条形图,需要在y轴的两侧显示条形,所以曼城队的数据取负数,设置颜色为粉色 plt.barh(df.iloc[:,0],-df.iloc[:,2],height=0.5,label = "曼城",color = "pink") #通过循环为曼城队的每个横向条形加标签,标签位置在对应条形的顶端,内容为球队当年的积分 for i,j in zip(range(len(df)),[2010,2011,2012,2013,2014,2015,2016,2017,2018,2019]): plt.text(-df.iloc[:,2][i]-5,j,df.iloc[:,2][i]) #通过循环为利物浦队的每个横向条形加标签,标签位置在对应条形的顶端,内容为球队当年的积分 for i,j in zip(range(len(df)),[2010,2011,2012,2013,2014,2015,2016,2017,2018,2019]): plt.text(df.iloc[:,1][i]+1,j,df.iloc[:,1][i]) plt.legend(loc = 4); #显示图例,loc参数指定图例位置在右下角
请看效果图:
是不是比看上边的表格要清晰和容易多了,一眼就能看出每一年两个球队的积分对比情况,整体看来曼城队是强于利物浦队的,至于那个异常的2019年数据,不是全年的数据,所以和其他年份数据差异很大。
对称条形图一般只能对比两个个体之间的各项指标数据,如果涉及多个个体,对称条形图就不怎么好用了。有另一种图可以同时展示多个个体的情况,就是发散型条形图!但是它本身也是有限制的,发散型条形图只能展示在某一个指标上多个个体的不同,而对称条形图是展示两个个体在多个指标上的对比,所以在实际应用中需要区分好需要实现的是什么。
到底是什么样的情况,我们还是直接上代码看图片吧:
df_yc = pd.read_excel(r"D:\data\football\球队排名比分2019.xlsx") df_yc.head(10) #查看前十条数据
这是英超2019年个球队的积分数据:
这是所有球队中在2019年积分排名前十的球队信息,绘图的时候所有球队的数据都会包含。
虽然发散型条形图形式和对称条形图类似,条形都是像两个互为相反的方向延申,然而两者还是有一些不同,对称条形图直接在其中一类数据直接取负数,而发散型条形图是在所有数据上都减掉了整体数据的均值,这样大于均值的数据依然为正,而低于均值的数据就会变成负数:
df_yc.积分.mean() #求所有球队的平均积分 df_yc.积分 = df_yc.积分 - df_yc.积分.mean() #所有球队的积分减掉均值 df_yc.sort_values("积分", inplace=True) #依据减掉均值后的积分进行升序排序 df_yc.head(10) #查看最新的前十条数据
由于条形图在绘制过程中是先从最下边开始画,我们希望最小的数值被画在最下边,由下到上升序排序,所以原数据要进行升序排序。
到这里其实什么都不用设置就可以直接出图了(做个心理建设,直接出的图有点丑):
plt.barh(y =df_yc.iloc[:,0],width=df_yc.iloc[:,1],height=0.3 ,color = colors,alpha=0.5);
是不是和曾经见过的发散型条形图长的差不多,除了丑一点。下边来进行一些完善,美化图形。
完善后的代码可就多了很多呢,具体如下:
plt.figure(figsize=(12,8)) #新建画布,尺寸为12*8 colors = [] #指定条形颜色 for i in df_yc.iloc[:,1]: if i > 0: colors.append("g") #超过均值的数值为绿色 else: colors.append("r") #低于均值的数值为红色 #绘制横向条形图,设置条形透明度为0.5,降低色彩饱和度,看起来更舒服一些 plt.barh(y =df_yc.iloc[:,0],width=df_yc.iloc[:,1],height=0.3 ,color = colors,alpha=0.5) pos = [] #指定要添加文本的x轴位置 for i in df_yc.iloc[:,1]: if i > 0: pos.append(i+0.5) #如果数值高于均值,文本在x轴的位置超过条形顶端0.5的距离 else: pos.append(i- 0.5)#如果数值低于均值,文本在x轴的位置小于条形顶端0.5的距离 for i in range(len(df_yc)): #通过循环为每个条形添加标签值 if pos[i] > 0: #plt.text(x轴方向位置,y轴方向位置,添加的文本信息) plt.text(x = pos[i]+0.5,y = i,s = round(df_yc.iloc[:,1].iloc[i],2)) else: plt.text(x = pos[i]-2,y = i,s = round(df_yc.iloc[:,1].iloc[i],2)) plt.title("2019英超各球队积分排名图(积分均值为30.25)") plt.grid(linestyle='--', alpha=0.5); #配置网格线
效果图:
是不是好看了很多,其实就是设置了画布大小,让整个图看起来不那么局促;然后控制条形的上下宽度,再加上标签方便查看每个条形的数据以及加了网格线,看起来就高大上了许多。
这个图很明显能看出英超球队积分参差不齐,没过均线的球队数量几乎是均线上球队数量的两倍,这也说明了好的球队特别好,把均线拉高了,差的球队数量很多,但是水平倒没有差的太离谱;整体来说还是好的球队更厉害,最好的超均线30分,最差的球队也只低于均线16分。
(本人一点都不懂足球,仅仅从2019年的数据中得到的一点点分析结果,之所以选择英超数据单纯的因为体育数据更容易得到一点而已,所以如果分析的不好,还请轻拍。)
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14