前言
本文前期工作是将sqlite数据库内的数据进行连接聚合查询，得到不同维度的数据并保存在本地的csv文件中，然后运用seaborn、matplotlib、pyecharts绘制各种图形
pyecharts绘制地图
pyecharts是一款将python与echarts结合的强大的数据可视化工具，本文主要用地图函数，绘制不同国家消费额的情况。安装完pyrcharts之后记得手动导入地图：
全球国家地图: echarts-countries-pypkg (1.9MB)
中国省级地图: echarts-china-provinces-pypkg (730KB)
中国市级地图: echarts-china-cities-pypkg (3.8MB)
pip install echarts-countries-pypkg
pip install echarts-china-provinces-pypkg
pip install echarts-china-cities-pypkg
maptype：地图类型，可以选择 world、china、省市名
is_piecewise ： 是否分段显示
is_show ： 是否带标记点
from pyecharts.charts import Map
# from pyecharts import options as opts
# import pandas as pd
# os.chdir(r'F:\学习文档\20190801-假期作业\实战数据')
# value = [245584.6105, 230284.6335, 128003.8385, 106925.7765, 81358.3225,
# 58971.31, 56810.629, 54495.14, 50196.29, 49979.905, 33824.855,
# 32661.0225, 31692.659, 23582.0775, 18810.0525, 17983.2, 15770.155,
# 11472.3625, 8119.1, 5735.15, 3531.95]
# country = ['United States', 'Germany', 'Austria', 'Brazil', 'France', 'United Kingdom',
# 'Venezuela', 'Sweden', 'Canada', 'Ireland', 'Belgium', 'Denmark', 'Switzerland',
# 'Mexico', 'Finland', 'Spain', 'Italy', 'Portugal', 'Argentina', 'Norway', 'Poland']
#
# cus_map = Map()
# cus_map.add('Distribution of Customer Spending', [list(z) for z in zip(country, value)], maptype="world",
# is_map_symbol_show=False).set_series_opts(label_opts=opts.LabelOpts(is_show=False)).set_global_opts(
# title_opts=opts.TitleOpts(title=""),
# visualmap_opts=opts.VisualMapOpts(min_= min(value), max_=max(value),is_piecewise=True))
# cus_map.render(path="./下过订单的客户国家分布-分段.html")
使用seaborn展示scatterplot（）四维特征
数据格式：
参数：hue 分类标签
hue_order 分类标签的顺序
size 图标大小显示哪一个属性
sizes 图片大小
marker 分类图标的形状
palette 颜色设置，可通过sns.cubehelix_palette（），sns.color_palette（）设置，分类为3个，所以配色应该筛选三种
os.chdir(r'F:\学习文档\20190801-假期作业\实战数据')
cou_cus_levle_freight = pd.read_csv(r'客户订单数量货物重量消费客户等级.csv')# sns.set(style='white', rc={'figure.figsize': (15, 12)})
sns.set(style='white',)
marker = {"top": "s", "middle": "X", "low":"o"}
cmap = sns.color_palette("Blues", 3)
# cmap=sns.cubehelix_palette(3, start=1, rot=3,)
ax = sns.scatterplot(x="order_count", y="order_total_spead",hue="customer_level", hue_order=['low', 'middle', 'top'],size="sum_freight", sizes=(5, 300),palette=cmap, data=cou_cus_levle_freight)
sns.despine(left=True, bottom=True)
plt.savefig(r'./*******.png')
plt.show()
使用pandas的dataframe绘制柱状堆叠图
刚开始是想使用seaborn的barplot绘制，但是此方法其实是画两个柱状图叠加，针对三列数据一直没想到怎么去实现，最后想到直接使用pandas的datdframe数据的plot.bar（）即可实现，差点南辕北辙了。
数据样式：是一个csv文件
month,2014,2015,2016,sum
1月,0,61258.07,94222.1105,155480.1805
2月,0,38483.635,99415.2875,137898.9225
3月,0,38547.22,104854.155,143401.375
4月,0,53032.9525,123798.6825,176831.635
5月,0,53781.29,18333.6305,72114.9205
6月,0,36362.8025,0,36362.8025
7月,27861.895,51020.8575,0,78882.7525
8月,25485.275,47287.67,0,72772.945
9月,26381.4,55629.2425,0,82010.6425
10月,37515.725,66749.226,0,104264.951
11月,45600.045,43533.809,0,89133.854
12月,45239.63,71398.4285,0,116638.0585
代码：
import pandas as pd
from matplotlib import pyplot as plt
import matplotlib as mpl
import seaborn as snsos.chdir(r'F:\学习文档\20190801-假期作业\实战数据')
month_spead_data = pd.read_csv(r'每年每月的销售额-2.csv', encoding='utf-8',index_col=0).sort_values('sum')
plt.rcParams['font.sans-serif'] = ['SimHei'] # 中文字体设置-黑体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
month_spead_data = month_spead_data.iloc[:,0:3]
sns.set(font='SimHei',style="whitegrid")
f, ax = plt.subplots()
cmap=sns.cubehelix_palette(3, start=1, rot=3)
ax = month_spead_data.plot.barh(stacked=True, color=cmap,)
plt.xlabel('total_spead')
sns.despine()
plt.savefig(r'./不年份不同月份消费额堆叠图.png', dpi=1000, bbox_inches='tight')
plt.show()
结果
用 matplotlib 绘制雷达图
数据样式
CategoryName,USA_Category_count,ALL_Category_count
Beverages,61,404
Dairy Products,55,366
Confections,62,334
Seafood,53,330
Condiments,33,216
Grains/Cereals,33,196
Meat/Poultry,37,173
Produce,18,136代码
import numpy as np
import matplotlib.pyplot as plt
#使用ggplot的绘图风格，这个类似于美化了，可以通过plt.style.available查看可选值，你会发现其它的风格真的丑。。。
plt.style.use('ggplot')
#构造数据
os.chdir(r'F:\学习文档\20190801-假期作业\实战数据')
cate_love = pd.read_csv(r'什么类型的商品最受客户欢迎.csv')
spead_cate_love = pd.read_csv(r'消费最多的国家客户最爱什么类型的商品.csv')values_1 = cate_love.Categorie_count
feature = cate_love.CategoryName
values_2 = spead_cate_love.Category_count #usa#设置每个数据点的显示位置，在雷达图上用角度表示
angles = np.linspace(0, 2 * np.pi, len(values_1), endpoint=False)
#拼接数据首尾，使图形中线条封闭
values_1 = np.concatenate((values_1, [values_1[0]]))
values_2 = np.concatenate((values_2, [values_2[0]]))
angles = np.concatenate((angles, [angles[0]]))fig = plt.figure(figsize=(8,8))
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, values_1, 'o-', linewidth=2, label="All_country")
ax.fill(angles, values_1, alpha=0.25)ax.plot(angles, values_2, 'o-', linewidth=2, label="USA")
ax.fill(angles, values_2, alpha=0.25)#设置图标上的角度划分刻度，为每个数据点处添加标签
ax.set_thetagrids(angles * 180 / np.pi, feature)
#设置雷达图的范围
ax.set_ylim(0, 500)
#添加网格线 loc属性有'upper right', 'upper left', 'lower left',
#'lower right', 'right', 'center left', 'center right', 'lower center', 'upper center', 'center'
plt.legend(loc='best')
plt.title("Customer's favorite product type")
ax.grid(True)
plt.savefig(r'F:\学习文档\20190801-假期作业\实战数据\什么类型的商品受客户喜爱--消费最多国家喜欢买什么类型的商品.png', dpi=1000, bbox_inches='tight')
plt.show()
结果
最后
自己目前只能做到这程度，任重道远。马上入职一个月了，晚上发工资，开心~继续加油