利用pandas對數據進行預處理然后再使用matplotlib對處理后的數據進行數據可視化是數據分析中常用的方法。
第一組例子(星巴克咖啡店)
假如我們現在有這樣一組數據：星巴克在全球的咖啡店信息，如下圖所示。數據來源：starbucks_store_locations。
店鋪總數排名前10的國家
# coding=utf-8
# 統計店鋪數排名前10的國家
import pandas as pd
from matplotlib import pyplot as plt
from matplotlib import font_manager
# 准備工作
font = font_manager.FontProperties(fname="/usr/share/fonts/truetype/wqy/wqy-microhei.ttc")
file_path = "./starbucks_store_worldwide.csv"
df = pd.read_csv(file_path)
# 處理數據
data1 = df.groupby(by="Country").count().sort_values(by="Brand", ascending=False)[:10]["Brand"]
_x = data1.index
_y = data1.values
# 畫圖
plt.figure(figsize=(10,8), dpi=80)
plt.bar(range(len(_x)), _y, width=0.5)
plt.xticks(range(len(_x)), _x)
plt.xlabel("國家", fontproperties=font)
plt.ylabel("店鋪數", fontproperties=font)
plt.title("星巴克咖啡店鋪數排行前10（國家）", fontproperties=font, size=20)
plt.show()
結果如圖：
中國店鋪數排名前20的城市
# coding=utf-8
# 統計中國店鋪數排名前20的城市
import pandas as pd
from matplotlib import pyplot as plt
from matplotlib import font_manager
font = font_manager.FontProperties(fname="/usr/share/fonts/truetype/wqy/wqy-microhei.ttc")
file_path = "./starbucks_store_worldwide.csv"
df = pd.read_csv(file_path)
# 處理數據
df = df[df["Country"] == "CN"]
data1 = df.groupby(by="City").count().sort_values(by="Brand", ascending=False)[:20]["Brand"]
_x = list(data1.index)
_y = list(data1.values)
# 畫圖
plt.figure(figsize=(20,8), dpi=80)
plt.bar(range(len(_x)), _y)
# 添加條形圖數值
for xx, yy in zip(range(len(_x)),_y):
plt.text(xx, yy+5, str(yy), ha='center')
plt.xticks(range(len(_x)), _x, fontproperties=font)
plt.yticks(range(max(_y)+50)[::50])
plt.xlabel("城市", fontproperties=font)
plt.ylabel("店鋪數", fontproperties=font)
plt.title("中國星巴克咖啡店鋪數排行前20（城市）", fontproperties=font, size=20)
plt.show()
結果如圖：
第二組例子（世界排行前10000書籍信息）
假如我們現在有這樣一組數據：世界排行前10000書籍信息，如下圖所示。數據來源：books。
各年份書籍平均評分
# coding=utf-8
import pandas as pd
from matplotlib import pyplot as plt
file_path = "./books.csv"
pd.set_option('display.max_columns', 100)
df = pd.read_csv(file_path)
# 不同年份書籍的平均評分
# 去除NaN
data1 = df[pd.notnull(df["original_publication_year"])]
#
print(type(data1))
grouped = data1["average_rating"].groupby(by=data1["original_publication_year"]).mean()
print(grouped)
_x = grouped.index
_y = grouped.values
plt.figure(figsize=(20, 8), dpi=80)
plt.plot(range(len(_x)), _y)
plt.xticks(range(len(_x))[::15], _x[::15].astype(int), rotation=45)
plt.grid()
plt.show()
結果如圖：
由於公元前的年份書籍較少，每年只有一本，所以數據波動幅度會很大，越往后就會越趨於平穩
911緊急求救電話信息
這個案例不牽扯繪圖，但是這個案例中有個很重要的問題就是關於對數據進行遍歷的問題。數據來源：Emergency - 911 Calls
假如我們要讀取這個數據文件中各類求救電話的數量，應該怎么做呢？我們首先來看一下這個數據文件的基本信息。
# coding=utf-8
import pandas as pd
import numpy as np
file_path = "./911.csv"
pd.set_option('display.max_columns', 100)
df = pd.read_csv(file_path)
print(df.info())
結果如下：
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 249737 entries, 0 to 249736
Data columns (total 9 columns):
lat 249737 non-null float64
lng 249737 non-null float64
desc 249737 non-null object
zip 219391 non-null float64
title 249737 non-null object
timeStamp 249737 non-null object
twp 249644 non-null object
addr 249737 non-null object
e 249737 non-null int64
dtypes: float64(3), int64(1), object(5)
memory usage: 17.1+ MB
None
Process finished with exit code 0
可以看到這個數據文件竟然有25萬行之多- -
我們再查看他的第一行信息：
print(df.head(1))
結果如下：
lat lng desc \
0 40.297876 -75.581294 REINDEER CT & DEAD END; NEW HANOVER; Station ...
zip title timeStamp twp \
0 19525.0 EMS: BACK PAINS/INJURY 2015-12-10 17:10:52 NEW HANOVER
addr e
0 REINDEER CT & DEAD END 1
Process finished with exit code 0
可以看到類型適合具體事項都歸類在了title里面，所以我們第一步首先要將類型和具體事項分隔開：
data1 = df["title"].str.split(": ").tolist()
# 這里我們直接對所得分類做了去重操作
data2 = set([i[0] for i in data1])
下面關鍵的一步，我們要統計各個分類下的求救電話數量。因為這個數據有25w行，所以如果像我之前的文章中去一行一行的遍歷，程序的速度就會變得非常慢。這里我們使用for循環來遍歷分類列表，則會快很多。
# 創建全0數組方便下一步的統計
a = pd.DataFrame(np.zeros((df.shape[0], len(data2))), columns=data2, dtype=int)
# 這一步就是將a中與原數據中相同索引行，但title中包含i類型求助信息的那個值置為1
for i in data2:
a[i][df["title"].str.contains(i)] = 1
a_sum = a.sum(axis=0).sort_values(ascending=False)
print(a_sum)
結果如下：
EMS 124844
Traffic 87465
Fire 37432
dtype: int64