[Python数据可视化]探讨数据可视化的实际应用:三个案例分析

数据可视化是理解复杂数据集的重要工具,通过图形化的方法,可以直观地展示信息、趋势和模式。本文将深入探讨三个实际案例,包括健康数据分析、销售趋势分析、城市交通流量分析。每个案例将提供假设数据、详细注释的代码及分析结果。

案例 1: 健康数据分析

背景

分析城市居民的体重指数(BMI)分布,帮助公共健康部门识别潜在的健康问题。

假设数据

  • age_group: 年龄组(如 "18-25", "26-35", 等)
  • bmi: 体重指数
  • count: 每个年龄组的居民人数

代码

python 复制代码
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 假设数据
data = {
    'age_group': ['18-25', '26-35', '36-45', '46-55', '56-65', '66+'],
    'bmi': [22.0, 24.5, 27.0, 28.5, 29.0, 26.5],
    'count': [200, 300, 250, 150, 100, 50]
}

health_data = pd.DataFrame(data)

# 绘制条形图
plt.figure(figsize=(10, 6))
sns.barplot(x='age_group', y='count', data=health_data, palette='Blues')
plt.title('Distribution of Residents by Age Group', fontsize=16)
plt.xlabel('Age Group', fontsize=14)
plt.ylabel('Number of Residents', fontsize=14)
plt.grid(axis='y')

# 增加BMI指标
for index, row in health_data.iterrows():
    plt.text(index, row['count'] + 5, f"BMI: {row['bmi']}", color='black', ha='center')

plt.show()

分析结果

通过条形图和BMI信息,我们可以看出,年龄较大的群体BMI普遍较高,这可能暗示他们面临更高的健康风险。公共健康部门可以针对高BMI的年龄组开展健康教育和体检活动。


案例 2: 销售数据分析

背景

分析电商平台的销售数据,以识别最佳销售季节,指导营销策略。

假设数据

  • month: 销售月份
  • sales: 销售额(单位:万元)

代码

python 复制代码
# 假设数据
months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
sales = [20, 35, 30, 40, 50, 70, 90, 100, 80, 60, 50, 30]
promotions = [1, 2, 1, 2, 3, 5, 6, 7, 4, 2, 1, 1]

sales_data = pd.DataFrame({'month': months, 'sales': sales, 'promotions': promotions})

# 绘制双Y轴折线图
fig, ax1 = plt.subplots(figsize=(12, 6))

ax2 = ax1.twinx()
ax1.plot(sales_data['month'], sales_data['sales'], marker='o', color='orange', label='Sales')
ax2.plot(sales_data['month'], sales_data['promotions'], marker='s', color='blue', label='Promotions', linestyle='--')

ax1.set_title('Monthly Sales Trends and Promotions', fontsize=16)
ax1.set_xlabel('Month', fontsize=14)
ax1.set_ylabel('Sales (in ten thousand)', fontsize=14, color='orange')
ax2.set_ylabel('Number of Promotions', fontsize=14, color='blue')

ax1.tick_params(axis='y', labelcolor='orange')
ax2.tick_params(axis='y', labelcolor='blue')
ax1.grid()

fig.legend(loc="upper left", bbox_to_anchor=(0.15, 0.85), bbox_transform=ax1.transAxes)
plt.xticks(rotation=45)
plt.savefig('sales.jpg')
plt.show()

分析结果

折线图展示了销售的季节性趋势。7-8月的销售额达到最高,电商可以在此时增加营销预算以提升销售。


案例 3: 城市交通流量分析

背景

分析城市主要路段的交通流量,识别高峰时段以优化交通管理。

假设数据

  • datetime: 时间(每小时记录一次)
  • road_id: 路段编号
  • vehicle_count: 车辆数量

代码

python 复制代码
# 假设数据
date_range = pd.date_range(start='2023-01-01', periods=24, freq='h')
road_ids = [1, 2, 3]
vehicle_counts = [np.random.poisson(lam=50 + i*10, size=24) for i in road_ids]

traffic_data = pd.DataFrame({
    'datetime': np.tile(date_range, len(road_ids)),
    'road_id': np.repeat(road_ids, len(date_range)),
    'vehicle_count': np.concatenate(vehicle_counts)
})

# 绘制热力图
plt.figure(figsize=(10, 6))
# 使用 pivot 方法创建数据透视表
heatmap_data = traffic_data.pivot(index='road_id', columns='datetime', values='vehicle_count')
sns.heatmap(heatmap_data, cmap="YlGnBu", cbar_kws={'label': 'Vehicle Count'})
plt.title('Traffic Volume Heatmap', fontsize=16)
plt.xlabel('Hour of the Day', fontsize=14)  # 更新 x 轴标签
plt.ylabel('Road ID', fontsize=14)

# 设置 x 轴刻度标签
plt.xticks(np.arange(0.5, heatmap_data.shape[1] + 0.5, 1), np.arange(1, heatmap_data.shape[1] + 1))

plt.tight_layout()
plt.savefig('Traffic.jpg')
plt.show()

分析结果

热力图显示了不同路段在一天内的交通流量变化,高峰时段明显,交通管理部门可以根据这些数据优化信号灯时长和交通流向。


总结

以上三个案例展示了数据可视化在健康、销售、交通中的实际应用。通过直观的图形化展示,决策者能够快速理解数据背后的趋势与模式,为优化策略提供数据支持。这些示例强调了数据可视化的重要性,能够帮助各行各业做出更为明智的决策。

相关推荐
Q264336502323 分钟前
【有源码】基于Python与Spark的火锅店数据可视化分析系统-基于机器学习的火锅店综合竞争力评估与可视化分析-基于用户画像聚类的火锅店市场细分与可视化研究
大数据·hadoop·python·机器学习·数据分析·spark·毕业设计
unicrom_深圳市由你创科技23 分钟前
工业上位机,用Python+Qt还是C#+WPF?
python·qt·c#
njsgcs29 分钟前
json转excel python pd
python·json·excel·pd
一晌小贪欢1 小时前
Python爬虫第7课:多线程与异步爬虫技术
开发语言·爬虫·python·网络爬虫·python爬虫·python3
yanxing.D3 小时前
OpenCV轻松入门_面向python(第六章 阈值处理)
人工智能·python·opencv·计算机视觉
JJJJ_iii4 小时前
【机器学习01】监督学习、无监督学习、线性回归、代价函数
人工智能·笔记·python·学习·机器学习·jupyter·线性回归
Python图像识别7 小时前
71_基于深度学习的布料瑕疵检测识别系统(yolo11、yolov8、yolov5+UI界面+Python项目源码+模型+标注好的数据集)
python·深度学习·yolo
千码君20168 小时前
React Native:从react的解构看编程众多语言中的解构
java·javascript·python·react native·react.js·解包·解构
淮北4949 小时前
windows安装minicoda
windows·python·conda
weixin_5195357710 小时前
从ChatGPT到新质生产力:一份数据驱动的AI研究方向指南
人工智能·深度学习·机器学习·ai·chatgpt·数据分析·aigc