python统计图

⑴ python 有那么神吗

很多对Python不熟悉的人，认为Python在最近这些年的兴起是运气而已。本文帮助大家回顾一下过去十几年Python的3次增长和对应的历史背景。

Python设计之处的特点，包括易学易用，以及作为胶水语言。易学易用是个难以量化的东西，但至少我接触的绝大多数朋友都认同Python在学习和使用上是比大部分语言简单的。有些人不认同Python通常也不是认为Python相对其他语言难学，而是认为Python的运行速度慢，或者动态类型语言的通病。至于胶水语言就比较窄了，面向作为胶水而设计的语言是很少的，印象里只有Lua算得上一个。另一个Python相较其他语言的优势是字符串处理。

以下介绍Python获得发展的3次机遇期。

2006年的搜索/NLP：2006年前后正好是搜索引擎公司发展的爆发期。那一年Google中国李开复搞了关门弟子计划，网络也做了诸多广告，比如网络更懂中文系列。在那个时代搜索引擎就是IT行业的高科技。之后不久，阿里巴巴也搞了个ASC(阿里巴巴搜索技术研究中心)，后来多次追潮流更名，一直作为阿里巴巴内部的前沿研发部门。

而Python用作搜索引擎和NLP是很有历史的。早期Google在90年代开发搜索引擎爬虫就是使用Python实现的。而即便是现在，开发爬虫，Python也基本上就是第一选择。很多人学习Python的入门程序也是爬虫。而Python适合开发爬虫的关键在于Python的字符串处理是很方便的。

也就是从2006年末开始，国内的python-cn邮件列表涌入了大量的新人，并以爬虫为例开始深入学习Python。

2010年的WEB创业潮：2010年开始，国内外出现了新一轮的创业潮，大家开发的是各种各样的网站。此时的WEB开发上，Python已经逐步成为主流WEB服务器开发选项中的一种。相对于同时代的Java和PHP等，有着开发效率上的优势。

正因为早期创业公司需要迅速的迭代和试错，使得这个时代的Python成为了一个不错的选项。进而让更多工程师开始学习起来Python。

也就是从这个时期开始，才逐渐有较多的公司会公开招聘Python工程师。在此前招聘Python工程师的广告是非常非常少见的。

2014年的Deep Learning：从2014年开始火起来的深度学习上，Python的优势是近乎绝对的。深度学习的主流开发语言只有C++和Python两种了，其他语言可以认为根本就没能在这里分到什么像样的空间。所有主流的Deep Learning框架，也是官方直接提供了C++和Python两种接口。而由于C++开发的难度，当前确实有不少从业工程师是直接用Python搞定深度学习的相关步骤。

这次Python的增长期被更多不了解Python的人认为是Python的狗屎运。但其背后的逻辑反倒是非常坚固的。原因就是Python是个很好的胶水。最初的起点是numpy库。

numpy是封装了BLAS的科学计算库。BLAS是对CPU向量指令集高度优化的数学运算库。通过BLAS进行科学计算可以得到顶级的计算性能，这个计算性能比未经向量指令集优化的C程序还能快上数倍。而numpy的另一个重要特点就是，把buffer做了封装，使得buffer的内容是无需Python处理的，而是实际交给特定的软件库来处理，numpy只是负责维护该buffer的生命周期，形状等元数据。这就使得numpy的计算性能不会受到Python的影响，但同时却可以利用Python的易学易用来管理buffer的生命周期。

numpy对buffer的管理带来的易用性优势在后来得到了很大的发展。如以下几点：

• OpenCV：在opencv-python中就是使用了numpy.array来管理图像数据，却没有像C++接口一样使用Mat。同样的顶级性能。

• PyCuda/PyOpenCL：也是利用了numpy.array来透明传递数据给GPU做高性能计算。尤其是集成了JIT，使得可以用字符串的方式传递kernel function，不再像C++一样要独立编译一遍。

• Caffe/TensorFlow：同样利用了numpy.array，并利用了PyCuda/PyOpenCL的集成。

所以这样一路发现下来，由Python是个好胶水，就真的把若干很好用的库全流程的粘在了一起。在流程集成上都是顶级的性能，而没有Python的性能损耗，同时带来了非常好的易用性。

相比其他语言，对这些C/C++库的玩法都是先封装一层对象，包准封装的前后对不上。而且因为大部分语言并不是面向胶水设计，开发C接口都很困难。自然与这些高性能计算库的结合困难重重。累计起来就与Python产生了差距。

题主所提到的R语言，是一种领域相关的语言，是做统计领域的，类似的还有做科学计算的Matlab。如果程序的输出只是一份报告，甚至一份统计图，问题是不大的。但想要成为产品，与其他系统集成则成了难题。一般的服务器部署产品，是不会选择在工程上这么不专业的语言。所以，实际应用时，还是要有工程师负责将算法提取出来，移植到产品级的语言和平台上。举个例子，R虽然可以正常的访问MySQL数据库之类的。但产品级系统中，涉及到memcache、kafka、etcd等，可就没有R语言的接口了。所以这些领域相关语言，写一些自己电脑上跑的小程序还可以，进入产品是没什么希望了。

再者就是因为通用性一直难以跨越出自己的领域，所以这类语言的生命周期一般都不太长，失去自己领域的强支撑后会很快消亡。所以建议题主还是花一些精力去看看业界通用的一些语言。

⑵ python中如何画饼图

饼形图：
饼图是圆形统计图。
整个图表的区域代表100％或全部数据。
饼图中显示的饼图区域代表数据部分的百分比。
饼图的各个部分称为楔形。
楔形的弧长决定饼图中楔形的面积。
楔形的面积决定了零件相对于整体的相对量子或百分比。
饼图经常用于业务演示中，因为它们可以快速概述业务活动，例如销售，运营等。
饼形图还大量用于调查结果，新闻文章，资源使用图（如磁盘和内存）中。
使用Python Matplotlib绘制简单的饼图
可以使用pyplot模块中的函数pie（）绘制饼图。 以下python代码示例使用pie（）函数绘制了一个饼图。
默认情况下，pyplot的pie（）功能沿逆时针方向排列饼图中的饼形或楔形。

⑶ 新手如何学习Python数据分析

python数据分析的门槛较低，如果是python零基础开始学，学习的步骤大概是python基础、数据采集、数据处理、数据分析、数据可视化。
首先学习一点python基础的知识，Python语言基础，函数，文件操作，面向对象，异常处理，模块和包，Linux系统使用，Mysql数据库等；
其次就可以学习一些基本的爬虫，进行数据采集，当然也有很多爬虫工具，直接使用即可。
然后就可以学习数据分析方面知识，主要是学习pandas、numpy等等；
再然后就要学习数据可视化来向别人展现数据，常用matplotlib实现，主要包括一些基本的统计图的绘制，比如条形图，柱状图，散点图。还有一些进阶绘图，比如分位数图，相关系数图等等。还需要掌握3D绘图可视化。

⑷ 如何在python中根据数据库中数据画出可视化统计图

如何在python中根据数据库中数据画出可视化统计图
一：数据格式：
2015-04-02
DXX006
Type1
1
2015-04-02
DXXB11
Type2
1
2010-10-12
DXX001
Other
1

⑸ python中怎么画一个按地区统计的数据都图,

安装所需包——pyecharts。两种安装方式：1、pip install pyecharts；2、从JetBrains PyCharm中 File——>Settings...——>Project——>Project Interpreter 点击右上角的绿色“+”，在搜索框中输入“pyecharts”，点击安装即可（个人习惯用第二种）。

进入pyecharts官网，下载并安装所需地图软件——echarts-china-counties-pypkg

⑹ 如何学python

1. 明确目标
很多人在学习Python之前很少想这个，更多是因为Python很火才学习的，除了这个目标，我们可以定一个更加具有吸引力的目标，比如，很喜欢人工智能机器人，想自己开发一款机器人软件等，也许可以让目标更具持久性!
2. 做好Python系统规划
Python的学习是一个需要长期坚持的过程，要对Python的每一模块的学习制定相应的学习进度，如果你自己制定的计划不合理，可以请有经验人士帮您制定，老男孩教育老师很乐意为您效劳，科学合理的学习进度，能够起到事半功倍的效果，当然，坚持学习是最重要的!
3. 具体的学习手段的选择
对于Python的学习，可以采用自学和报班学习的方式，相比较而言，报班学习无论是从学习效率以及学习成功率来说都是很高的，有条件的可以报Python培训班，还分周末班、网络班和脱产班，能够满足不同需求的人员的培训需求!

⑺ python中如何用筛选过的数据进行图表统计

1. 用JS插件做前端描点 python 提供数据，这个就选择真实样式，输出就可以，好的插件就有flot,charts等等

2. 用python图形库，这个要结合numpy来展示，具体的案列，我给你个网址你看看，写的很详细

   http://python.jobbole.com/84218/
   

⑻ python中怎么画箱线图

如下灰色框里的就是箱形图（英文：Box plot）：又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。

箱形图最大的优点就是不受异常值的影响，可以以一种相对稳定的方式描述数据的离散分布情况。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

data = [1200, 1300, 1400, 1500, 1600, 1700, 1800, 1900, 2000, 2100]

df = pd.DataFrame(data)
df.plot.box(title="hua tu")
plt.grid(linestyle="--", alpha=0.3)
plt.show()

⑼ 如何用python绘制简单条形图

如何用python绘制简单条形图呢？这里离不开matplotlib的使用。
条形图是数据可视化图形中很基础也很常用的一种图，简单解释下：条形图也叫长条图（英语：bar chart），亦称条图（英语：bar graph）、条状图、棒形图、柱状图、条形图表，是一种以长方形的长度为变量的统计图表。长条图用来比较两个或以上的价值（不同时间或者不同条件），只有一个变量，通常利用于较小的数据集分析。长条图亦可横向排列，或用多维方式表达。
那么一个普通的条形图是长什么样子的呢？
当！当！当！就是下图的这个样子：
图先亮出来啦，接下来研究这个图是怎么画的吧，先看一下原数据长什么样子：
实际画图的流程和画折线图很相近，只是用到的画图函数不一样，绘制条形图的函数plt.bar（）：
由于这只是最简单的一个条形图，实际上条形图的函数plt.bar（）还有不少可以探索的参数设置，和对折线图函数plt.plot()的探索差不多，有兴趣的孩子可以自己去进行探索哦。
按照条形长短进行排序展示的条形图
当然也可以有其他的设置，比如说上图中的线条高低参差不齐，这是因为x轴的数据是按照学校名称进行排序的，那么可不可以按照分数的高低进行排序呢？也就是让所有的长方形按照从高到矮或者从矮到高的顺序进行排列？
当然可以啦！这里需要强调的是，条的高低排列等信息都是来源于原数据的，要想让条形的顺序发生改变，需要对画图的来源数据进行更改呢！
把原数据逆序排序后截取前十名数据赋值给data_yuwen，作为新的数据源传入画图函数plt.bar()，画出来的图自然就不一样了。
先看一眼数据长什么样子：
根据这个数据源绘制出的图形如下，由于用来画图的数据进行了降序排序操作，所以生成条形图的条也会进行降序排序展示：
很多时候，我们常见的条形图还有另一种展现形式，那就是横向的条形图，比较火的那种动态条形图绝大多数也都是横向的条形图，那么横向的条形图如何绘制呢？
理解plt.bar()主要参数
其实也不难，只要清楚plt.bar()函数中主要参数的作用就可以了！条形图函数中有五个主要参数，分别是x，height，width，bottom，orientation。其中x控制的是每个条在x轴上位置，height控制的是每个条的长度，width控制的是每个条的宽度，bottom控制的是每个条在y轴方向的起始位置，orientation控制的是条形的方向，是纵向还是横向，默认是纵向的。
通过一个小例子理解下这几个参数的作用：
上边的几行代码输出的图形如下：
对比着代码和实际输出的条形图，各个主要参数的作用是不是一目了然啦？
横向条形图
理解了这几个参数作用后，纵向的条形图转换成横向的条形图就没什么难度了！
需要设置所有条形在x轴的位置都为0，也就全部从最左侧开始画条形;由于是横向条形图，所以实际上条的宽度显示的是数据大小，将width参数设置成原数据中的语文成绩；bottom控制每个条在y轴方向的起始位置，设置bottom=range（10）设置每个条形在y轴的起始位置各不相同避免有条形重叠；height控制的是每个条在y轴方向上的长度，条形图横向设置后，在y轴上的长度失去了衡量数据的意义，所以直接设置一个常数即可；最后设置条形的方向为横向，即orientation=“horizontal”。
温馨提示：数据和标签一定要匹配，即plt.bar()重点的数据要和plt.yticks()中提取出来的标签一一对应，一旦不匹配，整个图展现的结果就是一个错误的结果！
上述代码生成的条形图如下：
感觉上边这种生成横向条形图的方式有点点绕，和人们的习惯认知有点不大一样，难道画一个横向条形图就非得转变自己的习惯认知这么反人类吗？
当然不是的，实际上有更简单的方法绘制一个横向条形图，之所以没有一开始就直接用这种简单的方法，也是为了让大家体会下条形图参数的灵活设置而已，而且如果比较绕的方法都能理解了，简单的方法理解和运用起来就更没有难度了啊！
不卖关子了，我们来认识下和plt.bar()函数类似的plt.barh()函数。
plt.barh()函数是专门绘制水平条形图的函数，主要的参数有：
y 控制y轴显示的标签来源width 控制横向条形的长度，即用来进行对比的数据源height 条形的宽度需要设置的参数主要就是这三个，比用plt.bar()函数绘制水平条形图简单了很多，具体代码如下：
效果图：
和用plt.bar()函数绘制的横向条形图一毛一样对不对？以后有需求绘制横向条形图，尽量用plt.barh()函数吧，毕竟它是专门绘制这种类型图的，简单好用。
然而实际工作中对于条形图的需求不只是这些，比如例子中只是对各个学校语文成绩的展示，有时候需要各个学科的成绩同时展现在一幅条形图中，有时候也需要绘制堆积条形图对各学科的成绩以及总成绩进行展示，这些图又该如何绘制呢？其实只要理解了各个参数的含义，绘制这些图也不在话下，至于具体怎么画，且看下回分解啊！

⑽ python matlab画灰度图统计图

个人意见，一个图里面，一个横坐标你是想怎样对应多个纵坐标值喃，你还需要一个标准在图里表示某列里某个像素值的发布情况，就有3个变量，xyz轴3D图应该更清晰，或者每列里面的每个像素值在xy轴里有一个区间，类似表格，该区间的颜色表示发布多少情况。