Python数据分析：数据可视化实战教程本文的文字及图片来源于网络,仅供学习

本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理
以下文章来源于碧茂大数据，作者碧茂大数据
文章插图
明确三个步骤：

确定问题，选择图形
转换数据，应用函数
参数设置，一目了然

下面，我们通过案例来进行演示：

%matplotlib inlineimport numpy as npimport pandas as pdimport matplotlib.pyplot as plt #导入pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')#忽略警告

加载数据
数据采用kaggle中的共享单车项目，比赛提供了跨越两年的每小时共享单车租赁数据，包含天气信息和日期信息。
字段说明

datetime（日期） - hourly date + timestamp
season（季节） - 1 = spring, 2 = summer, 3 = fall, 4 = winter
holiday（是否假日） - whether the day is considered a holiday
workingday（是否工作日） - whether the day is neither a weekend nor holiday

weather（天气等级）
Clear, Few clouds, Partly cloudy 清澈，少云，多云。
Mist + Cloudy, Mist + Broken clouds, Mist + Few clouds, Mist 雾+阴天，雾+碎云、雾+少云、雾
Light Snow, Light Rain + Thunderstorm + Scattered clouds, Light Rain + Scattered clouds 小雪、小雨+雷暴+多云，小雨+云
Heavy Rain + Ice Pallets + Thunderstorm + Mist, Snow + Fog 暴雨+冰雹+雷暴+雾，雪+雾
temp（温度） - temperature in Celsius
atemp（体感温度） - "feels like" temperature in Celsius
humidity（相对湿度） - relative humidity

windspeed（风速） - wind speed
casual（临时租赁数量） - number of non-registered user rentals initiated
registered（会员租赁数量） - number of registered user rentals initiated
count（总租赁数量） - number of total rentals
date(日期) - 由datetime拆分得到
hour（小时）-由datetime拆分得到
year（年份）-由datetime拆分得到
month（月份）-由datetime拆分得到
weeekday（周几）-由datetime拆分得到
windspeed_rfr（经过随机森林树填充0值得到的风速）

文章插图
#读取数据#Bikedata = http://kandian.youth.cn/index/pd.read_csv('./Bike.csv')Bikedata.head()

文章插图
#查看描述统计Bikedata.describe()

文章插图

#接下来 ， 我们通过相关系数的大小来依次对特征进行可视化分析#首先 ， 列出相关系数矩阵：df.corr()corrdf = Bikedata.corr()corrdf

文章插图
大致可以看出：会员在工作日出行较多，节假日次数减少，而临时用户相反，第一季度出行人数总体偏低，出行人数受天气影响较大，会员在每天早晚有两个高峰期，对应上下班时间；非会员在下午出行较密集风速对出行人数有较大的影响相对湿度，温度和体感温度对非会员出行影响较大，对会员出行影响较小。