可视化 on 桃花岛种桃

用 Pyecharts 绘制足迹地图

Sun, 13 Aug 2023 12:11:33 +0000

之前上网发现一个好玩的在线工具：中国制霸生成器，可以标记去过的地方，制作自己的足迹地图。

但这个工具只能标记省级行政区，有些颗粒度太粗，比如去过郫县，在地图上就会体现为去过四川。于是想看看有其他工具没有。然后发现 Pyecharts 可以绘制地图，设置一下就能生成足迹地图，而且生成的是可以交互的地图 html 文件，不是图片。如果想要图片进行分享，截个图就 OK。

Pyecharts是个Python的绘图库，除了地图，还能绘制其他很多类型的可视化图像，具体可参考Pyechart官网。

用 seaborn 绘制数据分布统计图

Mon, 21 Nov 2022 14:09:10 +0000

数据文件为 Libreoffice 编制的 ods 类型，为了能直接读取 ods 文件生成 dataframe 格式数据，安装 pandas_ods_reader 包。

`1`	`pip install pandas_ods_reader`

然后导入相关库，读取数据。

1
2
3
4
5
6
7


import seaborn as sns
import pandas as pd
from pandas_ods_reader import read_ods
%matplotlib inline


ffftime = read_ods('dataset.ods', 1)

1
2
3


# 挑取目标列数据
thedata = ffftime.loc[ffftime['人种']=='黄', ['连续输出1']]
print(len(thedata))

目标列中一共有 195 个待分析数据。对这些数据绘制直方图，查看各数据段内的分布占比，图中柱宽为 2。

1
2
3
4
5
6
7
8
9


# 绘制密度分布图
rc = {'axes.unicode_minus': False}
sns.set(context='notebook', style='ticks', font='simhei', rc=rc)
ax = sns.histplot(data=thedata, x='连续输出1', binwidth=2, stat='proportion')
x = range(0, 50, 5)
ax.set_xticks(x)
ax.set_ylabel("占比", fontsize=14)
ax.set_xlabel("连续输出时间/min", fontsize=14)
ax.set_title('连续输出时间样本统计', fontsize=14)

从占比直方图可以看出，5~7min 为占比最多区间，大约的18.5%样本落在此区间。

设置 seaborn 绘图中的字体及字体大小

Wed, 24 Nov 2021 00:00:00 +0000

1 设置 seaborn 绘图中的字体

Seaborn 基于 Matplotlib，Matplotlib 基于 Python，Python 运行于电脑系统中。

因此，要在 Seaborn 中使用某款字体，该字体要满足以下条件：

字体已安装在系统中；
Python 能检索到此字体；
Matplotlib 字体缓存中能检索到此字体；
绘图时在 Seaborn 中设置使用该字体。

1.1 在电脑上安装字体

以「文泉驿微米黑」字体为例，下载到的字体安装包为「文泉驿微米黑.ttf」，双击会自动打开系统自带的字体管理器，点击安装既可。

用 seaborn 绘图，分析西北七市潮湿度变化

Tue, 16 Nov 2021 00:00:00 +0000

年初写了篇文章《2020 年，西安气温变舒适了》，通过对过去几年平均月度气温的分析，可看出： 2020 年西安确实变温暖了，但夏天却比其他年份要稍微凉快点。

根据生活体验，除了气温，感觉近几年也越来越潮湿。年中网上有篇文章，标题大意是「西北地区正变得湿热，西安恐成最大赢家」，这说法相当惊艳。反正找数据，顺带找来西北七个市区的，一同分析下是不是这样。

气相数据集来自一款软件「小麦芽」，内容为各地气象站逐年数据，分别是：泾河站（西安）、榆中站（兰州）、银川站、酒泉站、西宁站、格尔木站、乌鲁木齐站。有五个气象站位于西北五省省会，甘肃和青海因为地域太广袤，各选了距离一千多公里的两个气相站。数据集中与潮湿有关的参数有四个：年降水量、年降水天数、露点温度、单日最大降水量。

学习 seaborn [07]: 绘制累积条形图

Mon, 08 Nov 2021 14:56:20 +0000

使用 seaborn 绘制累积条形图

最近想看下某地区近几年降雨量如何变化，获得的数据是分年分月的，打算绘制按年份累积每月降雨量的条形图。搜索教程，主要有以下几种方法。

方法1：使用 seaborn 的 barplot() 函数，在 x 相同位置，分别绘制1~~12月累积量、1~~11月累积量、1~10月累积量，以此类推直至1月降雨量。每次绘制使用颜色不同，后绘制的相当于把前绘制的条状遮住一部分。需要调用12次 barplot() 函数。参考文章点这里
方法2：使用 matplotlib 的 bar() 函数，按年分别绘制每月的降雨量条形图，通过参数bottom指定所绘制的月份条形图下方是哪个月的条形图，相当于一层一层的柱子码起来。需要调用12次 bar() 函数。参考文章点这里
方法3：使用 seaborn 的 histplot() 函数，设置 multiple 参数为 stack，weights 参数为需要累积的量，既可绘制累积条形图。只需条用1次 histplot() 函数。参考文章点这里。这篇文章另外还介绍了如何使用 matplotlib、pandas、plotnine、altair 绘制累积条形图。

前两种方法太繁琐，采用第3种方法。搜相关教程有个感悟，要想快速准确找到资料，搜英文文章，或者直接在 seaborn 官方教程找。

《可视化沟通》读后

Sat, 12 Nov 2016 00:00:00 +0000

这本书可以作为了解信息图的入门，所讲内容更贴切于互联网行业和广告营销方面。对于科研或工程行业，要用信息图表达一些严肃且全面的内容，可能就不能按作者在本书所讲的方式去处理信息图。

总结了一些自己觉得有用的内容。

信息图的意义

创造语境来表达数据或流程，以致数据或流程能够被理解。
1. 并不是所有信息图都需要统计数据，如地铁线路图、摇滚乐发展历史之类的信息图就没有数据可视化；
2. 创造语境经常用对比的方式，如用全世界人口数来对比网民人数，体现网络的普及。
信息图的优点来自于「图像优势」，即图像比文字更能加深记忆。
1. 信息图的图像需与数据相关；
2. 图像元素主要是数据可视化和插画。
「对于信息图中传递的任何信息，读者们都应该保持怀疑，大部分人没有太强的批判性思考精神」。

信息图分类

作为可视化解释的信息图：不含有数据可视化，但用图像来表达主题。