Python pandas数据可视化教程如何将数据分析结果输出为精美图片

威震华夏关云长

引言

在数据分析领域，可视化是不可或缺的一环。通过图表，我们可以更直观地展示数据中的模式、趋势和关系。Python的pandas库作为数据分析的强大工具，提供了丰富的数据可视化功能。本教程将详细介绍如何使用pandas进行数据可视化，并将分析结果输出为精美图片，使你的数据分析报告更加专业和吸引人。

准备工作

在开始之前，我们需要确保安装了必要的Python库。除了pandas，我们还需要matplotlib和seaborn这两个常用的可视化库。

2. # 安装必要的库
3. !pip install pandas matplotlib seaborn
5. # 导入库
6. import pandas as pd
7. import matplotlib.pyplot as plt
8. import seaborn as sns
9. import numpy as np
11. # 设置中文字体显示
12. plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
13. plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

复制代码

Pandas内置的可视化功能

Pandas内置了基于matplotlib的可视化功能，可以直接对Series和DataFrame对象调用plot()方法进行绘图。

基本绘图方法

2. # 创建示例数据
3. np.random.seed(0)
4. df = pd.DataFrame({
5.     'A': np.random.randn(100).cumsum(),
6.     'B': np.random.randn(100).cumsum(),
7.     'C': np.random.randn(100).cumsum()
8. }, index=pd.date_range('2020-01-01', periods=100))
10. # 使用pandas内置的plot方法
11. df.plot(figsize=(10, 6))
12. plt.title('随机累积和趋势图')
13. plt.xlabel('日期')
14. plt.ylabel('值')
15. plt.grid(True)
16. plt.show()

复制代码

这段代码创建了一个包含三列随机累积和的DataFrame，并使用plot()方法绘制了折线图。figsize参数用于设置图表大小，title、xlabel和ylabel分别设置图表标题和坐标轴标签，grid(True)添加网格线。

不同类型的图表

Pandas支持多种类型的图表，通过kind参数指定：

2. # 创建示例数据
3. df_sales = pd.DataFrame({
4.     '产品': ['A', 'B', 'C', 'D', 'E'],
5.     '销量': [120, 150, 180, 200, 90],
6.     '利润': [30, 45, 60, 70, 25]
7. })
9. # 柱状图
10. df_sales.plot(x='产品', y='销量', kind='bar', figsize=(10, 6))
11. plt.title('产品销量柱状图')
12. plt.xlabel('产品')
13. plt.ylabel('销量')
14. plt.xticks(rotation=0)  # 旋转x轴标签
15. plt.show()
17. # 饼图
18. df_sales.set_index('产品')['销量'].plot(kind='pie', figsize=(8, 8), autopct='%1.1f%%')
19. plt.title('产品销量占比')
20. plt.ylabel('')  # 移除y轴标签
21. plt.show()
23. # 散点图
24. df_sales.plot(x='销量', y='利润', kind='scatter', figsize=(8, 6))
25. plt.title('销量与利润关系')
26. plt.xlabel('销量')
27. plt.ylabel('利润')
28. for i, txt in enumerate(df_sales['产品']):
29.     plt.annotate(txt, (df_sales['销量'][i], df_sales['利润'][i]))
30. plt.grid(True)
31. plt.show()

复制代码

这段代码展示了三种不同类型的图表：柱状图、饼图和散点图。柱状图适合比较不同类别的数值，饼图适合展示占比关系，散点图适合展示两个变量之间的关系。

使用Seaborn增强可视化效果

Seaborn是基于matplotlib的高级可视化库，提供了更美观的默认样式和更丰富的图表类型。

Seaborn基础用法

2. # 设置Seaborn样式
3. sns.set_style("whitegrid")
4. sns.set_context("notebook", font_scale=1.2)
6. # 创建示例数据
7. tips = sns.load_dataset("tips")
9. # 使用Seaborn绘制散点图
10. plt.figure(figsize=(10, 6))
11. sns.scatterplot(x="total_bill", y="tip", hue="sex", size="size", data=tips)
12. plt.title('账单金额与小费关系')
13. plt.xlabel('账单金额')
14. plt.ylabel('小费')
15. plt.show()

复制代码

这段代码使用Seaborn的scatterplot函数绘制了一个散点图，通过hue参数按性别着色，通过size参数按聚会人数调整点的大小，展示了账单金额与小费之间的关系。

Seaborn高级图表

2. # 箱线图
3. plt.figure(figsize=(10, 6))
4. sns.boxplot(x="day", y="total_bill", hue="smoker", data=tips)
5. plt.title('不同日期和吸烟状态的账单金额分布')
6. plt.xlabel('星期')
7. plt.ylabel('账单金额')
8. plt.show()
10. # 热力图
11. # 计算相关系数矩阵
12. corr = tips.corr()
13. plt.figure(figsize=(8, 6))
14. sns.heatmap(corr, annot=True, cmap='coolwarm', vmin=-1, vmax=1)
15. plt.title('变量相关性热力图')
16. plt.show()
18. # 成对关系图
19. sns.pairplot(tips, hue="sex")
20. plt.suptitle('变量成对关系图', y=1.02)
21. plt.show()

复制代码

这段代码展示了三种Seaborn的高级图表：箱线图、热力图和成对关系图。箱线图展示了数据的分布情况，热力图展示了变量间的相关性，成对关系图则同时展示了多个变量两两之间的关系。

美化图表

要让图表更加精美，我们需要对图表的各个方面进行调整，包括颜色、字体、标签等。

调整颜色和样式

2. # 创建示例数据
3. df_colors = pd.DataFrame({
4.     '类别': ['A', 'B', 'C', 'D', 'E'],
5.     '值': [23, 45, 56, 78, 32]
6. })
8. # 自定义颜色
9. colors = ['#FF6B6B', '#4ECDC4', '#FFD166', '#6A0572', '#1A535C']
11. # 绘制带有自定义颜色的柱状图
12. plt.figure(figsize=(10, 6))
13. bars = plt.bar(df_colors['类别'], df_colors['值'], color=colors)
15. # 添加数据标签
16. for bar in bars:
17.     height = bar.get_height()
18.     plt.text(bar.get_x() + bar.get_width()/2., height,
19.              f'{height}',
20.              ha='center', va='bottom')
22. # 设置标题和标签
23. plt.title('自定义颜色的柱状图', fontsize=16, fontweight='bold')
24. plt.xlabel('类别', fontsize=12)
25. plt.ylabel('值', fontsize=12)
27. # 设置刻度标签大小
28. plt.xticks(fontsize=10)
29. plt.yticks(fontsize=10)
31. # 移除边框
32. for spine in plt.gca().spines.values():
33.     spine.set_visible(False)
35. # 添加水平网格线
36. plt.grid(axis='y', alpha=0.3)
38. plt.show()

复制代码

这段代码展示了如何自定义柱状图的颜色、添加数据标签、调整字体大小、移除边框和添加网格线等美化操作。

创建子图

2. # 创建示例数据
3. np.random.seed(0)
4. df_subplots = pd.DataFrame({
5.     'A': np.random.randn(100),
6.     'B': np.random.randn(100),
7.     'C': np.random.randn(100),
8.     'D': np.random.randn(100)
9. })
11. # 创建2x2的子图
12. fig, axes = plt.subplots(2, 2, figsize=(12, 10))
13. fig.suptitle('多子图示例', fontsize=16, fontweight='bold')
15. # 绘制第一个子图：直方图
16. df_subplots['A'].plot(kind='hist', ax=axes[0, 0], bins=20, color='skyblue')
17. axes[0, 0].set_title('A列直方图')
18. axes[0, 0].set_xlabel('值')
19. axes[0, 0].set_ylabel('频数')
21. # 绘制第二个子图：箱线图
22. df_subplots[['B', 'C']].plot(kind='box', ax=axes[0, 1])
23. axes[0, 1].set_title('B和C列箱线图')
24. axes[0, 1].set_xlabel('列')
25. axes[0, 1].set_ylabel('值')
27. # 绘制第三个子图：散点图
28. df_subplots.plot(kind='scatter', x='A', y='B', ax=axes[1, 0], color='coral')
29. axes[1, 0].set_title('A和B列散点图')
30. axes[1, 0].set_xlabel('A列值')
31. axes[1, 0].set_ylabel('B列值')
33. # 绘制第四个子图：折线图
34. df_subplots['D'].cumsum().plot(kind='line', ax=axes[1, 1], color='green')
35. axes[1, 1].set_title('D列累积和折线图')
36. axes[1, 1].set_xlabel('索引')
37. axes[1, 1].set_ylabel('累积值')
39. # 调整子图间距
40. plt.tight_layout()
41. plt.subplots_adjust(top=0.9)
43. plt.show()

复制代码

这段代码展示了如何创建包含四个子图的图表，每个子图展示不同类型的可视化效果，并通过tight_layout()和subplots_adjust()调整子图间距，使整体布局更加美观。

将可视化结果保存为图片

完成数据可视化后，我们需要将结果保存为图片，以便在报告、演示文稿或网页中使用。

基本保存方法

2. # 创建示例图表
3. plt.figure(figsize=(10, 6))
4. x = np.linspace(0, 10, 100)
5. y = np.sin(x)
6. plt.plot(x, y, 'b-', linewidth=2, label='sin(x)')
7. plt.fill_between(x, y, alpha=0.2)
8. plt.title('正弦函数图像', fontsize=16)
9. plt.xlabel('x', fontsize=12)
10. plt.ylabel('sin(x)', fontsize=12)
11. plt.legend(fontsize=12)
12. plt.grid(True, alpha=0.3)
14. # 保存图表为PNG格式
15. plt.savefig('sine_function.png', dpi=300, bbox_inches='tight')
17. # 保存图表为PDF格式
18. plt.savefig('sine_function.pdf', bbox_inches='tight')
20. # 保存图表为SVG格式
21. plt.savefig('sine_function.svg', bbox_inches='tight')
23. plt.show()

复制代码

这段代码展示了如何将图表保存为不同的格式，包括PNG、PDF和SVG。dpi参数设置图片的分辨率（每英寸点数），bbox_inches='tight'参数确保保存的图片包含所有标签和标题。

高级保存选项

2. # 创建示例图表
3. fig, ax = plt.subplots(figsize=(10, 6))
4. categories = ['A', 'B', 'C', 'D', 'E']
5. values = [23, 45, 56, 78, 32]
6. bars = ax.bar(categories, values, color=plt.cm.viridis(np.linspace(0, 1, len(categories))))
8. # 添加数据标签
9. for bar in bars:
10.     height = bar.get_height()
11.     ax.text(bar.get_x() + bar.get_width()/2., height,
12.             f'{height}',
13.             ha='center', va='bottom', fontsize=12)
15. # 设置标题和标签
16. ax.set_title('高级保存选项示例', fontsize=16, fontweight='bold', pad=20)
17. ax.set_xlabel('类别', fontsize=12, labelpad=10)
18. ax.set_ylabel('值', fontsize=12, labelpad=10)
20. # 设置刻度标签
21. ax.tick_params(axis='both', which='major', labelsize=10)
23. # 设置边框
24. for spine in ax.spines.values():
25.     spine.set_visible(False)
27. # 添加水平网格线
28. ax.grid(axis='y', alpha=0.3)
30. # 添加水印
31. fig.text(0.95, 0.05, 'Confidential',
32.          fontsize=40, color='gray',
33.          ha='right', va='bottom', alpha=0.3, rotation=15)
35. # 设置透明背景
36. fig.patch.set_alpha(0)
38. # 保存图表为PNG，设置透明背景和高质量
39. plt.savefig('advanced_save.png',
40.             dpi=300,
41.             bbox_inches='tight',
42.             transparent=True,
43.             quality=95)
45. plt.show()

复制代码

这段代码展示了更高级的保存选项，包括设置透明背景、添加水印、调整图片质量等。transparent=True参数使背景透明，quality参数设置JPEG格式图片的质量（0-100）。

批量保存图表

2. # 创建示例数据
3. np.random.seed(0)
4. data = {
5.     f'系列{i}': np.random.randn(50).cumsum() for i in range(1, 6)
6. }
7. df_batch = pd.DataFrame(data)
9. # 为每个系列创建并保存图表
10. for column in df_batch.columns:
11.     plt.figure(figsize=(8, 5))
12.     plt.plot(df_batch.index, df_batch[column], linewidth=2)
13.     plt.title(f'{column}趋势图', fontsize=14, fontweight='bold')
14.     plt.xlabel('索引', fontsize=12)
15.     plt.ylabel('值', fontsize=12)
16.     plt.grid(True, alpha=0.3)
17.    
18.     # 保存图表
19.     filename = f'trend_{column.lower()}.png'
20.     plt.savefig(filename, dpi=300, bbox_inches='tight')
21.     plt.close()  # 关闭当前图表，避免内存泄漏
23. # 创建组合图表并保存
24. fig, axes = plt.subplots(2, 3, figsize=(15, 10))
25. fig.suptitle('所有系列趋势组合图', fontsize=16, fontweight='bold')
27. axes = axes.flatten()  # 将2D数组转换为1D数组以便迭代
29. for i, column in enumerate(df_batch.columns):
30.     if i < len(axes):  # 确保不超出子图数量
31.         axes[i].plot(df_batch.index, df_batch[column], linewidth=2)
32.         axes[i].set_title(f'{column}趋势')
33.         axes[i].set_xlabel('索引')
34.         axes[i].set_ylabel('值')
35.         axes[i].grid(True, alpha=0.3)
37. # 移除多余的子图
38. for i in range(len(df_batch.columns), len(axes)):
39.     fig.delaxes(axes[i])
41. plt.tight_layout()
42. plt.subplots_adjust(top=0.9)
43. plt.savefig('combined_trends.png', dpi=300, bbox_inches='tight')
44. plt.close()
46. print("所有图表已保存完成")

复制代码

这段代码展示了如何批量创建和保存图表，包括为每个数据系列单独创建图表并保存，以及创建包含所有系列的组合图表。使用plt.close()可以关闭当前图表，避免内存泄漏。

实际案例：销售数据可视化

让我们通过一个实际的销售数据可视化案例，综合运用前面介绍的各种技巧。

2. # 创建示例销售数据
3. np.random.seed(42)
4. dates = pd.date_range('2022-01-01', '2022-12-31')
5. products = ['产品A', '产品B', '产品C', '产品D']
6. regions = ['华北', '华东', '华南', '西部']
8. # 生成随机销售数据
9. sales_data = []
10. for date in dates:
11.     for product in products:
12.         for region in regions:
13.             # 基础销量加上季节性和随机波动
14.             base_sales = np.random.randint(50, 200)
15.             seasonal_factor = 1 + 0.3 * np.sin(2 * np.pi * date.dayofyear / 365)
16.             random_factor = np.random.normal(1, 0.1)
17.             sales = int(base_sales * seasonal_factor * random_factor)
18.             
19.             sales_data.append({
20.                 '日期': date,
21.                 '产品': product,
22.                 '地区': region,
23.                 '销量': sales,
24.                 '收入': sales * np.random.randint(100, 300)
25.             })
27. df_sales = pd.DataFrame(sales_data)
29. # 添加月份和季度列
30. df_sales['月份'] = df_sales['日期'].dt.month
31. df_sales['季度'] = df_sales['日期'].dt.quarter
32. df_sales['星期几'] = df_sales['日期'].dt.day_name()
34. # 查看数据结构
35. print(df_sales.head())

复制代码

这段代码创建了一个包含日期、产品、地区、销量和收入等信息的销售数据集，并添加了月份、季度和星期几等辅助列。

月度销售趋势分析

2. # 按月份汇总销售数据
3. monthly_sales = df_sales.groupby(['月份', '产品'])['销量'].sum().unstack()
5. # 创建月度销售趋势图
6. plt.figure(figsize=(12, 8))
8. # 为每个产品绘制折线图
9. for i, product in enumerate(monthly_sales.columns):
10.     plt.plot(monthly_sales.index, monthly_sales[product],
11.              linewidth=2.5,
12.              label=product,
13.              marker='o',
14.              markersize=6)
16. # 添加标题和标签
17. plt.title('2022年各产品月度销售趋势', fontsize=16, fontweight='bold', pad=20)
18. plt.xlabel('月份', fontsize=12, labelpad=10)
19. plt.ylabel('销量', fontsize=12, labelpad=10)
21. # 设置x轴刻度
22. plt.xticks(range(1, 13),
23.            ['1月', '2月', '3月', '4月', '5月', '6月',
24.             '7月', '8月', '9月', '10月', '11月', '12月'],
25.            fontsize=10)
27. # 添加图例
28. plt.legend(fontsize=12, frameon=True, fancybox=True, shadow=True)
30. # 添加网格线
31. plt.grid(True, linestyle='--', alpha=0.7)
33. # 突出显示销量最高的月份
34. max_month = monthly_sales.sum(axis=1).idxmax()
35. plt.axvline(x=max_month, color='r', linestyle='--', alpha=0.3)
36. plt.text(max_month, monthly_sales.sum(axis=1).max() * 0.95,
37.          '销量最高月份',
38.          ha='center', va='center',
39.          bbox=dict(facecolor='white', alpha=0.7))
41. # 调整边距
42. plt.tight_layout()
44. # 保存图表
45. plt.savefig('monthly_sales_trend.png', dpi=300, bbox_inches='tight')
46. plt.show()

复制代码

这段代码创建了各产品月度销售趋势图，包括折线图、标记点、标题、标签、图例、网格线等元素，并突出显示了销量最高的月份。

地区销售分布分析

2. # 按地区和产品汇总销售数据
3. region_product_sales = df_sales.groupby(['地区', '产品'])['销量'].sum().unstack()
5. # 创建地区销售分布图
6. fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 8))
8. # 第一个子图：堆叠柱状图
9. region_product_sales.plot(kind='bar', stacked=True, ax=ax1,
10.                          colormap='viridis', width=0.7)
12. ax1.set_title('各地区不同产品销量分布', fontsize=14, fontweight='bold')
13. ax1.set_xlabel('地区', fontsize=12)
14. ax1.set_ylabel('销量', fontsize=12)
15. ax1.legend(title='产品', fontsize=10)
16. ax1.grid(True, axis='y', linestyle='--', alpha=0.7)
18. # 添加数据标签
19. for i, total in enumerate(region_product_sales.sum(axis=1)):
20.     ax1.text(i, total + 50, f'{total:,}',
21.              ha='center', va='bottom', fontweight='bold')
23. # 第二个子图：饼图
24. region_total = region_product_sales.sum(axis=1)
25. explode = [0.05 if region == region_total.idxmax() else 0 for region in region_total.index]
26. wedges, texts, autotexts = ax2.pie(region_total,
27.                                    labels=region_total.index,
28.                                    autopct='%1.1f%%',
29.                                    startangle=90,
30.                                    explode=explode,
31.                                    shadow=True,
32.                                    colors=plt.cm.viridis(np.linspace(0, 1, len(region_total))))
34. ax2.set_title('各地区销量占比', fontsize=14, fontweight='bold')
36. # 美化饼图标签
37. for autotext in autotexts:
38.     autotext.set_color('white')
39.     autotext.set_fontweight('bold')
41. # 添加总销量标签
42. total_sales = region_total.sum()
43. ax2.text(0, -1.2, f'总销量: {total_sales:,}',
44.          ha='center', va='center', fontsize=12, fontweight='bold')
46. plt.tight_layout()
47. plt.savefig('region_sales_distribution.png', dpi=300, bbox_inches='tight')
48. plt.show()

复制代码

这段代码创建了两个子图：堆叠柱状图和饼图，分别展示了各地区不同产品的销量分布和各地区销量占比。

产品相关性分析

2. # 计算产品之间的相关性
3. product_corr = df_sales.pivot_table(index='日期', columns='产品', values='销量').corr()
5. # 创建相关性热力图
6. plt.figure(figsize=(10, 8))
8. # 使用Seaborn绘制热力图
9. mask = np.triu(np.ones_like(product_corr, dtype=bool))  # 创建上三角掩码
10. sns.heatmap(product_corr,
11.             mask=mask,
12.             annot=True,
13.             fmt='.2f',
14.             cmap='coolwarm',
15.             vmin=-1,
16.             vmax=1,
17.             linewidths=0.5,
18.             cbar_kws={"shrink": 0.8})
20. plt.title('产品销量相关性热力图', fontsize=16, fontweight='bold', pad=20)
21. plt.tight_layout()
23. # 保存图表
24. plt.savefig('product_correlation_heatmap.png', dpi=300, bbox_inches='tight')
25. plt.show()
27. # 创建产品销量散点图矩阵
28. from pandas.plotting import scatter_matrix
30. # 准备数据
31. scatter_data = df_sales.pivot_table(index='日期', columns='产品', values='销量')
33. # 创建散点图矩阵
34. fig, axes = plt.subplots(4, 4, figsize=(16, 16))
35. fig.suptitle('产品销量散点图矩阵', fontsize=16, fontweight='bold')
37. # 使用Pandas的scatter_matrix函数
38. scatter_matrix(scatter_data, alpha=0.5, figsize=(16, 16),
39.                diagonal='kde', ax=axes,
40.                color='green', grid=True)
42. plt.tight_layout()
43. plt.subplots_adjust(top=0.95)
44. plt.savefig('product_scatter_matrix.png', dpi=300, bbox_inches='tight')
45. plt.show()

复制代码

这段代码创建了产品销量相关性热力图和散点图矩阵，用于分析不同产品销量之间的相关性。

销售数据仪表盘

最后，让我们创建一个综合的销售数据仪表盘，将多个可视化结果组合在一起：

2. # 创建销售数据仪表盘
3. fig = plt.figure(figsize=(20, 16))
4. gs = fig.add_gridspec(3, 3)
6. # 添加总标题
7. fig.suptitle('2022年销售数据仪表盘', fontsize=20, fontweight='bold')
9. # 1. 月度销售趋势 (左上)
10. ax1 = fig.add_subplot(gs[0, :2])
11. monthly_total = df_sales.groupby('月份')['销量'].sum()
12. ax1.plot(monthly_total.index, monthly_total.values,
13.          linewidth=3, color='royalblue', marker='o', markersize=8)
14. ax1.fill_between(monthly_total.index, monthly_total.values, alpha=0.3, color='royalblue')
15. ax1.set_title('月度销售总趋势', fontsize=14, fontweight='bold')
16. ax1.set_xlabel('月份')
17. ax1.set_ylabel('销量')
18. ax1.set_xticks(range(1, 13))
19. ax1.grid(True, alpha=0.3)
21. # 添加最高和最低销量标注
22. max_month = monthly_total.idxmax()
23. min_month = monthly_total.idxmin()
24. ax1.annotate(f'最高: {monthly_total[max_month]:,}',
25.              xy=(max_month, monthly_total[max_month]),
26.              xytext=(max_month+1, monthly_total[max_month]*0.9),
27.              arrowprops=dict(facecolor='green', shrink=0.05, width=1, headwidth=8))
28. ax1.annotate(f'最低: {monthly_total[min_month]:,}',
29.              xy=(min_month, monthly_total[min_month]),
30.              xytext=(min_month+1, monthly_total[min_month]*1.1),
31.              arrowprops=dict(facecolor='red', shrink=0.05, width=1, headwidth=8))
33. # 2. 产品销量占比 (右上)
34. ax2 = fig.add_subplot(gs[0, 2])
35. product_total = df_sales.groupby('产品')['销量'].sum()
36. wedges, texts, autotexts = ax2.pie(product_total,
37.                                   labels=product_total.index,
38.                                   autopct='%1.1f%%',
39.                                   startangle=90,
40.                                   colors=plt.cm.Set3(np.linspace(0, 1, len(product_total))))
41. ax2.set_title('产品销量占比', fontsize=14, fontweight='bold')
42. for autotext in autotexts:
43.     autotext.set_color('black')
44.     autotext.set_fontweight('bold')
46. # 3. 地区销量分布 (中左)
47. ax3 = fig.add_subplot(gs[1, 0])
48. region_total = df_sales.groupby('地区')['销量'].sum().sort_values(ascending=False)
49. bars = ax3.bar(region_total.index, region_total.values,
50.                color=plt.cm.viridis(np.linspace(0, 1, len(region_total))))
51. ax3.set_title('地区销量分布', fontsize=14, fontweight='bold')
52. ax3.set_xlabel('地区')
53. ax3.set_ylabel('销量')
55. # 添加数据标签
56. for bar in bars:
57.     height = bar.get_height()
58.     ax3.text(bar.get_x() + bar.get_width()/2., height,
59.              f'{height:,}',
60.              ha='center', va='bottom')
62. # 4. 季度销售对比 (中中)
63. ax4 = fig.add_subplot(gs[1, 1])
64. quarter_product = df_sales.groupby(['季度', '产品'])['销量'].sum().unstack()
65. quarter_product.plot(kind='bar', ax=ax4, width=0.7)
66. ax4.set_title('季度产品销量对比', fontsize=14, fontweight='bold')
67. ax4.set_xlabel('季度')
68. ax4.set_ylabel('销量')
69. ax4.legend(title='产品')
70. ax4.grid(True, axis='y', alpha=0.3)
72. # 5. 星期销量分布 (中右)
73. ax5 = fig.add_subplot(gs[1, 2])
74. weekday_order = ['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday', 'Saturday', 'Sunday']
75. weekday_sales = df_sales.groupby('星期几')['销量'].mean().reindex(weekday_order)
76. ax5.plot(weekday_sales.index, weekday_sales.values,
77.          linewidth=3, color='crimson', marker='o', markersize=8)
78. ax5.fill_between(weekday_sales.index, weekday_sales.values, alpha=0.3, color='crimson')
79. ax5.set_title('星期平均销量分布', fontsize=14, fontweight='bold')
80. ax5.set_xlabel('星期')
81. ax5.set_ylabel('平均销量')
82. ax5.tick_params(axis='x', rotation=45)
83. ax5.grid(True, alpha=0.3)
85. # 6. 产品相关性热力图 (下左)
86. ax6 = fig.add_subplot(gs[2, 0])
87. product_corr = df_sales.pivot_table(index='日期', columns='产品', values='销量').corr()
88. mask = np.triu(np.ones_like(product_corr, dtype=bool))
89. sns.heatmap(product_corr, mask=mask, annot=True, fmt='.2f',
90.             cmap='coolwarm', vmin=-1, vmax=1, ax=ax6, cbar=False)
91. ax6.set_title('产品销量相关性', fontsize=14, fontweight='bold')
93. # 7. 销量与收入关系 (下中)
94. ax7 = fig.add_subplot(gs[2, 1])
95. # 聚合数据以减少点数
96. daily_sales = df_sales.groupby('日期').agg({'销量': 'sum', '收入': 'sum'})
97. ax7.scatter(daily_sales['销量'], daily_sales['收入'], alpha=0.6, color='green')
98. # 添加趋势线
99. z = np.polyfit(daily_sales['销量'], daily_sales['收入'], 1)
100. p = np.poly1d(z)
101. ax7.plot(daily_sales['销量'], p(daily_sales['销量']), "r--", linewidth=2)
102. ax7.set_title('日销量与收入关系', fontsize=14, fontweight='bold')
103. ax7.set_xlabel('销量')
104. ax7.set_ylabel('收入')
105. ax7.grid(True, alpha=0.3)
107. # 8. 关键指标卡片 (下右)
108. ax8 = fig.add_subplot(gs[2, 2])
109. ax8.axis('off')
111. # 计算关键指标
112. total_sales = df_sales['销量'].sum()
113. total_revenue = df_sales['收入'].sum()
114. avg_daily_sales = df_sales.groupby('日期')['销量'].sum().mean()
115. best_product = df_sales.groupby('产品')['销量'].sum().idxmax()
116. best_region = df_sales.groupby('地区')['销量'].sum().idxmax()
118. # 创建指标卡片
119. metrics = [
120.     f"总销量: {total_sales:,}",
121.     f"总收入: ¥{total_revenue:,.0f}",
122.     f"日均销量: {avg_daily_sales:,.0f}",
123.     f"最佳产品: {best_product}",
124.     f"最佳地区: {best_region}"
125. ]
127. for i, metric in enumerate(metrics):
128.     ax8.text(0.5, 0.9-i*0.15, metric,
129.              ha='center', va='center', fontsize=12,
130.              bbox=dict(facecolor='lightblue', alpha=0.5, boxstyle='round'))
132. ax8.set_title('关键指标', fontsize=14, fontweight='bold', pad=20)
134. # 调整布局
135. plt.tight_layout()
136. plt.subplots_adjust(top=0.95)
138. # 添加水印
139. fig.text(0.95, 0.05, '销售数据分析报告',
140.          fontsize=30, color='gray',
141.          ha='right', va='bottom', alpha=0.2, rotation=15)
143. # 保存仪表盘
144. plt.savefig('sales_dashboard.png', dpi=300, bbox_inches='tight')
145. plt.show()

复制代码

这段代码创建了一个综合的销售数据仪表盘，包含8个不同的子图，展示了月度销售趋势、产品销量占比、地区销量分布、季度产品销量对比、星期销量分布、产品销量相关性、销量与收入关系以及关键指标。

总结

本教程详细介绍了如何使用Python的pandas库进行数据可视化，并将分析结果输出为精美图片。我们学习了：

1. Pandas内置的可视化功能，包括基本绘图方法和不同类型的图表
2. 使用Seaborn增强可视化效果，创建更美观的图表
3. 美化图表的技巧，包括调整颜色、样式、创建子图等
4. 将可视化结果保存为图片的方法，包括基本保存、高级选项和批量保存
5. 通过实际销售数据可视化案例，综合运用各种技巧创建了完整的仪表盘

通过这些技术和方法，你可以将数据分析结果转化为精美、专业的图片，使你的报告和演示更加生动和有说服力。记住，好的数据可视化不仅要美观，更要准确地传达数据中的信息和洞察。

希望本教程对你在数据可视化方面的学习和实践有所帮助！