使用 matplotlib 可视化数据

先决条件

在开始之前，请确保：

您已安装 DataSpell。本教程是在 DataSpell 2023.3 中创建的。
您可以下载 DataSpell 并在 30 天试用期内免费使用其所有功能。此外，请考虑参与 DataSpell 早期访问计划。
您的计算机上已安装 Python 3.6 或更新版本。如果您使用的是 macOS 或 Linux，您的计算机已经安装了 Python。您可以从 python.org 获取 Python。

准备一个示例

如果您已完成上一个教程，请直接继续到转换数据。否则，请下载数据集并按照将数据附加到工作区部分的描述将其添加到 DataSpell 工作区。

在本教程中，我们将使用 "2003-2016 年航空延误" 数据集，由 Priank Ravichandar 提供，并根据 CC0 1.0 授权。此数据集包含 2003-2016 年美国机场航班延误和取消的信息。

您应该有一个包含以下单元格的笔记本：

            import pandas as pd

            # Read file
            data = pd.read_csv('airlines.csv')

您还可以下载完整的笔记本并将其添加到您的 DataSpell 工作区： ds_visualize_tutorial.ipynb

转换数据

我们的第一个目标是找到延误和取消航班比例最高的机场。为此，我们只需要以下列：

Airport.Code
Statistics.Flights.Total （航班总数）
Statistics.Flights.Delayed （延误航班数）
Statistics.Flights.Cancelled （取消航班数）

让我们从 data DataFrame 中选择所需的列，并通过在第一个单元格中添加以下代码将它们放入 airport_data 中：
# Select required columns airport_data = data[['Airport.Code', 'Statistics.Flights.Total', 'Statistics.Flights.Delayed', 'Statistics.Flights.Cancelled']] # View DataFrame airport_data
请注意，DataSpell 提供列标题的自动补全功能：
运行单元格后，按下 Ctrl+Enter 或点击，您将在输出中看到以下内容：
向下滚动行。您会看到每一行都包含一个特定机场一个月的数据。我们需要整个时期的统计数据，因此让我们按机场代码对数据进行分组并汇总值：
# Group data by airport code and summarize the values airport_data = airport_data.groupby('Airport.Code').sum()
以下是单元格的完整代码：
import pandas as pd # Read file data = pd.read_csv('airlines.csv') # Select required columns airport_data = data[['Airport.Code', 'Statistics.Flights.Total', 'Statistics.Flights.Delayed', 'Statistics.Flights.Cancelled']] # Group data by airport code and summarize the values airport_data = airport_data.groupby('Airport.Code').sum() # View DataFrame airport_data
... 以及其输出：

在继续之前，让我们创建另一个代码单元格。点击笔记本工具栏中的在下方添加代码单元：

我们将通过延误和取消航班的比例来比较机场。看起来我们应该向 DataFrame 添加一些数据。

让我们创建两个新列： Ratio Delayed.Total 和 Ratio.Cancelled Total。这些列中的数据将通过计算得出。引入变量是为了提高代码的可读性：
# Assign variables delayed = airport_data['Statistics.Flights.Delayed'] cancelled = airport_data['Statistics.Flights.Cancelled'] total = airport_data['Statistics.Flights.Total'] # Create new columns and fill them with values airport_data['Ratio Delayed.Total']= delayed / total airport_data['Ratio Cancelled.Total']= cancelled / total # View DataFrame airport_data
运行该单元格以确保已向 DataFrame 添加了两个列。为此，请按 Ctrl+Enter 或点击。

可视化数据

让我们开始以柱状图的形式可视化我们新创建的 airport_data DataFrame。

您需要将 import matplotlib.pyplot as plt 添加到第一个代码单元格的开头。编辑后不要忘记重新运行该单元格，例如，点击运行单元格并选择下一个或按下 Shift+Enter。

创建一个柱状图

首先，让我们通过使用 sort_values 方法对 airport_data 中的行进行排序，以提高未来图表的可读性：
airport_data = airport_data.sort_values(by='Ratio Delayed.Total', ascending=False)
现在分配变量：
airport_code = airport_data.index delayed = airport_data['Ratio Delayed.Total'] cancelled = airport_data['Ratio Cancelled.Total']
请注意，当我们创建 airport_data DataFrame 时， Airport.Code 列成为了索引列。这意味着机场代码在此 DataFrame 中用作行地址，您不需要指定列名来读取它们。
以下代码创建了一个具有特定宽度和高度（以英寸为单位）的图形，以及一个 Matplotlib Axes。它们将包含未来柱状图的所有元素。
fig, ax = plt.subplots(figsize=(15,5))
要绘制柱状图，请使用 bar() 方法。它接受 x 和 y 坐标作为前两个位置参数。标签将用于渲染图例。
ax.bar(airport_code, delayed[airport_code], bottom=cancelled[airport_code], label='Delayed') ax.bar(airport_code, cancelled[airport_code], label='cancelled')
在绘制第一个柱状图时，我们使用了一个额外的 bottom 参数，将延误柱堆叠在取消柱的顶部。
设置轴标签、图表标题，并显示图例：
ax.set_xlabel('Airport codes') ax.set_ylabel('Ratio') ax.set_title('Ratio of delayed and cancelled flights to total flights') ax.legend()
最后，使用 plt.show() 渲染整个内容。这是单元格的完整代码：
# Sort DataFrame rows airport_data = airport_data.sort_values(by='Ratio Delayed.Total', ascending=False) # Assign variables airport_code = airport_data.index delayed = airport_data['Ratio Delayed.Total'] cancelled = airport_data['Ratio Cancelled.Total'] # Create a figure and set its size to 15x5 in. fig, ax = plt.subplots(figsize=(15,5)) # Plot bar charts ax.bar(airport_code, delayed[airport_code], bottom=cancelled[airport_code], label='Delayed') ax.bar(airport_code, cancelled[airport_code], label='cancelled') # Add axes labels and title ax.set_xlabel('Airport codes') ax.set_ylabel('Ratio') ax.set_title('Ratio of delayed and cancelled flights to total flights') # Show legend ax.legend() # Show plot plt.show()
结果如下：

您可以看到延误航班比例最高的是纽瓦克自由国际机场（EWR）。让我们继续研究该机场的数据。找出取消和延误航班数量随时间的变化会很有趣。

创建一条折线图

让我们从数据集中选择必要的数据开始：
ewr_data = data[data['Airport.Code']=='EWR']
这段代码可以翻译为“从 data 中选择在 Airport.Code 列中具有 EWR 的行，并将它们放入 ewr_data DataFrame”。
分配变量：
date = ewr_data['Time.Label'] delayed = ewr_data['Statistics.Flights.Delayed'] cancelled = ewr_data['Statistics.Flights.Cancelled']
再次创建一个图形和一个 Axes：
fig, ax = plt.subplots(figsize=(15,5))
对于折线图，请使用 plot() 方法：
ax.plot(date, delayed, label='Delays') ax.plot(date, cancelled, label='Cancellations')
添加轴标签、标题和图例：
ax.set_xlabel('Year/Month') ax.set_ylabel('Flights (delayed/cancelled)') ax.set_title('Cancellations and delays in EWR 2003-2016') ax.legend()
以下是用于复制粘贴的完整代码单元格：
# Select rows with 'EWR' in the first column ewr_data = data[data['Airport.Code']=='EWR'] # Assign variables date = ewr_data['Time.Label'] delayed = ewr_data['Statistics.Flights.Delayed'] cancelled = ewr_data['Statistics.Flights.Cancelled'] # Create a figure and set its size to 15x5 in. fig, ax = plt.subplots(figsize=(15,5)) # Plot line charts ax.plot(date, delayed, label='Delays') ax.plot(date, cancelled, label='Cancellations') # Add axes labels ax.set_xlabel('Year/Month') ax.set_ylabel('Flights (delayed/cancelled)') # Add title and legend ax.set_title('Cancellations and delays in EWR 2003-2016') ax.legend() # Show plot plt.show()
输出如下：
x 轴上的刻度太多。要仅显示每第 12 个刻度，请在 plt.show() 之前添加以下行：
ax.set_xticks(date[::12])
现在看起来更好了：

正如您所见，取消航班的数量随时间变化不大。但在 2009 年底，延误航班的数量明显下降。他们是否雇用了新经理？或者这可能与航班总数有关？让我们检查一下！

显示更多数据

我们将添加另一条显示航班总数的折线图。但这些数字远大于延误的数量。解决方案是添加另一个 Axes ，它将共享相同的 x 轴，但有自己的 y 轴。这可以通过使用 twinx() 方法来完成：
total = ewr_data['Statistics.Flights.Total'] ax2=ax.twinx() ax2.plot(date, total, '--', color='g', label='Total flights') ax2.set_ylabel('Flights (total)') ax2.legend(loc='upper center')
注意 plot() 方法的第三个位置参数。虚线将生成一条虚线。颜色也是可自定义的。我们还指定了图例的位置，以免与另一个图例冲突。
完整代码如下：
# Select rows with 'EWR' in the first column ewr_data = data[data['Airport.Code']=='EWR'] # Assign variables date = ewr_data['Time.Label'] delayed = ewr_data['Statistics.Flights.Delayed'] cancelled = ewr_data['Statistics.Flights.Cancelled'] total = ewr_data['Statistics.Flights.Total'] # Create a figure and set its size to 15x5 in. fig, ax = plt.subplots(figsize=(15,5)) # Plot line charts ax.plot(date, delayed, label='Delays') ax.plot(date, cancelled, label='Cancellations') # Add axes labels ax.set_xlabel('Year/Month') ax.set_ylabel('Flights (delayed/cancelled)') # Add title and legend ax.set_title('Cancellations and delays in EWR 2003-2016') ax.legend() # Decrease the density of ticks on x-axis ax.set_xticks(date[::12]) # Plot another chart with extra y-axis ax2=ax.twinx() ax2.plot(date, total, '--', color='g', label='Total flights') ax2.set_ylabel('Flights (total)') # Add legend in center ax2.legend(loc='upper center') # Show plot plt.show()
图表如下：

所以，没有什么神奇的。 2008 年中期航班总数显著减少，这自然导致了延误的减少。

继续研究

2008 年发生了什么？航班数量是否仅在 EWR 减少？让我们通过分析整个数据集来找出答案。

现在我们只对日期和数字感兴趣。让我们按时间标签（YYYY/MM 格式）对 data DataFrame 的行进行分组，然后汇总值。某些列中会有无效值（例如 Time.Month 和 Time.Year ），但我们不会使用它们。其余部分与之前教程的步骤类似：

            # Group data by date and summarize the values
            monthly_data = data.groupby('Time.Label').sum()

            # Assign variables
            date = monthly_data.index # Date
            total = monthly_data['Statistics.Flights.Total'] # Total number of flights

            # Create a figure and set its size to 15x5 in.
            fig, ax = plt.subplots(figsize=(15,5))

            # Plot a line chart
            ax.plot(date, total)
            # Decrease the density of ticks on x-axis
            ax.set_xticks(date[::12])
            # Add title and axes labels
            ax.set_title('Total number of flights in US airports 2003-2016')
            ax.set_xlabel('Year/Month')
            ax.set_ylabel('Flights')

            # Show plot
            plt.show()
        
  

是的，美国所有机场的航班总数确实有所下降：

说到下降，您是否注意到图表上那些周期性的负峰值？似乎它们每年都会重复。让我们绘制一张图表，看看全年航班总数的变化情况。

这次我们将按月份名称对数据进行分组。 sort_values(by='Time.Month') 部分用于按时间顺序排列月份：

            # Group data by month, summarize values, and place months in correct order
            seasonal_data = data.groupby('Time.Month Name').sum().sort_values(by='Time.Month')

            # Assign variables
            month = seasonal_data.index
            total = seasonal_data['Statistics.Flights.Total']

            # Create a figure and set its size to 15x5 in.
            fig, ax = plt.subplots(figsize=(15,5))

            # Plot a line chart
            ax.plot(month, total)
            # Add title and axes labels
            ax.set_title('Total number of flights in US airport throughout the year')
            ax.set_xlabel('Month')
            ax.set_ylabel('Flights')
            # Disable scientific notation for y-axis
            ax.ticklabel_format(axis='y', style='plain')

            # Show plot
            plt.show()
        
  

毫无疑问，二月是美国民航的淡季：

创建报告

完成后，您可以将笔记本导出为 PDF 报告。为此，请点击工具栏上的导出为 PDF ，然后从列表中选择整个 Notebook。

摘要

您已完成 matplotlib 可视化教程。以下是您完成的内容：

选择了必要的数据并进行了转换
绘制了柱状图和折线图
发现了统计趋势
已创建报告