如果你会一点编程的话，那么做数据可视化一定要使用Python，原因很简单，使用Python做数据可视化简单而实用，图表类型丰富，Python中的matplotlib、seaborn、pyecharts均有强大的绘图功能，下面例举的可视化案例对你一定有所帮助！

热力图

使用heatmap函数，用于绘制热力图，从平面图上展示每个数字出现的频率，数字出现的频率越小，则颜色越深，数字出现的频率越大，则颜色越浅，从而将数字信息直观的表达出来。

import matplotlib.pyplot as plt
import seaborn as sns
sns.set()#使用默认设置
plt.figure(figsize=(6,6))
plt.rcParams['font.sans-serif'] = ['SimHei']#显示中文

#提取每一位的中奖号码
series=df['中奖号码'].str.split(' ',expand=True)

#对每一位的中奖号码统计出现次数
df1=df.groupby(series[0]).size()
df2=df.groupby(series[1]).size()
df3=df.groupby(series[2]).size()
df4=df.groupby(series[3]).size()
df5=df.groupby(series[4]).size()
df6=df.groupby(series[5]).size()
df7=df.groupby(series[6]).size()

#横向表合并（行对齐）
data=pd.concat([df1,df2,df3,df4,df5,df6,df7],axis=1,sort=True)
data=data.fillna(0)#空值NaN替换为0
data=data.round(0).astype(int) #浮点数转换为整数

plt.title('双色球中奖数字热力图')

sns.heatmap(data,annot=True,fmt='d',lw=0.5) #绘制热力图
plt.xlabel('中奖号码位数')
plt.ylabel('双色球数字')
x=['前区1','前区2','前区3','前区4','前区5','后区1','后区2']
plt.xticks(range(0,7,1),x,ha='left')
plt.show()

饼图

对各个区域的销售数计数，导入matplotlib包，传入销售数据列，并对具体的图表参数进行设置，可得出华南区域的销售数占比最大为36.3%，西南区域的销售数占比最小为3.1%。

import matplotlib.pyplot as plt 
import matplotlib.style as psl

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

psl.use('ggplot')

df_QY=df.groupby(['区域'])['销售数'].count().reset_index()

#饼图
labels = df_QY['区域'].tolist()
explode = [0.05,0.05,0,0,0,0]  # 用于突出显示数据
df_QY['销售数'].plot(kind='pie',figsize=(9,6),
                         autopct='%.1f%%',#数据标签
                         labels=labels,
                         startangle=260, #初始角度
                         explode=explode, # 突出显示数据
                         pctdistance=0.87,  # 设置百分比标签与圆心的距离
                         textprops = {'fontsize':12, 'color':'k'}, # 设置文本标签的属性值
                        )
plt.title("各区域销售数占比")

plt.show()

箱线图

对利润做箱线图，使用boxplot函数，并对箱线图图表的参数进行设置，可得出利润的数据分布情况，箱线图中的大多数利润数据都超过了箱线图的上下限。

import matplotlib.pyplot as plt 
import matplotlib.style as psl

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

psl.use('ggplot')
plt.title('利润箱线图')

df_XB=df[df['区域']=='西北']

#箱线图
plt.boxplot(x=df_XB['利润'],#指定绘制箱线图的数据
            whis=1.5,  #指定1.5倍的四分位数差
            widths=0.1,  #指定箱线图中箱子的宽度为0.3
            showmeans=True,  #显示均值
            #patch_artist=True,  #填充箱子的颜色
            #boxprops={'facecolor':'RoyalBlue'},  #指定箱子的填充色为宝蓝色 
            flierprops={'markerfacecolor':'red','markeredgecolor':'red','markersize':3},  #指定异常值的填充色、边框色和大小
            meanprops={'marker':'h','markerfacecolor':'black','markersize':8},  #指定中位数的标记符号（虚线）和颜色
            medianprops={'linestyle':'--','color':'orange'},  #指定均值点的标记符号（六边形）、填充色和大小
            labels=['西北']  
           )

plt.show()

折线图

对销售数做折线图，导入seaborn库，日期列做为X轴，销售数作为Y轴，由折线图可以看到销售数随日期的波动变化趋势。

import seaborn as sns  
import matplotlib.pyplot as plt   

plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

plt.figure(figsize=(10,6))
  
# 使用Seaborn绘制折线图  
sns.lineplot(data=df, x='日期', y='销售数', color='blue')  
  
# 设置图表标题和轴标签  
plt.title('销售数折线图')  
plt.xlabel('日期')  
plt.ylabel('销售额')  
  
# 显示图形  
plt.show()

词云图

对商品品类做词云图进行展示，wordcloud库可专门做词云图，通过使用字典统计商品类别数量，创建词云对象后，使用matplotlib绘制词云图，由词云图可以看出床品件套的品类最多，办公家具的品类最少。

from wordcloud import WordCloud  
import matplotlib.pyplot as plt  
  
# 商品类别列表
product_categories = df['商品品类'].tolist()
    
# 使用字典统计商品类别数量  
category_counts = dict()  
for category in product_categories:  
    if category in category_counts:  
        category_counts[category] += 1  
    else:  
        category_counts[category] = 1  

#创建词云对象  
wordcloud = WordCloud(font_path='simhei.ttf', background_color='white').generate_from_frequencies(category_counts)  
  
# 使用matplotlib绘制词云图  
plt.figure(figsize=(9, 6))  
plt.imshow(wordcloud, interpolation='bilinear')  
plt.axis("off") 

plt.show()

玫瑰图

调用pyecharts库里面的Pie图表，用来创建玫瑰图，rosetype参数用于设置是否展示成南丁格尔玫瑰图，默认None不展示成玫瑰图，设置rosetype="radius"，用扇形圆心角展现数据的百分比，通过半径展现数据大小。

import pandas as pd 
from pyecharts.charts import Pie
from pyecharts import options as opts

df=pd.read_excel(r'C:\Users\\Desktop\电商销售数据.xlsx')
df=df.groupby('省份')['销售数'].sum().reset_index()
df = df.sort_values(by='销售数',ascending=False)

cate =df['省份'].to_list()
data = df['销售数'].to_list()

#玫瑰图美化
pie = Pie(init_opts=opts.InitOpts(width='800px', height='600px', bg_color='white'))

pie.add('',[list(z) for z in zip(cate, data)],radius=['10%', '70%'],center=['50%', '50%'], rosetype="radius"
       ).set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}")#设置数据标签
                        ).set_global_opts(title_opts=opts.TitleOpts(title='各省份销售数据玫瑰图',pos_left='350',pos_top='20',
                                                                    title_textstyle_opts=opts.TextStyleOpts(color='black', font_size=16)),
                                          legend_opts=opts.LegendOpts(is_show=False)#去除图例
                                         ).set_colors(
    ['rgb({b},0,{r})'.format(r=450-10(len(df)-x+1), b=200-10x) for x in range(len(df))])#设置渐变颜色         

pie.render_notebook()

如下即创建了一个关于各省份销售数据的玫瑰图，使用代码调用pyecharts库，并导入案例数据，并且调整玫瑰图的视图参数，使得玫瑰图有更好的视觉呈现，直观上可以突出重要数据。

学习数据可视化工具可根据个人需求和喜好来选择，希望本文的介绍能够帮助你更好地了解Python数据可视化工具，从而更好地进行数据分析和呈现，如果你在学习过程中遇到问题，可随时与我沟通和交流，解决你的数据可视化难题~