通过这段时间


小帅b教你从抓包开始


到数据爬取


到数据解析


再到数据存储


相信你已经能抓取大部分你想爬取的网站数据了


恭喜恭喜



但是


数据抓取下来


要好好分析一波


最好的方式就是把数据进行可视化


这样才能直观的感受到数据的魅力


不过有一点


现在市面上可以使用 python 的可视化库多如牛毛


各有各的优点


接下来小帅b把自己常用的一些可视化数据库分享给你


好不?



那么


接下来就是


学习 python 的正确姿势



先来说说一个经典的可视化库


matplotlib


它是基于 NumPy 的一个数据可视化工具,内置了非常多图给我们使用


接下来我们就来玩玩吧


首先你得去下载一下这个库


python -m pip install -U pip setuptoolspython -m pip install matplotlib


下载完之后


就可以来玩代码啦


画画sin和cos线


import numpy as npimport  .pyplot as plt
x = np.linspace(-np.pi, np.pi, 256)
cos = np.cos(x)sin = np.sin(x)
plt.plot(x, cos, ‘–’, linewidth=2)plt.plot(x, sin)
plt.show()



画个饼图


# Pie chart, where the slices will be ordered and plotted counter-clockwise:labels = ‘Frogs’, ‘Hogs’, ‘Dogs’, ‘Logs’sizes = [15, 30, 45, 10]explode = (0, 0.1, 0, 0)  # only “explode” the 2nd slice (i.e. ‘Hogs’)
fig1, ax1 = plt.subplots()ax1.pie(sizes, explode=explode, labels=labels, autopct=‘%1.1f%%’, shadow=True, startangle=90)ax1.axis(‘equal’) # Equal aspect ratio ensures that pie is drawn as a circle.
plt.show()



画画直方图


import numpy as npimport matplotlib.pyplot as plt
np.random.seed(0)
mu = 200sigma = 25x = np.random.normal(mu, sigma, size=100)
fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(8, 4))
ax0.hist(x, 20, normed=1, histtype=‘stepfilled’, facecolor=‘g’, alpha=0.75)ax0.set_title(‘stepfilled’)
# Create a histogram by providing the bin edges (unequally spaced).bins = [100, 150, 180, 195, 205, 220, 250, 300]ax1.hist(x, bins, normed=1, histtype=‘bar’, rwidth=0.8)ax1.set_title(‘unequal bins’)
fig.tight_layout()plt.show()




更多关于 matplotlib 的文档可以到以下链接查看


https://matplotlib.org/2.0.2/contents.html



seaborn


seaborn 是基于 matplotlib 的库,所以有更加高级的接口给我们使用,相对来说更加简单使用一些


画个散点图


import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snssns.set(style=“darkgrid”)

tips = sns.load_dataset(“tips”)sns.relplot(x=“total_bill”, y=“tip”, data=tips);plt.show()



画个折线图


fmri = sns.load_dataset(“fmri”)sns.relplot(x=“timepoint”, y=“signal”, hue=“event”, kind=“line”, data=fmri);plt.show()




画个直方图



titanic = sns.load_dataset(“titanic”)sns.catplot(x=“sex”, y=“survived”, hue=“class”, kind=“bar”, data=titanic);plt.show()




更多关于 seaborn 的可以看看以下链接


https://seaborn.pydata.org/index.html




pyecharts


这是基于百度开源的数据可视化的 echarts 的库


echarts 遇上了 python 之后


就像巧克力遇上了音乐


丝滑~


特别是当 pyechart 结合 Notebook 的时候


简直不能在丝滑了


来画个直方图


from pyecharts.charts import Barfrom pyecharts import options as opts
bar = ( Bar() .add_xaxis([“衬衫”, “毛衣”, “领带”, “裤子”, “风衣”, “高跟鞋”, “袜子”]) .add_yaxis(“商家A”, [114, 55, 27, 101, 125, 27, 105]) .add_yaxis(“商家B”, [57, 134, 137, 129, 145, 60, 49]) .set_global_opts(title_opts=opts.TitleOpts(title=“某商场销售情况”)))bar.render()




画个饼图


def pie_base() -> Pie:    c = (        Pie()        .add(“”, [list(z) for z in zip(Faker.choose(), Faker.values())])        .set_global_opts(title_opts=opts.TitleOpts(title=“Pie-基本示例”))        .set_series_opts(label_opts=opts.LabelOpts(formatter=“{b}: {c}”))    )    return c
# 需要安装 snapshot_seleniummake_snapshot(driver, pie_base().render(), “pie.png”)





再来画个词云图


words = [    (“Sam S Club”, 10000),    (“Macys”, 6181),    (“Amy Schumer”, 4386),    (“Jurassic World”, 4055),    (“Charter Communications”, 2467),    (“Chick Fil A”, 2244),    (“Planet Fitness”, 1868),    (“Pitch Perfect”, 1484),    (“Express”, 1112),    (“Home”, 865),    (“Johnny Depp”, 847),    (“Lena Dunham”, 582),    (“Lewis Hamilton”, 555),    (“KXAN”, 550),    (“Mary Ellen Mark”, 462),    (“Farrah Abraham”, 366),    (“Rita Ora”, 360),    (“Serena Williams”, 282),    (“NCAA baseball tournament”, 273),    (“Point Break”, 265),]

def wordcloud_base() -> WordCloud: c = ( WordCloud() .add(“”, words, word_size_range=[20, 100]) .set_global_opts(title_opts=opts.TitleOpts(title=“WordCloud-基本示例”)) ) return c
# 需要安装 snapshot_seleniummake_snapshot(driver, wordcloud_base().render(), “WordCloud.png”)



是不是很丝滑


更多关于 pyecharts 的可以到以下链接看看


https://pyecharts.org



好了


以上就是小帅b常用到的几个可视化数据库


当然


还有很多可视化数据库


不过这几个算是很友好的了


希望对你有用


那么


我们下回见


peace