Python 数据可视化：综述与实践

引言

原始数据往往呈现出乏味的外表，但通过正确的可视化工具，数据的魅力可以得到充分展现。本文将通过实际案例，利用数据可视化工具，带领读者探索数据的多彩世界。

1. 创建数据集

让我们从一个示例数据集开始，假设我们有一个包含2010年至2020年间 Newport 市的环境数据集，包括空气质量指数、碳排放、绿化率、降雨量和平均温度等信息。这个数据集展示了多年来 Newport 市各种环境因素的变化趋势。

2. 了解受众

在进行数据可视化之前，了解受众是十分重要的。我们假设我们的受众是一群环境政策制定者，对环境因素随时间变化的趋势感兴趣。因此，我们需要以突出趋势为重点来呈现数据。

3. 创建折线图

首先，我们创建一个折线图展示 Newport 市多年来的空气质量指数（AQI）变化趋势。折线图是展示时间趋势的理想选择，易于理解和解释。

<code>import pandas as pd import plotly.graph_objects as go # 加载数据 df = pd.read_csv('environment_data.csv') # 创建空气质量指数（AQI）折线图 fig1 = go.Figure() fig1.add_trace(go.Scatter(x=df['Year'], y=df['AQI'], mode='lines', name='AQI', line=dict(color='red'))) fig1.update_layout(title='Newport - Air Quality Index Over Time', xaxis_title='Year', yaxis_title='Air Quality Index (AQI)') fig1.show()</code>

4. 创建散点图

接下来，我们创建一个散点图，展示碳排放和空气质量指数（AQI）之间的关系。散点图有助于研究两个变量之间的相关性和趋势。

<code># 创建碳排放和空气质量指数（AQI）之间的散点图 fig2 = go.Figure() fig2.add_trace(go.Scatter(x=df['Carbon_Emissions'], y=df['AQI'], mode='markers', name='Carbon Emissions vs AQI', marker=dict(color='red'))) fig2.update_layout(title='Newport - Carbon Emissions vs Air Quality Index', xaxis_title='Carbon Emissions (million metric tons)', yaxis_title='Air Quality Index (AQI)') fig2.show()</code>

5. 创建条形图

接着，我们创建一个条形图，突出显示多年来绿化率的变化。这有助于展示城市规划和发展政策对环境的影响。

<code># 创建绿化率随时间变化的条形图 fig3 = go.Figure() fig3.add_trace(go.Bar(x=df['Year'], y=df['Green_Space_Ratio'], name='Green Space Ratio', marker=dict(color='green'))) fig3.update_layout(title='Newport - Green Space Ratio Over Time', xaxis_title='Year', yaxis_title='Green Space Ratio (%)') fig3.show()</code>

6. 创建叠加面积图

最后，我们创建一个叠加面积图，展示多年来平均温度和降雨量的变化趋势。这有助于深入了解气候变化的影响。

<code># 创建平均温度和降雨量随时间变化的叠加面积图 fig4 = make_subplots(specs=[[{"secondary_y": True}]]) fig4.add_trace(go.Scatter(x=df['Year'], y=df['Temperature'], mode='lines', name='Temperature', stackgroup='one'), secondary_y=False) fig4.add_trace(go.Scatter(x=df['Year'], y=df['Rainfall'], mode='lines', name='Rainfall', stackgroup='one'), secondary_y=True) fig4.update_layout(title='Newport - Temperature and Rainfall Over Time', xaxis_title='Year', yaxis_title='Temperature (°F) / Rainfall (inches)') fig4.show()</code>

7. 创建可视化仪表板

最后，我们使用 Dash 库创建一个包含所有可视化的仪表板，使得数据更加易于访问和理解。

<code>import dash from dash import dcc from dash import html # 加载数据 df = pd.read_csv('environment_data.csv') # 创建 Dash 应用 app = dash.Dash(__name__) app.layout = html.Div([ html.H1('New York City Environmental Data Dashboard'), html.Div([ dcc.Graph(figure=fig1), dcc.Graph(figure=fig2), ], style={'display': 'flex'}), html.Div([ dcc.Graph(figure=fig3), dcc.Graph(figure=fig4), ], style={'display': 'flex'}), ]) if __name__ == '__main__': app.run_server(debug=True)</code>

总结

数据可视化是探索数据、发现规律和趋势的重要工具。通过合适的可视化工具，我们可以以引人入胜的方式呈现数据，从而更好地理解数据背后的故事。本文通过实例演示了如何利用 Python 中的数据可视化工具，创造出引人注目的可视化效果，并通过仪表板的形式将其集成在一起，为数据分析提供了强大的支持。