【matplotlib 实战】--折线图

折线图是一种用于可视化数据变化趋势的图表，它可以用于表示任何数值随着时间或类别的变化。

折线图由折线段和折线交点组成，折线段表示数值随时间或类别的变化趋势，折线交点表示数据的转折点。

折线图的方向表示数据的变化方向，即正变化还是负变化，折线的斜率表示数据的变化程度。

1. 主要元素

折线图主要由以下四个元素组成：

1. 数据点：折线图中的每个数据点都代表着一个时间点或一个数值。
2. 折线：折线图中的线条代表着数据的变化趋势。
3. X轴：一般是有序变量，表示数据点的变化区间。
4. Y轴：数据点在不同时刻的值。

2. 适用的场景

折线图适用于以下分析场景：

• 趋势分析：折线图可以用于展示数据的增长、下降、波动等趋势，帮助分析人员了解数据的变化趋势。
• 问题诊断：折线图可以用于数据异常检测，帮助分析人员快速发现数据的异常情况。

3. 不适用的场景

折线图不适用于以下分析场景：

• 数据分类和分组：折线图不适用于数据分类和分组分析，因为折线图主要用于展示数据的变化趋势，而不是数据的分类和分组情况。
• 数据回归分析：折线图不适用于数据回归分析，因为回归分析需要建立在数据样本中的线性关系，而折线图主要用于展示数据的变化趋势，不能很好地反映数据的线性关系。

4. 分析实战

4.1. 数据来源

数据来源国家统计局公开数据，已经整理好的csv文件在：https://databook.top/nation/A03

本次分析使用其中的 A0301.csv 文件（总人口数据）。

下面的文件路径 fp 要换成自己实际的文件路径。

import pandas as pd

fp = "d:/share/A0301.csv"

df = pd.read_csv(fp)
df

4.2. 数据清理

首先看看 zbCN 字段中有多少种不同的人口统计类别。

df.groupby(by="zbCN").count()

这个数据集中一共有5种不同维度的人口统计：

1. 年末总人口
2. 男性人口
3. 女性人口
4. 城镇人口
5. 乡村人口

按照类别，将它们分离成5个不同的数据集，为了绘制折线图做准备。

groups = df.groupby(by="zbCN")

dict_group = {}
for g in groups:
    dict_group[g[0]] = g[1]

for k, v in dict_group.items():
    print("key = {}, value type = {}".format(k, type(v)))

groupby 函数按照 by 参数指定的字段将数据集分组，每个group是一个二元的元组。
第一个元素是用来分组的字段值，第二个元素是分组之后的数据集。

4.3. 分析结果可视化

拆分好数据集之后，最就是可视化展示。

首先封装一个函数，用来显示2个数据：
（直接使用上面分割好的数据集dict_group）

import pandas as pd

import matplotlib
import matplotlib.pyplot as plt
from matplotlib.ticker import MultipleLocator

%matplotlib inline

#为了显示中文
matplotlib.rcParams["font.sans-serif"] = ["Microsoft YaHei Mono"]
matplotlib.rcParams["axes.unicode_minus"] = False

#根据key显示两个数据集
def draw(key1, key2):
    with plt.style.context("seaborn-v0_8"):
        fig = plt.figure()
        ax = fig.add_axes([0.1, 0.1, 0.8, 0.8])
        ax.xaxis.set_major_locator(MultipleLocator(4))
        ax.xaxis.set_minor_locator(MultipleLocator(2))

        data = dict_group[key1]
        ax.plot(data["sjCN"], data["value"], "b--o", label=key1)

        data = dict_group[key2]
        ax.plot(data["sjCN"], data["value"], "g:d", label=key2)
        ax.legend()

首先看下男女人口的变化趋势：

key1 = "女性人口(万人)"
key2 = "男性人口(万人)"
#男性人口和女性人口的变化趋势
dict_group[key1] = dict_group[key1].sort_values("sj")
dict_group[key2] = dict_group[key2].sort_values("sj")

draw(key1, key2)

看这个趋势变化，男女人口的差距长期都在几千万上下，所以找不到女朋友也许不是你的责任 : )

再看看城镇和乡村的人口变化。

key1 = "乡村人口(万人)"
key2 = "城镇人口(万人)"
#乡村人口和城镇人口的变化趋势
dict_group[key1] = dict_group[key1].sort_values("sj")
dict_group[key2] = dict_group[key2].sort_values("sj")

draw(key1, key2)

从图中可以看出，1994年左右，乡村人口开始进入城镇；
2010年左右，城镇人口开始超越乡村人口，且人口差距越来越大。

折线图最适合的场景就是展示这类有趋势变化的数据。