Python数据可视化：直方图、柱形图、箱线图、饼图与散点图实战
本文详细介绍Python中五种核心数据可视化图表的实现方法。通过Matplotlib库，演示如何绘制直方图以展示频率分布，使用柱形图进行属性间比较，利用箱线图基于四分位数分析数据离散程度，通过饼图呈现类别占比，以及使用散点图探索变量间的相关性与异常值。
2026-10-15
7
本文详细介绍Python中五种核心数据可视化图表的实现方法。通过Matplotlib库，演示如何绘制直方图以展示频率分布，使用柱形图进行属性间比较，利用箱线图基于四分位数分析数据离散程度，通过饼图呈现类别占比，以及使用散点图探索变量间的相关性与异常值。
在使用Pandas读取MySQL数据并进行处理后，若DataFrame中存在无穷大（inf）值，直接写入数据库会触发ProgrammingError。本文详细解析了inf产生的原因（如除以零），并提供了利用numpy和Pandas将正负无穷替换为空值或具体数值的具体代码方案，确保数据能顺利写入数据库。
本文详细介绍如何使用Python的matplotlib库绘制圆环图（Donut Chart）。文章从圆环图与饼图的对比入手，通过空气质量评级数据展示实战案例，深入解析wedgeprops、startangle及text等关键参数的用法，并提供完整代码与效果演示，帮助读者掌握多环对比与内部标注技巧。
本文介绍如何使用Python和pandas编写命令行脚本处理Excel文件。内容包括封装logging日志模块、接收操作目录、检测并读取唯一Excel文件、自动备份、异常处理、动态添加列以及进度展示与阶段保存等实用技巧，帮助开发者高效完成数据批量处理任务。
本文介绍如何使用Python批量从TXT文件中提取特定文本并写入Excel。通过正则表达式匹配特定标识符（如栖息地描述），结合Pandas库扩展数据框列，实现非结构化数据的结构化处理。文中包含代码示例与参数说明，解决跨行匹配及编码问题，适用于数据清洗与批量处理场景。
本文详细解析Python Pandas中DataFrame的索引机制，涵盖行索引与列索引的定义及自定义方法。重点介绍通过方括号、.loc()及.iloc()进行单列、多列及特定行数据的选取技巧，区分Series与DataFrame返回类型，帮助开发者高效处理表格数据。
本文详细介绍Pandas中查看和转换数据类型的核心方法。通过df.dtypes、df.shape及df.info()快速获取数据框的维度、列名、非空计数及内存占用等关键信息。重点讲解df.astype()函数的多种用法，包括全局转换、指定列转换及索引类型转换，并深入解析object类型的特殊性及其清洗策略，帮助开发者高效处理数据格式问题。
本文系统整理了Python中Pandas库的45个高频实用命令，涵盖数据读取、类型转换、缺失值处理、时间序列分析及数据可视化等核心场景。通过具体代码示例，帮助开发者快速掌握高效处理大型数据集的方法，提升数据分析与建模效率。
本文详细介绍Pandas中astype()函数的用法，涵盖基础类型转换、处理非标准数据格式（如含百分号的字符串）以及加载时指定类型。通过示例解析如何安全地将数值、字符串及时间类型进行转换，并指出转换失败时的处理策略，帮助开发者高效进行数据清洗。
本文深入解析Pandas中sort_values()函数的核心用法，涵盖by、axis、ascending等关键参数的配置细节。通过Series与DataFrame的实例演示，展示单列、多列及混合升降序的排序技巧，并补充处理缺失值、原地修改及索引重置等高级操作，帮助开发者高效实现数据排序需求。
本文详细介绍Pandas中df.sort_index()函数的使用方法，包括默认的升序排列及通过ascending=False实现降序排序。同时讲解df.reindex()如何自定义行和列的索引顺序，涵盖axis参数及具体代码示例，帮助开发者高效管理DataFrame数据顺序。
本文详细介绍Pandas库中df.dropna()函数的使用方法，涵盖axis、how、thresh、subset及inplace等核心参数的具体含义与操作示例。通过代码演示整行整列删除、条件过滤及原地修改等常见场景，帮助开发者高效处理数据中的空值。
