数据分析_商品维度占比及变化可视化分析(Pandas和Matplotlib)
分析维度包括:
-
各商品年度销量占比
-
各商品月度销量变化
构建测试数据
这里你可以了解到:
-
如何生成时间相关的数据。
-
如何从列表（可迭代对象）中生成随机数据。
-
Pandas 的 DataFrame 自行创建，包含生成新字段。
-
Pandas 数据合并。
(1) 构建数据: 时间字段:
time_range = pd.date_range(start="2019/01/01", end="2021/12/31")print("[Message] Time Range Built Through Pandas:")
print(time_range)print("[Message] Time Length Built Through Pandas:")
print(len(time_range))
输出:
[Message] Time Range Built Through Pandas:
DatetimeIndex(['2019-01-01', '2019-01-02', '2019-01-03', '2019-01-04','2019-01-05', '2019-01-06', '2019-01-07', '2019-01-08','2019-01-09', '2019-01-10',...'2021-12-22', '2021-12-23', '2021-12-24', '2021-12-25','2021-12-26', '2021-12-27', '2021-12-28', '2021-12-29','2021-12-30', '2021-12-31'],dtype='datetime64[ns]', length=1096, freq='D')
[Message] Time Length Built Through Pandas:
1096
(2) 构建数据: 水果列表:
fruits = ["香蕉", "苹果", "葡萄", "橙子", "哈密瓜", "芭乐", "梨", "桃子"]
fruits_list = np.random.choice(fruits, size=len(time_range), replace=True)print("[Message] Fruits List Built Through NumPy:")
print(fruits_list)print("[Message] Length of Fruits List Built Through NumPy:")
print(len(fruits_list))
输出:
[Message] Fruits List Built Through NumPy:
['香蕉' '葡萄' '香蕉' ... '香蕉' '橙子' '桃子']
[Message] Length of Fruits List Built Through NumPy:
1096
(3) 构建数据: 客户列表:
names = ["Mike", "Jhon", "Tom", "Xiaoming", "Jimmy", "Lym", "Michk"]
names_list = np.random.choice(names, size=len(time_range), replace=True)print("[Message] Customer List Built Through NumPy:")
print(names_list)print("[Message] Length of Customer List Built Through NumPy:")
print(len(names_list))
输出:
[Message] Customer List Built Through NumPy:
['Mike' 'Michk' 'Michk' ... 'Xiaoming' 'Jhon' 'Lym']
[Message] Length of Customer List Built Through NumPy:
1096
(4) 构建数据: 订单数据:
order = pd.DataFrame({"time": time_range, # -> 下单时间。"fruit": fruits_list, # -> 水果名称。"name": names_list, # -> 顾客名。"kilogram": np.random.choice(list(range(50,100)), size=len(time_range),replace=True)}) # -> 购买量。print("[Message] Generate Order Data Through Pandas DataFrame:")
print(order)
输出:
[Message] Generate Order Data Through Pandas DataFrame:time fruit name kilogram
0 2019-01-01 香蕉 Mike 63
1 2019-01-02 葡萄 Michk 69
2 2019-01-03 香蕉 Michk 51
3 2019-01-04 香蕉 Mike 69
4 2019-01-05 香蕉 Tom 64
... ... ... ... ...
1091 2021-12-27 葡萄 Lym 94
1092 2021-12-28 梨 Xiaoming 60
1093 2021-12-29 香蕉 Xiaoming 95
1094 2021-12-30 橙子 Jhon 90
1095 2021-12-31 桃子 Lym 93[1096 rows x 4 columns]
(5) 构建数据: 水果信息:
information = pd.DataFrame({"fruit": fruits,"price": [3.8, 8.9, 12.8, 6.8, 15.8, 4.9, 5.8, 7],"region": ["华南", "华北", "西北", "华中", "西北", "华南", "华北", "华中"]})print("[Message] Building Fruits Information Through Pandas DataFrame:")
print(information)
输出:
[Message] Building Fruits Information Through Pandas DataFrame:fruit price region
0 香蕉 3.8 华南
1 苹果 8.9 华北
2 葡萄 12.8 西北
3 橙子 6.8 华中
4 哈密瓜 15.8 西北
5 芭乐 4.9 华南
6 梨 5.8 华北
7 桃子 7.0 华中
(6) 构建数据: 合并订单数据和水果信息:
# 将订单信息和水果信息直接合并成一个完整的 DataFrame, 这个 df 就是要用到的测试数据。
df = pd.merge(order, information, how="outer").sort_values("time").reset_index(drop=True)print("[Message] Merge Order Data and Fruits Information Through Pandas DataFrame:")
print(df)
输出:
[Message] Merge Order Data and Fruits Information Through Pandas DataFrame:time fruit name kilogram price region
0 2019-01-01 香蕉 Mike 63 3.8 华南
1 2019-01-02 葡萄 Michk 69 12.8 西北
2 2019-01-03 香蕉 Michk 51 3.8 华南
3 2019-01-04 香蕉 Mike 69 3.8 华南
4 2019-01-05 香蕉 Tom 64 3.8 华南
... ... ... ... ... ... ...
1091 2021-12-27 葡萄 Lym 94 12.8 西北
1092 2021-12-28 梨 Xiaoming 60 5.8 华北
1093 2021-12-29 香蕉 Xiaoming 95 3.8 华南
1094 2021-12-30 橙子 Jhon 90 6.8 华中
1095 2021-12-31 桃子 Lym 93 7.0 华中[1096 rows x 6 columns]
(7) 构建数据: 计算订单金额:
df["amount"] = df["kilogram"] * df["price"]print("[Message] Compute Order Amount Through Pandas DataFrame:")
print(df.head())
输出:
[Message] Compute Order Amount Through Pandas DataFrame:time fruit name kilogram price region amount
0 2019-01-01 香蕉 Mike 63 3.8 华南 239.4
1 2019-01-02 葡萄 Michk 69 12.8 西北 883.2
2 2019-01-03 香蕉 Michk 51 3.8 华南 193.8
3 2019-01-04 香蕉 Mike 69 3.8 华南 262.2
4 2019-01-05 香蕉 Tom 64 3.8 华南 243.2
配置 Matplotlib (全局配置)
# 指定 Matplotlib 默认字体 (解决中文无法显示的问题)。
plt.rcParams['font.sans-serif'] = ['SimHei']# 解决 Matplotlib 保存图像时负号 "-" 显示方块的问题。
plt.rcParams['axes.unicode_minus'] = False# 设置 Matplotlib 字体大小 (全局生效)。
plt.rcParams['font.size'] = 6
各商品年度销量和销售额数据
提取年份:
# 提取日期中的年份。
df["year"] = df["time"].dt.year
计算各商品的年度销量和销售额数据:
# 计算各水果的年度销量和销售额数据。
annual_data = df.groupby(["year", "fruit"]).agg({"kilogram":"sum", "amount":"sum"}).reset_index()
annual_data["year"] = annual_data["year"].astype(str)
annual_data["amount"] = annual_data["amount"].apply(lambda x: round(x, 2))print("[Message] Top 10 Lines of Annual Quantity and Amount Data:")
print(annual_data.head(10))
输出:
[Message] Top 10 Lines of Annual Quantity and Amount Data:year fruit kilogram amount
0 2019 哈密瓜 3671 58001.8
1 2019 桃子 3799 26593.0
2 2019 梨 2917 16918.6
3 2019 橙子 3084 20971.2
4 2019 芭乐 3378 16552.2
5 2019 苹果 3732 33214.8
6 2019 葡萄 3594 46003.2
7 2019 香蕉 3246 12334.8
8 2020 哈密瓜 3922 61967.6
9 2020 桃子 2877 20139.0
绘制商品年度销量占比和销售额占比
绘制各商品的年度销量占比环形图:
绘制 Matplotlib 环形图: 通过向 matplotlib.pyplot 的 .pie 方法传递参数 wedgeprops={‘width’:0.6} 绘制，自定义数值 0.6 表示环形图的宽度。
# 创建一个 10 * 32 点的图，设置分辨率为 144。
fig = plt.figure(figsize=(10, 32), dpi=144)filter_data = annual_data[annual_data.year == "2019"]
ax1 = plt.subplot2grid((10, 32), (0, 0), rowspan=10, colspan=10)
ax1.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax1.set_title("环形图 (2019年商品销量占比)")filter_data = annual_data[annual_data.year == "2020"]
ax2 = plt.subplot2grid((10, 32), (0, 11), rowspan=10, colspan=10)
ax2.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax2.set_title("环形图 (2020年商品销量占比)")filter_data = annual_data[annual_data.year == "2021"]
ax3 = plt.subplot2grid((10, 32), (0, 22), rowspan=10, colspan=10)
ax3.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax3.set_title("环形图 (2021年商品销量占比)")plt.show()
预览:
绘制各商品的年度销售额树状热力图:
绘制 Matplotlib 树状热力图: 在 Matplotlib 中绘制树状热力图, 需要先 Pip 安装 squarify, 然后 import squarify 后即可调用 squarify.plot 方法。
# 重置 Matplotlib 字体大小 (全局生效)。
plt.rcParams['font.size'] = 10# 创建一个 16 * 5 点的图，设置分辨率为 144。
fig = plt.figure(figsize=(16, 5), dpi=144)filter_data = annual_data[annual_data.year == "2019"]
plt.subplot(1,3,1)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2019年商品销售额占比)")
plt.axis('off')filter_data = annual_data[annual_data.year == "2020"]
plt.subplot(1,3,2)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2020年商品销售额占比)")
plt.axis('off')filter_data = annual_data[annual_data.year == "2021"]
plt.subplot(1,3,3)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2021年商品销售额占比)")
plt.axis('off')plt.show()
预览:
各商品月度销售额数据
同时提取年份和月份:
# 同时提取日期中的年份和月份。
df["year_month"] = df["time"].dt.strftime('%Y%m')
计算各商品的月度销售额数据:
# 计算各水果的月度销售额数据。
monthly_data = df.groupby(["year_month", "fruit"])["amount"].sum().reset_index()# 找出某些水果在哪些月份没有销售，并填充 0.0 便于绘图。
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
# ..................................................
for ym in LIST_for_Year_Month:for fru in LIST_for_Fruit:filtered_line = monthly_data[(monthly_data.year_month == ym) & (monthly_data.fruit == fru)]if filtered_line.empty == True:new_line = {"year_month": ym, "fruit": fru, "amount": 0.0}# FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.monthly_data = monthly_data.append(new_line, ignore_index=True)else: passprint("[Message] Monthly Amount Data:")
print(monthly_data)
输出:
[Message] Monthly Amount Data:year_month fruit amount
0 201901 哈密瓜 2496.4
1 201901 桃子 1687.0
2 201901 梨 1479.0
3 201901 橙子 1740.8
4 201901 芭乐 2744.0
.. ... ... ...
280 202112 橙子 523.6
281 202112 芭乐 1127.0
282 202112 苹果 3097.2
283 202112 葡萄 2649.6
284 202112 香蕉 1900.0[285 rows x 3 columns]
绘制商品月销售额变化
绘制各商品的月度销售额堆叠条形图:
monthly_data = monthly_data.sort_values("year_month", ascending=True)
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
LIST_for_Bottom = [i - i for i in range(len(LIST_for_Year_Month))]
# ..................................................
for i in range(len(LIST_for_Fruit)):if (i == 0):filter_data = monthly_data[monthly_data.fruit == LIST_for_Fruit[i]]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.bar(X_axis, Y_axis, bottom=0, label=LIST_for_Fruit[i])LIST_for_Y_Axis = Y_axis.values.tolist()LIST_for_Bottom = [n + m for n, m in zip(LIST_for_Bottom, LIST_for_Y_Axis)]else:filter_data = monthly_data[monthly_data.fruit == LIST_for_Fruit[i]]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.bar(X_axis, Y_axis, bottom=LIST_for_Bottom, label=LIST_for_Fruit[i])LIST_for_Y_Axis = Y_axis.values.tolist()LIST_for_Bottom = [n + m for n, m in zip(LIST_for_Bottom, LIST_for_Y_Axis)]
# ..................................................
plt.title("堆叠条形图 (水果月度销售额变化)")
plt.xticks(rotation=-90) # -> 将 X 轴刻度标签旋转 90 度 (正数为逆时针，负数为顺时针)。
plt.xlabel("日期 (年月)")
plt.ylabel("销售额 (Amount)")
plt.grid(True)
# bbox_to_anchor 设置图例位置，参照官网，(1.0, 0.7) 这个数值将图例设置到图像外侧右边中间。
plt.legend(bbox_to_anchor=(1.0, 0.7))plt.show()
预览:
绘制各商品的月度销售额走势折线图:
monthly_data = monthly_data.sort_values("year_month", ascending=True)
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
# ..................................................
for fru in LIST_for_Fruit:filter_data = monthly_data[monthly_data.fruit == fru]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.plot(X_axis, Y_axis, label=fru)
# ..................................................
plt.title("折线图 (水果月度销售额走势)")
plt.xticks(rotation=-90) # -> 将 X 轴刻度标签旋转 90 度 (正数为逆时针，负数为顺时针)。
plt.xlabel("日期 (年月)")
plt.ylabel("销售额 (Amount)")
plt.grid(True)
# bbox_to_anchor 设置图例位置，参照官网，(1.0, 0.7) 这个数值将图例设置到图像外侧右边中间。
plt.legend(bbox_to_anchor=(1.0, 0.7))plt.show()
预览:
完整代码
#!/usr/bin/python3
# Create By GF 2023-07-24# 分析维度包括:
# 1. 各商品年度销量占比
# 2. 各商品月度销量变化import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import squarify# (1) 构建数据: 时间字段。
time_range = pd.date_range(start="2019/01/01", end="2021/12/31")print("[Message] Time Range Built Through Pandas:")
print(time_range)print("[Message] Time Length Built Through Pandas:")
print(len(time_range))# (2) 构建数据: 水果列表。
fruits = ["香蕉", "苹果", "葡萄", "橙子", "哈密瓜", "芭乐", "梨", "桃子"]
fruits_list = np.random.choice(fruits, size=len(time_range), replace=True)print("[Message] Fruits List Built Through NumPy:")
print(fruits_list)print("[Message] Length of Fruits List Built Through NumPy:")
print(len(fruits_list))# (2) 构建数据: 客户列表。
names = ["Mike", "Jhon", "Tom", "Xiaoming", "Jimmy", "Lym", "Michk"]
names_list = np.random.choice(names, size=len(time_range), replace=True)print("[Message] Customer List Built Through NumPy:")
print(names_list)print("[Message] Length of Customer List Built Through NumPy:")
print(len(names_list))# (4) 构建数据: 订单数据。
order = pd.DataFrame({"time": time_range, # -> 下单时间。"fruit": fruits_list, # -> 水果名称。"name": names_list, # -> 顾客名。"kilogram": np.random.choice(list(range(50,100)), size=len(time_range),replace=True)}) # -> 购买量。print("[Message] Generate Order Data Through Pandas DataFrame:")
print(order)# (5) 构建数据: 水果信息。
information = pd.DataFrame({"fruit": fruits,"price": [3.8, 8.9, 12.8, 6.8, 15.8, 4.9, 5.8, 7],"region": ["华南", "华北", "西北", "华中", "西北", "华南", "华北", "华中"]})print("[Message] Building Fruits Information Through Pandas DataFrame:")
print(information)# (6) 构建数据: 合并订单数据和水果信息。
# 将订单信息和水果信息直接合并成一个完整的 DataFrame, 这个 df 就是要用到的测试数据。
df = pd.merge(order, information, how="outer").sort_values("time").reset_index(drop=True)print("[Message] Merge Order Data and Fruits Information Through Pandas DataFrame:")
print(df)# (7) 构建数据: 计算订单金额。
df["amount"] = df["kilogram"] * df["price"]print("[Message] Compute Order Amount Through Pandas DataFrame:")
print(df.head())# ##################################################################################################### 指定 Matplotlib 默认字体 (解决中文无法显示的问题)。
plt.rcParams['font.sans-serif'] = ['SimHei']# 解决 Matplotlib 保存图像时负号 "-" 显示方块的问题。
plt.rcParams['axes.unicode_minus'] = False# 设置 Matplotlib 字体大小 (全局生效)。
plt.rcParams['font.size'] = 6# ##################################################################################################### 提取日期中的年份。
df["year"] = df["time"].dt.year# 计算各水果的年度销量和销售额数据。
annual_data = df.groupby(["year", "fruit"]).agg({"kilogram":"sum", "amount":"sum"}).reset_index()
annual_data["year"] = annual_data["year"].astype(str)
annual_data["amount"] = annual_data["amount"].apply(lambda x: round(x, 2))print("[Message] Top 10 Lines of Annual Quantity and Amount Data:")
print(annual_data.head(10))# ####################################################################################################
# 绘制各商品的年度销量占比环形图# 创建一个 10 * 32 点的图，设置分辨率为 144。
fig = plt.figure(figsize=(10, 32), dpi=144)filter_data = annual_data[annual_data.year == "2019"]
ax1 = plt.subplot2grid((10, 32), (0, 0), rowspan=10, colspan=10)
ax1.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax1.set_title("环形图 (2019年商品销量占比)")filter_data = annual_data[annual_data.year == "2020"]
ax2 = plt.subplot2grid((10, 32), (0, 11), rowspan=10, colspan=10)
ax2.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax2.set_title("环形图 (2020年商品销量占比)")filter_data = annual_data[annual_data.year == "2021"]
ax3 = plt.subplot2grid((10, 32), (0, 22), rowspan=10, colspan=10)
ax3.pie(filter_data["kilogram"], labels=filter_data["fruit"], autopct='%1.2f%%', wedgeprops={'width':0.6})
ax3.set_title("环形图 (2021年商品销量占比)")plt.show()# ####################################################################################################
# 绘制各商品的年度销售额树状热力图# 重置 Matplotlib 字体大小 (全局生效)。
plt.rcParams['font.size'] = 10# 创建一个 16 * 5 点的图，设置分辨率为 144。
fig = plt.figure(figsize=(16, 5), dpi=144)filter_data = annual_data[annual_data.year == "2019"]
plt.subplot(1,3,1)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2019年商品销售额占比)")
plt.axis('off')filter_data = annual_data[annual_data.year == "2020"]
plt.subplot(1,3,2)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2020年商品销售额占比)")
plt.axis('off')filter_data = annual_data[annual_data.year == "2021"]
plt.subplot(1,3,3)
squarify.plot(filter_data["amount"],#color=['red', 'green', 'blue', 'orange'],label=filter_data["fruit"],value=filter_data["amount"],pad=True)
plt.title("树状热力图 (2021年商品销售额占比)")
plt.axis('off')plt.show()# ##################################################################################################### 同时提取日期中的年份和月份。
df["year_month"] = df["time"].dt.strftime('%Y%m')# 计算各水果的月度销售额数据。
monthly_data = df.groupby(["year_month", "fruit"])["amount"].sum().reset_index()# 找出某些水果在哪些月份没有销售，并填充 0.0 便于绘图。
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
# ..................................................
for ym in LIST_for_Year_Month:for fru in LIST_for_Fruit:filtered_line = monthly_data[(monthly_data.year_month == ym) & (monthly_data.fruit == fru)]if filtered_line.empty == True:new_line = {"year_month": ym, "fruit": fru, "amount": 0.0}# FutureWarning: The frame.append method is deprecated and will be removed from pandas in a future version. Use pandas.concat instead.monthly_data = monthly_data.append(new_line, ignore_index=True)else: passprint("[Message] Monthly Amount Data:")
print(monthly_data)# ####################################################################################################
# 绘制各商品的月度销售额堆叠条形图monthly_data = monthly_data.sort_values("year_month", ascending=True)
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
LIST_for_Bottom = [i - i for i in range(len(LIST_for_Year_Month))]
# ..................................................
for i in range(len(LIST_for_Fruit)):if (i == 0):filter_data = monthly_data[monthly_data.fruit == LIST_for_Fruit[i]]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.bar(X_axis, Y_axis, bottom=0, label=LIST_for_Fruit[i])LIST_for_Y_Axis = Y_axis.values.tolist()LIST_for_Bottom = [n + m for n, m in zip(LIST_for_Bottom, LIST_for_Y_Axis)]else:filter_data = monthly_data[monthly_data.fruit == LIST_for_Fruit[i]]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.bar(X_axis, Y_axis, bottom=LIST_for_Bottom, label=LIST_for_Fruit[i])LIST_for_Y_Axis = Y_axis.values.tolist()LIST_for_Bottom = [n + m for n, m in zip(LIST_for_Bottom, LIST_for_Y_Axis)]
# ..................................................
plt.title("堆叠条形图 (水果月度销售额变化)")
plt.xticks(rotation=-90) # -> 将 X 轴刻度标签旋转 90 度 (正数为逆时针，负数为顺时针)。
plt.xlabel("日期 (年月)")
plt.ylabel("销售额 (Amount)")
plt.grid(True)
# bbox_to_anchor 设置图例位置，参照官网，(1.0, 0.7) 这个数值将图例设置到图像外侧右边中间。
plt.legend(bbox_to_anchor=(1.0, 0.7))plt.show()# ####################################################################################################
# 绘制各商品的月度销售额走势折线图monthly_data = monthly_data.sort_values("year_month", ascending=True)
LIST_for_Year_Month = monthly_data["year_month"].drop_duplicates()
LIST_for_Fruit = monthly_data["fruit"].drop_duplicates()
# ..................................................
for fru in LIST_for_Fruit:filter_data = monthly_data[monthly_data.fruit == fru]X_axis = LIST_for_Year_MonthY_axis = filter_data["amount"]plt.plot(X_axis, Y_axis, label=fru)
# ..................................................
plt.title("折线图 (水果月度销售额走势)")
plt.xticks(rotation=-90) # -> 将 X 轴刻度标签旋转 90 度 (正数为逆时针，负数为顺时针)。
plt.xlabel("日期 (年月)")
plt.ylabel("销售额 (Amount)")
plt.grid(True)
# bbox_to_anchor 设置图例位置，参照官网，(1.0, 0.7) 这个数值将图例设置到图像外侧右边中间。
plt.legend(bbox_to_anchor=(1.0, 0.7))plt.show()总结
以上就是关于 数据分析 商品维度占比及变化可视化分析(Pandas和Matplotlib) 的全部内容。
更多内容可以访问我的代码仓库:
https://gitee.com/goufeng928/public
https://github.com/goufeng928/public
】Redis主从复制模式配置示例)
