Python数据分析期末综合实验
Python数据分析代写 设计可视化系统或选择交互方式的时候,除了能够完成任务本身之外,还要遵循一些基本的原则。例如,交互的延时性需要在用户可以接受的范围之内,并有效控制用户交互的成本。这些基本原则对交互的效果起着至关重要的作用富。本次实验是对文本进行可视化生成词云图片与传统的统计技术对比。
【实验目的】 Python数据分析代写 Python数据分析代写
- 了解数据可视化的一般原则
- 掌握数据可视化的分类
- 掌握数据可视化的常见技术
- 本次实验是对全国的空气质量进行可视化分析并进行数据统计技术对比
【实验原理】 Python数据分析代写 Python数据分析代写
设计可视化系统或选择交互方式的时候,除了能够完成任务本身之外,还要遵循一些基本的原则。例如,交互的延时性需要在用户可以接受的范围之内,并有效控制用户交互的成本。这些基本原则对交互的效果起着至关重要的作用富。
另外,交互的技术有很多种,本次实验是对文本进行可视化生成词云图片与传统的统计技术对比。 Python数据分析代写
交互的原则、交互的分类以及常见的交互技术,尤其是几种常见的交互技术,只有熟练掌握并使用恰当,才可能设计出用户体验良好的可视化应用。尽管交互的技术有很多种,但交互技术本身并无优劣之分,选择哪种交互技术的依据是具体的场景和应用需求。
【实验环境】
Python:v3.7
附件给出了2018年全国主要城市的空气质量指数的相关数据,主要包括data、city、AQI、PM2.5、PM10、SO2、NO2、CO、O3等,如图所示:
请根据要求,完成下列各项任务,并做简单分析。
- 折线图
(1)提取数据集中的城市北京的相关数据
(2)提取数据集中的城市北京的time列和AQI列的数据
(3)将time列和AQI列的数据传递给pyecharts的Line()函数,画出2018年北京每日AQI值的变化趋势折线图 Python数据分析代写
(4)将time列和PM2.5列的数据传递给pyecharts的Line()函数,画出2018年北京每日PM2.5值的变化趋势折线图
(5)将time列和PM10列的数据传递给pyecharts的Line()函数,画出2018年北京每日PM10值的变化趋势折线图
- 上述图中的数据起伏较大,分别计算上题中每月的AQI、PM2.5、PM10的平均值,画出一年中该值的走势图
- 箱型图:将AQI值按照季度进行分析
(1)提取上题数据中的time列,从中提取出月份。
(2)根据月份所在季度把AQI值分别保存到4个季度的列表中
(3)将四个季度对应的AQI值列表数据传递给pyecharts的boxplot()函数,画出2018年北京季度AQI箱型图。
- 饼图:画出北京全年空气质量等级占比饼图
(1)根据北京每天AQI数值,增加一列,名称为‘Quality_grade’
(2)计算各个质量等级Quality_grade对应的数量
(3)将Quality_grade和对应的数量传递给pyecharts的Pie()函数,画出2018年北京空气质量等级占比图。 Python数据分析代写
- 日历热力图:将时间转换为datetime格式,结合PM2.5值,传递给pyecharts的HeatMap()函数,即可在日历热力图中显示每日的PM2.5值。
(1)将time列数据转换为datetime格式
(2)将datetime时间与对应的PM2.5值合成一个二维列表,存入包含2018年全年PM2.5的总列表中
(3)把总列表中的数据传递给pyecharts的HeatMap()函数,生成日历热力图
- 多个数据源的折线图
再分别读取上海、深圳、广州的空气质量相关数据,加上北京,计算四个城市的月均AQI值及PM2.5值,画出四个城市的月均AQI及PM2.5走势图。
- 多个数据源的饼图
再分别读取上海、深圳、广州的空气质量相关数据,加上北京,计算四个城市的空气质量占比情况,画出四个城市的空气质量占比饼图,并把四个饼图画在一个图里(提示:用子图)。
最后写出实验报告!
其他代写:代写CS C++代写 java代写 matlab代写 web代写 app代写 作业代写 物理代写 数学代写 考试助攻 paper代写 r代写 金融经济统计代写 北美代写 加拿大代写