Python数据可视化 - - - 柱状图（一）

import pylab
import random
import matplotlib
import matplotlib.pyplot as plt


def Step1():

    # 柱状图：pylab.hist()

    SAMPLE_SIZE = 10000  # 100的区间会看到数据有起伏波动，10000时会趋于平稳，因为10个数一组
    random.seed()   # 使用系统当前时间
    # 值的区间为0～1的
    real_rand_vars = [random.random() for val in range(SAMPLE_SIZE)]  # 存储随机数数值
    print('real_rand_vars=', real_rand_vars)
    pylab.hist(real_rand_vars, 10)  # 100个随机数放入其中，10个随机数为一组
    pylab.xlabel('Number range')
    pylab.ylabel('Count')
    pylab.show()

    return

def Step2():

    # 柱状图：pylab.hist()

    # 数值的变化转为[1 ~ 6]的, 这里使用random.randint()
    min = 1
    max = 6

    SAMPLE_SIZE = 10000  # 100的区间会看到数据有起伏波动，10000时会趋于平稳，因为10个数一组
    random.seed()  # 使用系统当前时间
    # 值的区间为0～1的
    real_rand_vars = [random.randint(min, max) for val in range(SAMPLE_SIZE)]  # 存储随机数数值
    print('real_rand_vars=', real_rand_vars)
    pylab.hist(real_rand_vars, 10)  # 100个随机数放入其中，10个随机数为一组
    pylab.xlabel('Number range')
    pylab.ylabel('Count')
    pylab.show()

    return

def Step3():    # 画出来是个折线图

    duration = 100     # 100个数据点为虚拟天数的序列
    mean_inc = 0.2     # 中值(中位数)
    std_dev_inc = 1.2  # 标准差
    x = range(duration)
    y = []
    price_today = 0
    for i in x:
        # 从中值为mean_inc、标准差为std_dev_inc的正太分布中选取一个随机值，然后加上前一天的价格作为当天的价格
        next_delta = random.normalvariate(mean_inc, std_dev_inc)
        price_today = price_today + next_delta
        y.append(price_today)

    pylab.plot(x, y)  # 把每个点传入，画出来的就是每个点的连线，这里是个走势图
    pylab.xlabel('Time')
    pylab.ylabel('Value')
    pylab.show()

    return

def Step3():

    # plt.hist 直方图，下面是几种分布的直方图，每个样本数量为1000
    # random.seed()，使用系统当前时间，seed()来初始化随机数生成器
    # 如果要避免生成的序列重复，推荐使用random.SystemRandom，因为它底层使用的是os.urandom,os.urandom提供了
    # 对更多熵源的访问，而seed()和setstate()没有影响

    SAMPLE_SIZE = 1000
    random.seed()
    buckets = 100
    plt.figure()    # 生成一个图表
    matplotlib.rcParams.update({'font.size' : 7})
    plt.subplot(621)    # 定义一个6x2的子图，0～1之间分布的随机变量
    plt.xlabel('random.random')
    res = [random.random() for _ in range(1, SAMPLE_SIZE)]  # 1000个随机数组成的样本集
    plt.hist(res, buckets)

    plt.subplot(622)    # 定义一个6x2的子图，均匀分布的随机变量
    plt.xlabel('random.uniform')
    a = 1
    b = SAMPLE_SIZE
    res = [random.uniform(a, b) for _ in range(1, SAMPLE_SIZE)] # random.uniform(x, y) 方法将随机生成一个实数，它在 [x,y] 范围内
    plt.hist(res, buckets)

    plt.subplot(623)    # 定义一个6x2的子图，三角形分布
    plt.xlabel('random.triangular')
    low = 1
    high = SAMPLE_SIZE
    res = [random.triangular(low=low, high=high) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(624)    # 定义一个6x2的子图，beta分布
    plt.xlabel('random.betavariate')
    alpha = 1   # 这里alpha与beta都大于0
    beta = 10
    res = [random.betavariate(alpha=alpha, beta=beta) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(625)    # 定义一个6x2的子图，指数分布
    plt.xlabel('random.expovariate')
    lambd = 1 / ((SAMPLE_SIZE + 1) / 2)
    res = [random.expovariate(lambd=lambd) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(626)    # gamma分布
    plt.xlabel('random.gammavariate')
    alpha = 1
    beta = 10
    res = [random.gammavariate(alpha=alpha, beta=beta) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(627)    # 对数正态分布
    plt.xlabel('random.lognormvariate')
    mu = 1
    sigma = 0.5
    res = [random.lognormvariate(mu=mu, sigma=sigma) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(628)
    plt.xlabel('random.normalvariate')
    mu = 1
    sigma = 0.5
    res = [random.normalvariate(mu=mu, sigma=sigma) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)

    plt.subplot(629)    # 帕累托分布
    plt.xlabel('random.paretovariate')
    alpha = 1
    res = [random.paretovariate(alpha=alpha) for _ in range(1, SAMPLE_SIZE)]
    plt.hist(res, buckets)
    plt.tight_layout()
    plt.show()

    return

def WorkSpace():

    Step1()     # 简单的柱状图
    Step2()     # 10000个点，画出的是折线走势图
    Step3()     # 各种分布下的柱状图

    return

WorkSpace()

下面依次为step1、step2、step3的可视化图