【Python】研究黑色星期五超市交易额影响因素【绘图展示】

import os              #导入库
import pandas as pd    #导入库

os.chdir(r'F:\公众号\10.黑色星期五购物数据')   #设置文件存放路径
date = pd.read_csv('BlackFriday.csv')          #读取数据

import matplotlib.pyplot as plt                          #导入库

plt.rcParams['font.sans-serif'] = ['SimHei']              #解决中文显示问题
plt.rcParams['axes.unicode_minus'] = False               # 解决中文显示问题

result = date[['Purchase']].groupby(date['Age']).mean() #按年龄分组，统计交易额平均值
plt.scatter(result['Purchase'], result.index, c=result['Purchase'])  #以交易额为x轴和区分颜色，年龄为y轴绘制散点图
plt.colorbar()                                           #绘制颜色条
plt.xlabel('交易额')                                     #x轴标签
plt.ylabel('年龄段')                                     #y轴标签
plt.title('不同年龄段交易额趋势')                        #标题
plt.show()

result = date[['Purchase']].groupby(date['Stay_In_Current_City_Years']).mean() #按年龄分组，统计交易额平均值
plt.scatter(result['Purchase'], result.index, c=result['Purchase'])  #以交易额为x轴和区分颜色，年龄为y轴绘制散点图
plt.colorbar()                                           #绘制颜色条
plt.xlabel('交易额')                                     #x轴标签
plt.ylabel('居住时长')                                   #y轴标签
plt.title('不同居住时长对交易额影响')                    #标题
plt.show()

import matplotlib.cm as cm       #导入库

result = date[['Purchase']].groupby([date['Stay_In_Current_City_Years'], date['Age']]).mean() #按年龄分组，统计交易额平均值, resul
ax = plt.subplot(projection='3d')
ax.scatter(result['Purchase'], result.index.codes[0], result.index.codes[1], color=cm.ScalarMappable().to_rgba(result['Purchase']))  #绘制三维散点图
sm = plt.cm.ScalarMappable(norm=plt.Normalize(vmin=result['Purchase'].min(), vmax=result['Purchase'].max()))
plt.xlabel('交易额')                                     #x轴标签
plt.ylabel('居住年数')                                   #y轴标签
plt.title('不同居住时长和年龄段对交易额影响')            #标题
plt.colorbar(sm)                                         #显示对应数值的颜色条
plt.show()

pd.set_option('display.max_columns', None)       #设置最大显示列数
date['Age'] = date['Age'].apply(lambda x:x[0])   #取年龄段的第一数字替换年龄变量，方便相关性计算
date.loc[date['Stay_In_Current_City_Years']=='4+', 'Stay_In_Current_City_Years'] = 4  #把居住时长中的4+替换成4
date['Age'] = date['Age'].astype(int)            #把年龄字段字符形转成数值形（整形）
date['Stay_In_Current_City_Years'] = date['Stay_In_Current_City_Years'].astype(int)   #把居住时长字段字符形转成数值形（整形）
date.corr()                                      #计算数据表字段的两两相关性

import seaborn as sns    #导入库

sns.heatmap(date.corr())  #根据相关系数表绘制热力图
plt.show()

sns.clustermap(date.corr())  #绘制分层热力图
plt.show()