
import pandas as pd
import numpy as np
import plotly.offline as plyoff
import plotly.graph_objs as plygo


pyplot = plyoff.iplot


GDP = pd.read_csv("../datasets/Chinas GDP in Province Zh.csv",index_col=0)


GDP_new = GDP.T.stack().reset_index()


GDP_new.rename(columns={"level_0":"地区","level_1":"年份",0:"GDP"},inplace=True)


GDP_new


sec_house = pd.read_csv("../datasets/house.csv")


sec_house


sec_house_qu_price=sec_house.groupby("区")[["价格","均价"]].mean().reset_index()


sec_house_qu_price["均价"] = sec_house_qu_price["均价"] /10000


trace0 = plygo.Scatter(x=sec_house_qu_price["区"],y=sec_house_qu_price["价格"],mode="markers",name="总价")
trace1 = plygo.Scatter(x=sec_house_qu_price["区"],y=sec_house_qu_price["均价"],mode="markers+lines",line=dict(),name="均价")


data=[trace0,trace1]


pyplot(data)


layout = plygo.Layout(title="不同地区的房价情况",
                      xaxis=dict(title="地区"),
                      yaxis=dict(title="金额"),
                      legend=dict(font=dict()),
                     )


fig = plygo.Figure(data=data,layout=layout)


pyplot(fig)


trace2= plygo.Bar(x=GDP_new[GDP_new["地区"]=="北京市"]["年份"],y=GDP_new[GDP_new["地区"]=="北京市"]["GDP"])


layout = plygo.Layout(title="北京市的GDP情况",xaxis=dict(title="年份"),yaxis=dict(title="GDP"))


data = [trace2]


fig = plygo.Figure(data=data,layout=layout)


pyplot(fig)


trace3= plygo.Bar(x=GDP_new[GDP_new["地区"]=="北京市"]["年份"],y=GDP_new[GDP_new["地区"]=="北京市"]["GDP"],name="北京市")
trace4= plygo.Bar(x=GDP_new[GDP_new["地区"]=="上海市"]["年份"],y=GDP_new[GDP_new["地区"]=="北京市"]["GDP"],name="上海市")
trace5= plygo.Bar(x=GDP_new[GDP_new["地区"]=="重庆市"]["年份"],y=GDP_new[GDP_new["地区"]=="北京市"]["GDP"],name="重庆市")
trace6= plygo.Bar(x=GDP_new[GDP_new["地区"]=="天津市"]["年份"],y=GDP_new[GDP_new["地区"]=="北京市"]["GDP"],name="天津市")


layout = plygo.Layout(title="四个直辖市GDP情况",xaxis=dict(title="年份"),yaxis=dict(title="GDP"))


data = [trace3,trace4,trace5,trace6]


fig = plygo.Figure(data=data,layout=layout)


pyplot(fig)


# 堆叠模式
layout = plygo.Layout(title="四个直辖市GDP情况",xaxis=dict(title="年份"),yaxis=dict(title="GDP"),barmode="stack")
data = [trace3,trace4,trace5,trace6]
fig = plygo.Figure(data=data,layout=layout)
pyplot(fig)


titanic = pd.read_csv("../datasets/taitanic_train.csv")


trace7 = plygo.Histogram(x=titanic["Age"],histnorm="probability")


data = [trace7]


layout = plygo.Layout(title="年龄概率分布直方图",)


fig = plygo.Figure(layout=layout,data=data)


pyplot(fig)


iris = pd.read_csv("../datasets/iris.data.txt")


iris_count =iris["species"].value_counts().reset_index()


iris_count


trace8 = plygo.Pie(labels=iris_count["index"],values=iris_count["species"])


data=[trace8]


layout = plygo.Layout(title="不同种类花的数量",)
fig = plygo.Figure(layout=layout,data=data)


pyplot(fig)


sec_house_qu_price


bar_trace = plygo.Bar(x=sec_house_qu_price["区"],y=sec_house_qu_price["均价"],name="均价")


scater_trace= plygo.Scatter(x=sec_house_qu_price["区"],y=sec_house_qu_price["价格"],name="价格")


data = [bar_trace,scater_trace]


pyplot(data)


bar_trace = plygo.Bar(x=sec_house_qu_price["区"],y=sec_house_qu_price["均价"],name="均价")
scater_trace= plygo.Scatter(x=sec_house_qu_price["区"],y=sec_house_qu_price["价格"],name="价格",yaxis="y2")
data = [bar_trace,scater_trace]


layout =plygo.Layout(title="不同地区房价情况",
                     yaxis=dict(title="总金额"),
                     yaxis2= dict(title="单位价格",overlaying="y",side="right"),
                     xaxis=dict(title="地区"))


fig = plygo.Figure(data=data,layout=layout)


pyplot(fig)


from plotly import tools
fig = tools.make_subplots(rows=2,cols=1)


bar_trace = plygo.Bar(x=sec_house_qu_price["区"],y=sec_house_qu_price["均价"],name="均价")
scater_trace= plygo.Scatter(x=sec_house_qu_price["区"],y=sec_house_qu_price["价格"],name="价格",yaxis="y2")


fig.append_trace(bar_trace,1,1)


fig.append_trace(scater_trace,2,1)


fig['layout'].update(height=600,title="不同地区房价")

Layout({
    'height': 600,
    'template': '...',
    'title': {'text': '不同地区房价'},
    'xaxis': {'anchor': 'y', 'domain': [0.0, 1.0]},
    'xaxis2': {'anchor': 'y2', 'domain': [0.0, 1.0]},
    'yaxis': {'anchor': 'x', 'domain': [0.575, 1.0]},
    'yaxis2': {'anchor': 'x2', 'domain': [0.0, 0.425]}
})


pyplot(fig)

	地区	年份	GDP
0	北京市	2020	36102.6
1	北京市	2019	35445.1
2	北京市	2018	33106.0
3	北京市	2017	29883.0
4	北京市	2016	27041.2
...	...	...	...
894	新疆维吾尔自治区	1996	900.9
895	新疆维吾尔自治区	1995	814.9
896	新疆维吾尔自治区	1994	662.3
897	新疆维吾尔自治区	1993	495.3
898	新疆维吾尔自治区	1992	402.3

	价格	小区	房屋户型	建筑面积	户型结构	建筑类型	房屋朝向	建筑结构	装修情况	梯户比例	...	环	室	厅	厨	卫	所处楼层	总层数	有无抵押	抵押情况	均价
0	1410.0	江临天下	4室2厅1厨2卫	165.73	平层	板楼	南西南	钢混结构	精装	六梯六户	...	内环内	4	2	1	2	低楼层	35	无	NaN	85078.14
1	680.0	樱花路309弄	2室2厅1厨1卫	78.65	复式	板楼	南北	钢混结构	精装	一梯两户	...	内环内	2	2	1	1	高楼层	6	有	150万元银行抵押业主自还	86459.00
2	2088.0	盛大金磐	3室2厅1厨3卫	194.65	平层	板楼	南	钢混结构	精装	三梯三户	...	内环内	3	2	1	3	中楼层	43	无	NaN	107269.46
3	266.0	康桥月苑	2室2厅1厨1卫	72.27	平层	板楼	南	钢混结构	精装	一梯两户	...	外环外	2	2	1	1	高楼层	6	无	NaN	36806.42
4	2288.0	城市经典	4室2厅1厨3卫	324.29	暂无数据	暂无数据	北	钢混结构	精装	暂无数据	...	内环至中环	4	2	1	3	中楼层	4	无	NaN	70554.13
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
37478	260.0	绿地金卫新家园	4室2厅1厨2卫	154.74	复式	板楼	南	钢混结构	精装	一梯两户	...	外环外	4	2	1	2	高楼层	6	有	30万元公积金	16802.38
37479	135.0	城西花苑	2室2厅1厨1卫	94.00	平层	板楼	南	钢混结构	毛坯	一梯两户	...	外环外	2	2	1	1	中楼层	6	无	NaN	14361.70
37480	135.0	东礁四村	3室1厅1厨1卫	73.00	平层	板楼	南	钢混结构	简装	一梯三户	...	外环外	3	1	1	1	高楼层	6	有	20万元业主自还	18493.15
37481	320.0	万盛金邸	4室1厅1厨2卫	128.56	平层	板楼	南	钢混结构	精装	一梯两户	...	外环外	4	1	1	2	低楼层	14	有	8万元业主自还	24891.10
37482	208.0	育秀六区	3室1厅1厨1卫	88.00	平层	板楼	南	砖混结构	精装	一梯两户	...	NaN	3	1	1	1	中楼层	5	无	NaN	23636.36

	index	species
0	virginica	50
1	versicolor	50
2	setosa	50

	区	价格	均价
0	嘉定区	298.100956	3.346117
1	奉贤区	244.201167	2.349471
2	宝山区	392.535022	4.403582
3	徐汇区	661.666783	7.670740
4	普陀区	522.432921	6.090767
5	杨浦区	478.377571	6.364288
6	松江区	517.619973	3.798396
7	浦东新区	573.529333	5.670892
8	虹口区	570.579395	6.647432
9	金山区	206.206807	2.029167
10	长宁区	733.222088	7.141097
11	闵行区	521.933185	5.112870
12	青浦区	685.365884	3.667959
13	静安区	698.138963	7.651275
14	黄浦区	1255.955154	9.825114

基础图表¶

散点图¶

柱状图¶

直方图¶

饼图¶

多图表¶

双坐标轴¶

多子图¶