| 【python科研绘图】绘制帕累托图(Pareto)步骤解析，并封装后直接调用 | 您所在的位置：网站首页 › usb无线网卡插电脑无法识别 › 【python科研绘图】绘制帕累托图(Pareto)步骤解析，并封装后直接调用 |
【python科研绘图】绘制帕累托图(Pareto)步骤解析，并封装后直接调用
|
python绘制帕累托图
1 帕累托图2 python实现2.1 数据准备2.2 特征因素数值排序2.3 计算累计频率百分比2.4 标记累计百分比80%特征因素的位置2.5 输出核心的特征因素信息2.6 绘制帕累托图
3 封装3.1 全部代码3.2 应用示例
手动反爬虫：
原博地址 https://blog.csdn.net/lys_828/article/details/113746366
知识梳理不易，请尊重劳动成果，文章仅发布在CSDN网站上，在其他网站看到该博文均属于未经作者授权的恶意爬取信息
如若转载，请标明出处，谢谢！ 1 帕累托图帕累托分析（贡献度分析） → 帕累托法则：20/80定律 “原因和结果、投入和产出、努力和报酬之间本来存在着无法解释的不平衡。一般来说，投入和努力可以分为两种不同的类型：多数，它们只能造成少许的影响；少数，它们造成主要的、重大的影响。” 比如：一个公司，80%利润来自于20%的畅销产品，而其他80%的产品只产生了20%的利润 帕累托图基本构成： （1）双y轴图，左侧y轴表示频数，右侧y轴表示频率百分比，x轴表示特征因素（2）左侧y轴数据对应柱状图，右侧y轴数据对应点线图（3）点线图中超过80%的第一个因素进行标记，左侧就为核心特征因素
程序运行前先导入相关的第三方库，代码是在jupyter notebook中运行。 import numpy as np import pandas as pd import matplotlib.pyplot as plt %matplotlib inline使用的数据采用随机数进行生成 data = pd.Series(np.random.randn(10)*5000 + 10000, index = list('ABCDEFGHIJ')) data输出结果为：（每次运行生成的随机数的结果都会不一致） A 5748.099899 B 10463.000272 C 5172.031773 D 17338.362775 E 11225.537785 F 12372.527636 G 19367.945373 H 4703.089439 I 14747.208553 J 13076.519903 dtype: float64 2.2 特征因素数值排序数据的类型是Series数据，直接对值进行排序（由大到小） data.sort_values(ascending=False,inplace = True) data输出结果为： G 19367.945373 D 17338.362775 I 14747.208553 J 13076.519903 F 12372.527636 E 11225.537785 B 10463.000272 A 5748.099899 C 5172.031773 H 4703.089439 dtype: float64顺便也可以查看一下特征因素统计情况 #查看数据频数 plt.figure(figsize=(12,8)) data.plot(kind = 'bar', color = 'g', alpha = 0.8, width = 0.6,rot=0)输出结果为： 上面计算了左侧y轴对应的频数，接下来就要计算右侧y轴对应的数据 #计算累计营收占比 p = data.cumsum()/data.sum() p输出结果为：（最后一个特征因素的结果一定为1） G 0.169575 D 0.321381 I 0.450500 J 0.564991 F 0.673318 E 0.771603 B 0.863211 A 0.913539 C 0.958822 H 1.000000 dtype: float64 2.4 标记累计百分比80%特征因素的位置上面求解出累计百分比的大小，这里标记的是百分比大于等于80%的第一个特征因素的位置 key = p[p>0.8].index[0] key_num = data.index.tolist().index(key) print('超过80%占比的节点值索引为：',key) print('超过80%占比的节点值索引位置为：',key_num)输出结果为： 超过80%占比的节点值索引为： B 超过80%占比的节点值索引位置为： 6 2.5 输出核心的特征因素信息对于低于累计百分比80%的特征因素就是我们要筛选的结果 key_product = data.loc[:key] print('核心产品为：') print(key_product)输出结果为：（索引在80%占比的节点值索引位置之前的内容） 核心产品为： G 19367.945373 D 17338.362775 I 14747.208553 J 13076.519903 F 12372.527636 E 11225.537785 B 10463.000272 dtype: float64 2.6 绘制帕累托图至此绘制帕累托图所需要的数据全部准备完毕，直接绘制 plt.figure(figsize=(12,4)) data.plot(kind = 'bar', color = 'g', alpha = 0.8, width = 0.6,rot=0) p.plot(style = '--ko',secondary_y = True) plt.axvline(key_num,color='r',linestyle="--",alpha=0.8) plt.text(key_num+0.2,p[key],'累计占比为：%.3f%%' % (p[key]*100), color = 'r')输出结果为：（基本上满足要求） 整个过程中梳理完毕后，发现共有三个功能需要实现，也就是2.4-2.6的部分，因此可以设置一个类， 添加三个函数，完成绘制帕累托图的代码封装。 直接给出代码，注意的是传入的数据是Series数据，因为对于DataFrame数据，单独取一列研究特征因素对应的数据类别就是Series数据 3.1 全部代码 class Pareto_analysis: def __init__(self,series_data): self.series_data = series_data def get_key_factor_location(self): data.sort_values(ascending=False,inplace = True) p = data.cumsum()/data.sum() key = p[p>0.8].index[0] key_num = data.index.tolist().index(key) print('超过80%占比的节点值索引为：',key) print('超过80%占比的节点值索引位置为：',key_num) def get_key_factor_information(self): key_product = data.loc[:key] print('核心因素为：') print(key_product) def plot_figure(self): plt.figure(figsize=(12,4),dpi=500) data.plot(kind = 'bar', color = 'g', alpha = 0.8, width = 0.6,rot=0) plt.ylabel('频数') plt.xlabel('特征因素') p.plot(style = '--ko',secondary_y = True) plt.axvline(key_num,color='r',linestyle="--",alpha=0.8) plt.text(key_num+0.2,p[key],'累计占比为：%.3f%%' % (p[key]*100), color = 'r') # 累计占比超过80%的节点 plt.ylabel('频率累计百分比') #这里根据特征因素的数量进行边距的设置 plt.xlim(-0.5,len(data)-0.5) 3.2 应用示例（1）标记累计百分比80%特征因素的位置 直接一个函数调用，不想整那么麻烦的话 def Pareto_analysis(data): data.sort_values(ascending=False,inplace = True) p = data.cumsum()/data.sum() key = p[p>0.8].index[0] key_num = data.index.tolist().index(key) print('More than 80% of the node values are indexed as：',key) print('More than 80% of the node values index position is：',key_num) key_product = data.loc[:key] print('The key factors are：') print(key_product) plt.figure(figsize=(12,4),dpi=500) data.plot(kind = 'bar', color = 'g',edgecolor = 'black', alpha = 0.8, width = 0.6,rot=0) plt.ylabel('Frequency') plt.xlabel('Characteristic factor') p.plot(style = '--ko',secondary_y = True) plt.axvline(key_num,color='r',linestyle="--",alpha=0.8) plt.text(key_num+0.2,p[key],'The cumulative proportion is：%.3f%%' % (p[key]*100), color = 'r') plt.ylabel('Cumulative percentages') plt.xlim(-0.5,len(data)-0.5)调用函数，输出结果为： 至此利用python绘制帕累托图的过程就梳理完毕了！ |
这里可以发现左右两侧只显示了一半的内容，可以通过plt.xlim()方法解决 
（2）标记累计百分比80%特征因素的位置 
（3）绘制帕累托图 
【本文地址】
公司简介
联系我们