条件格式化
-
需求1：
- 将三次考试的成绩小于60分的值找出来，并将字体变为红色
-
需求2：
- 将每次考试的第一名找出来，将背景变为绿色
-
需求3：
- 使用背景颜色的深浅来表示数值的大小
-
需求4：
- 使用数据条的长度表示数值的大小
在这里我们需要用到两个函数apply和applymap
apply和applymap的区别:
apply是指根据轴进行匹配,从左往右是用轴为1即axis=1,从上至下是用轴为0即axis=0,默认是从上往下进行列匹配
applymap是指无差别的进行指定区域匹配
# 定义一个函数，如果分数少于60就变为红色(color:{color}将改变字体颜色)
def low_score_red(s):
color = 'red' if s<60 else 'black'
return f'color:{color}'
# 定义一个函数，每次考试的第一名变为绿色(background-color:lime将底部颜色变为绿色)
def highest_score_green(col):
return ['background-color:lime' if s == col.max() else 'background-color:white' for s in col]
students = pd.read_excel('C:/Users/1/Downloads/Students.xlsx')
students.style.applymap(low_score_red,subset=['Test_1','Test_2','Test_3']).apply(highest_score_green,subset=['Test_1','Test_2','Test_3'])
Seaborn包：在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。
使用背景颜色的深浅来表示数值的大小
import seaborn as sns
# light_palette调色板
color_map = sns.light_palette('green', as_cmap=True)
students.style.background_gradient(color_map,subset=['Test_1','Test_2','Test_3'])
使用数据条的占比表示数值的大小
students.style.bar(color='orange',subset=['Test_1','Test_2','Test_3'])
线性回归预测
准备的数据如下图：
import matplotlib.pyplot as plt
sales = pd.read_excel('C:/Users/1/Downloads/Sales.xlsx',dtype={'Month':str})
# 绘制散点图，以索引为x轴，以收益为Y轴
plt.scatter(sales.index,sales.Revenue)
# 将x轴刻度从索引改为年月，并将年月的方向旋转90°，rotation是旋转的意思
plt.xticks(sales.index, sales.Month, rotation=90)
# tight_layout是选择紧凑型图形的意思
plt.tight_layout()
plt.show()
# 导入科学库，线性回归包
from scipy.stats import linregress
'''
slope 代表斜率
intercept 代表与Y轴的截点
'''
# 计算出斜率和截点根据索引与收益
slope,intercept,r,p,std_err = linregress(sales.index,sales.Revenue)
# 线性回归方程
erp = sales.index*slope + intercept
# 先绘制出散点图
plt.scatter(sales.index, sales.Revenue)
# 更改刻度
plt.xticks(sales.index, sales.Month, rotation=90)
# 绘制出直线
plt.plot(sales.index, erp, color='red')
# 修改标题名为线性方程
plt.title(f'y={slope}*X+{intercept}')
plt.show()
根据此方程可以预测未来的收益，只需要将年月输入即可
