使用Python可视化和预测作物生产数据

先决条件： Python中的数据可视化

可视化 正在查看各个维度的数据。在Python中，我们可以使用不同模块中可用的各种图来可视化数据。

在本文中，我们将使用各种插图和Python库对不同年份的作物生产数据进行可视化和预测。

数据集

数据集包含 2013 年至 2020 年的不同作物及其产量。

要求

有很多Python库可用于构建可视化，如matplotlib、vispy、bokeh、seaborn、pygal、folium、plotly、cufflinks和networkx 。其中， matplotlib和seaborn似乎非常广泛地用于基础到中级的可视化。

然而，以上两个被广泛用于可视化，即

• Matplotlib：它是一个出色的Python中用于二维数组绘图的可视化库，它是一个多平台数据可视化库，构建在NumPy数组上，旨在与更广泛的SciPy堆栈一起使用。使用以下命令安装此库：

pip install matplotlib

• Seaborn：这个库位于matplotlib之上。从某种意义上说，它有一些matpotlib的味道，而从可视化的角度来看，它比matplotlib好得多，并且还增加了一些功能。使用以下命令安装此库：

pip install seaborn

循序渐进的方法

• 导入所需模块
• 加载数据集。
• 显示加载数据集的数据和约束。
• 使用不同的方法从数据中可视化各种插图。   

可视化

以下是一些指示数据并说明该数据的各种可视化的程序：

示例 1：

Python3

# importing pandas module
import pandas as pd
  
# load the dataset
data = pd.read_csv('crop.csv')
  
# display top 5 values
data.head()

输出：

这些是所用数据集的前 5 行。

示例 2：

蟒蛇3

# data description
data.info()

输出：

这些是数据集的数据约束。

示例 3：

蟒蛇3

# 2011 crop data in histogram analysis
data['2011'].hist()

输出：

上述程序使用直方图描述了 2011 年的作物产量数据。

示例 4：

蟒蛇3

# 2012 crop data in histogram analysis
data['2012'].hist()

输出：

上述程序使用直方图描述了 2012 年的作物产量数据。

示例 4：

蟒蛇3

# 2013 crop data in histogram analysis
data['2013'].hist()

输出：

上述程序使用直方图描述了 2013 年的作物产量数据。

示例 5：

蟒蛇3

# display all year data
data.hist()

输出：

上述程序使用多个直方图描述了所有可用时间段（年）的作物产量数据。

示例 6：

蟒蛇3

# import seaborn module
import seaborn as sns
  
# setting style
sns.set_style("whitegrid")
  
# plotting data using boxplot for 2013 - 2014
sns.boxplot(x='2013', y='2014', data=data)

输出：

使用箱线图比较 2013 年和 2014 年的作物产量。

示例 7：

蟒蛇3

# scatter plot 2013 data vs 2014 data
plt.scatter(data['2013'],data['2014'])
  
plt.show()

输出：

使用散点图比较 2013 年和 2014 年的作物产量。

示例 8：

蟒蛇3

# line plot 2013 data vs 2014 data
plt.plot(data['2013'],data['2014'])
  
plt.show()

输出：

使用线图比较 2013 年和 2014 年的作物产量。

示例 9：

蟒蛇3

# import required modules
import matplotlib.pyplot as plt
from scipy import stats
  
  
# assign data
x = data['2017']
y = data['2018']
  
  
# linear regression 2017 data vs 2018 data
slope, intercept, r, p, std_err = stats.linregress(x, y)
  
  
# function to return slope
def myfunc(x):
    return slope * x + intercept
  
  
mymodel = list(map(myfunc, x))
  
# scatter
plt.scatter(x, y)
  
# plotting the data
plt.plot(x, mymodel)
  
# display the figure
plt.show()

输出：

应用线性回归来可视化和比较 2017 年和 2018 年之间的预测作物产量数据。

示例 10：

蟒蛇3

# import required modules
import matplotlib.pyplot as plt
from scipy import stats
  
  
# assign data
x = data['2016']
y = data['2017']
  
  
# linear regression 2017 data vs 2018 data
slope, intercept, r, p, std_err = stats.linregress(x, y)
  
  
# function to return slope
def myfunc(x):
    return slope * x + intercept
  
  
mymodel = list(map(myfunc, x))
  
# scatter
plt.scatter(x, y)
  
# plotting the data
plt.plot(x, mymodel)
  
# display the figure
plt.show()

输出：

应用线性回归来可视化和比较 2016 年和 2017 年之间的预测作物产量数据。

演示视频

该视频展示了如何使用 Jupyter Notebook 从头开始描绘上述数据可视化和预测数据。

通过这种方式，可以计算各种数据可视化和预测。