【python】python船舶数据分析可视化（源码+报告+数据集）

本文主要是介绍【python】python船舶数据分析可视化（源码+报告+数据集），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

👉博__主👈：米码收割机
👉技__能👈：C++/Python语言
👉公众号👈：测试开发自动化【获取源码+商业合作】
👉荣__誉👈：阿里云博客专家博主、51CTO技术博主
👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。

系列文章目录

目录

系列文章目录
一、设计目的
二、数据分析可视化
2. 数据预处理
3. 载重吨（Dwt）分析
4. 船宽（Beam）与船深（Depth）关系分析
5. 总吨（Gt）分布分析
6. 总长（LOA）趋势分析
7. 船宽和船深的综合比较

一、设计目的

本报告旨在通过各种数据可视化方法，提供对于一组船舶数据的综合分析。数据集包含了若干船舶的详细规格信息，包括载重吨（Dwt）、船宽（Beam）、船深（Depth）、总吨（Gt）和总长（LOA）等关键指标。通过绘制柱状图、散点图、饼状图和折线图，本报告旨在揭示船舶数据的关键趋势和洞察。

在这里插入图片描述

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

二、数据分析可视化

2. 数据预处理

在数据分析之前，我们首先对数据集进行了清洗，处理了缺失的数据点。为保证分析的准确性，我们采用了各列的均值对空缺值进行填充。这样的处理方式保持了数据的整体分布，但在一些情况下可能需要更精细的缺失数据处理策略。

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

plt.rcParams['font.sans-serif'] = ['SimHei']# 读取Excel文件
df = pd.read_excel('ships.xlsx', engine='openpyxl')
print(df)

3. 载重吨（Dwt）分析

我们使用柱状图详细分析了船舶的载重吨（Dwt）。载重吨是指船舶可安全载运货物的重量，这是船舶设计和商业运营的关键参数之一。柱状图清晰地展示了Dwt最大的前10名船舶，每根柱子代表一艘船舶，柱子的高度表示其Dwt值。这种可视化手段使我们能够直观地比较各船舶的载重能力，辨识出载重能力最强的船舶，这对于安排重货运输和制定运输计划具有重要意义。

# 柱状图：显示Dwt最大的前10名船舶
top10_dwt = df.nlargest(10, 'Dwt')
# 略....
plt.xlabel('船名')
plt.ylabel('Dwt')
plt.xticks(rotation=45)  # 旋转x轴标签，以免重叠
plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域
plt.show()

在这里插入图片描述

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

4. 船宽（Beam）与船深（Depth）关系分析

船宽（Beam）与船深（Depth）是决定船舶稳定性和内部容积的重要因素。在这一部分，我们利用散点图探索了这两者之间的关系。每个点代表一艘船舶，横坐标为船宽，纵坐标为船深。通过观察散点的分布，我们可以分析出船宽与船深是否呈现出某种相关性。例如，一条趋势线或聚集模式可能表明宽度增加伴随着深度的增加，这可能指向某些设计上的标准或者稳定性考量。

# 散点图：显示Beam和Depth的关系
plt.figure(figsize=(10, 5))
# 略...
plt.ylabel('Depth')
plt.show()

在这里插入图片描述

5. 总吨（Gt）分布分析

总吨（Gross Tonnage，Gt）是船舶的一个容积指标，反映了船舶内部可用空间的总体积。我们通过饼状图对Gt最大的前5名船舶进行了分析。饼状图中的每一个扇区代表了一个船舶，其大小表示该船在这五艘船中所占的Gt百分比。这种视图可以立即告诉我们哪些船舶占据了更大的内部空间比例，对于船舶管理者来说，了解船舶的相对规模和容积在资源配置和运营决策中非常重要。

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

# 饼状图：显示Gt最大的前5名船舶的百分比
top5_gt = df.nlargest(5, 'Gt')
plt.figure(figsize=(8, 8))
# 略....
plt.title('Gt最大的前5名船舶的百分比')
plt.ylabel('')  # 删除默认的y轴标签
plt.show()

在这里插入图片描述

6. 总长（LOA）趋势分析

总长（Length Overall，LOA）是衡量船舶长度的标准，从船头到船尾的最长直线距离。在这一部分，我们使用折线图跟踪不同船舶的LOA。折线图逐个连接每艘船舶的LOA数值，形成了一条线，从而揭示了长度的变化趋势。这可以帮助我们比较船舶的绝对尺寸，并可能揭示某些类别的船舶是否遵循特定的长度标准。

# 折线图：显示不同船舶的LOA
plt.figure(figsize=(10, 5))
# 略....
plt.ylabel('LOA (m)')
plt.show()

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

在这里插入图片描述

7. 船宽和船深的综合比较

最终，我们使用了组合图来同时分析前15名船舶的船宽（Beam）和船深（Depth）。这个图包括了柱状图和折线图，柱状图展示了船宽，而折线图展示了船深。两种图表的结合提供了一个多角度的视图，帮助我们了解在船舶设计中船宽和船深是如何相互作用的。例如，我们可以看到是否有任何共同的趋势，如船宽增加是否通常伴随着船深的增加，这可能反映了设计上对船舶性能和稳定性的考虑。

👉👉👉 源码获取关注【测试开发自动化】公众号，回复 “ 船舶数据分析 ” 获取。👈👈👈

top15_beam_depth = df.nlargest(15, 'Beam')
fig, ax1 = plt.subplots(figsize=(14, 7))
color = 'tab:blue'
ax1.set_xlabel('船名')
ax1.set_ylabel('Beam', color=color)
# 略....
ax1.set_xticklabels(top15_beam_depth['Ship_Name'], rotation=45)
plt.xticks(rotation=45)  # 旋转x轴标签，以免重叠ax2 = ax1.twinx()  # 实例化一个第二个坐标轴
color = 'tab:red'
ax2.set_ylabel('Depth', color=color)
# 略....
ax2.tick_params(axis='y', labelcolor=color)
plt.title('前15名船舶的Beam和Depth')
plt.tight_layout()  # 自动调整子图参数，使之填充整个图像区域
plt.show()