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。
👉👉👉 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()
👉👉👉 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()
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()
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。👈👈👈
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()
👉👉👉 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。👈👈👈
这篇关于【python】python船舶数据分析可视化(源码+报告+数据集)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!