Построение графиков в Python: руководство для начинающих разработчиков

# Установка основных библиотек визуализации
pip install matplotlib seaborn plotly

# Для интерактивных возможностей Plotly в Jupyter Notebook
pip install plotly==5.15.0
pip install "notebook>=5.3" "ipywidgets>=7.6"

import matplotlib.pyplot as plt
import numpy as np

# Создаем данные для графика
x = np.linspace(0, 10, 100) # 100 точек от 0 до 10
y = np.sin(x) # Синусоидальная функция

# Создаем график
plt.figure(figsize=(10, 6)) # Размер фигуры в дюймах
plt.plot(x, y, label='sin(x)') # Построение линии
plt.title('Синусоидальная функция') # Заголовок
plt.xlabel('x') # Подпись оси X
plt.ylabel('sin(x)') # Подпись оси Y
plt.grid(True) # Включаем сетку
plt.legend() # Добавляем легенду
plt.savefig('sin_function.png', dpi=300) # Сохраняем график с высоким разрешением
plt.show() # Отображаем график

import matplotlib.pyplot as plt

# Данные о продажах
months = ['Янв', 'Фев', 'Мар', 'Апр', 'Май', 'Июн']
sales_2024 = [12500, 11000, 14500, 16700, 18900, 21000]
sales_2023 = [10000, 11500, 12700, 14200, 15800, 17500]

# Создаем график с двумя линиями
plt.figure(figsize=(12, 7))

# Настраиваем стиль линий и маркеров
plt.plot(months, sales_2024, 'b-o', linewidth=2, markersize=8, label='2024')
plt.plot(months, sales_2023, 'r--s', linewidth=2, markersize=8, label='2023')

# Добавляем заголовок и подписи
plt.title('Сравнение продаж 2023-2024 гг.', fontsize=16)
plt.xlabel('Месяц', fontsize=14)
plt.ylabel('Продажи (₽)', fontsize=14)
plt.grid(True, linestyle='--', alpha=0.7)

# Добавляем легенду
plt.legend(fontsize=12)

# Настраиваем тики осей
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)

# Добавляем аннотацию к максимальному значению 2024
max_sales_2024 = max(sales_2024)
max_index = sales_2024.index(max_sales_2024)
plt.annotate(f'Максимум: {max_sales_2024}₽', 
xy=(months[max_index], max_sales_2024),
xytext=(months[max_index], max_sales_2024 + 1500),
arrowprops=dict(facecolor='black', shrink=0.05),
fontsize=12)

plt.tight_layout()
plt.show()

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt

# Загружаем встроенный набор данных
tips = sns.load_dataset('tips')

# Устанавливаем стиль
sns.set_theme(style="whitegrid")

# Создаем график соотношения чаевых к сумме счета
plt.figure(figsize=(10, 8))
sns.scatterplot(x="total_bill", 
y="tip", 
hue="sex", 
size="size", 
palette="viridis", 
sizes=(20, 200), 
data=tips)

plt.title("Соотношение чаевых к счету", fontsize=16)
plt.xlabel("Сумма счета ($)", fontsize=14)
plt.ylabel("Чаевые ($)", fontsize=14)
plt.show()

# Создаем парный график для анализа взаимосвязей
sns.pairplot(tips, hue="day", palette="coolwarm")
plt.suptitle("Взаимосвязь между переменными в датасете", y=1.02, fontsize=16)
plt.show()

import plotly.express as px
import pandas as pd
import numpy as np

# Создаем демонстрационный датасет продаж по регионам
np.random.seed(42)
regions = ['Центр', 'Восток', 'Запад', 'Юг', 'Север']
products = ['Ноутбуки', 'Смартфоны', 'Планшеты', 'Аксессуары']
quarters = ['Q1', 'Q2', 'Q3', 'Q4']

data = []
for region in regions:
for product in products:
for quarter in quarters:
sales = np.random.randint(100000, 500000)
growth = np.random.uniform(-0.1, 0.3)
data.append([region, product, quarter, sales, growth])

df = pd.DataFrame(data, columns=['Region', 'Product', 'Quarter', 'Sales', 'Growth'])

# Создаем интерактивную тепловую карту продаж
fig = px.density_heatmap(
df, 
x='Quarter', 
y='Product', 
z='Sales', 
facet_col='Region',
title='Продажи по продуктам, кварталам и регионам',
color_continuous_scale='viridis'
)

# Настраиваем макет
fig.update_layout(
height=600, 
width=1200,
title_font_size=20,
legend_title_font_size=14
)

# Показываем график
fig.show()

# Создаем интерактивный 3D-график
fig_3d = px.scatter_3d(
df,
x='Sales',
y='Growth',
z='Quarter',
color='Region',
symbol='Product',
size='Sales',
hover_name='Product',
title='3D анализ продаж и роста по кварталам'
)

fig_3d.update_layout(
scene=dict(
xaxis_title='Продажи (₽)',
yaxis_title='Рост (%)',
zaxis_title='Квартал'
),
height=800
)

fig_3d.show()

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime
import numpy as np

# Генерируем демонстрационные данные
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')
base_sales = np.sin(np.arange(len(dates)) * 0.1) * 100 + 300 # Сезонный тренд
noise = np.random.normal(0, 30, len(dates))
campaign_effect = np.zeros(len(dates))

# Добавляем эффект от маркетинговых кампаний
campaign_dates = {
'Valentine': ('2023-02-01', '2023-02-14', 100),
'Summer': ('2023-06-15', '2023-07-15', 150),
'BlackFriday': ('2023-11-20', '2023-11-30', 250),
'NewYear': ('2023-12-15', '2023-12-31', 200)
}

for campaign, (start, end, effect) in campaign_dates.items():
mask = (dates >= start) & (dates <= end)
campaign_effect[mask] = effect

sales = base_sales + noise + campaign_effect

data = pd.DataFrame({
'date': dates,
'sales': sales,
'month': dates.month,
'day_of_week': dates.dayofweek,
'is_weekend': dates.dayofweek >= 5
})

# Для каждой даты определяем, была ли активная кампания
data['campaign'] = 'No Campaign'
for campaign, (start, end, _) in campaign_dates.items():
mask = (data['date'] >= start) & (data['date'] <= end)
data.loc[mask, 'campaign'] = campaign

# Визуализация временного ряда продаж с выделением кампаний
plt.figure(figsize=(16, 8))

# Создаем базовый график продаж
plt.plot(data['date'], data['sales'], 'b-', linewidth=1.5, alpha=0.7)

# Добавляем выделение периодов маркетинговых кампаний
campaign_colors = {
'Valentine': '#FFB6C1',
'Summer': '#98FB98',
'BlackFriday': '#FFD700',
'NewYear': '#87CEFA'
}

for campaign, (start, end, _) in campaign_dates.items():
start_idx = data[data['date'] == start].index[0]
end_idx = data[data['date'] == end].index[0]
plt.axvspan(data.loc[start_idx, 'date'], data.loc[end_idx, 'date'], 
alpha=0.3, color=campaign_colors[campaign], label=campaign)

# Добавляем сетку, заголовки и подписи осей
plt.grid(True, linestyle='--', alpha=0.7)
plt.title('Динамика продаж с учетом маркетинговых кампаний (2023)', fontsize=16)
plt.xlabel('Дата', fontsize=14)
plt.ylabel('Продажи (₽)', fontsize=14)
plt.legend(title='Маркетинговые кампании', title_fontsize=12)

# Улучшаем отображение дат на оси X
plt.xticks(fontsize=12, rotation=45)
plt.tight_layout()
plt.show()

# Анализ продаж по дням недели
plt.figure(figsize=(12, 6))
sns.boxplot(x='day_of_week', y='sales', hue='is_weekend', data=data, palette='Set2')
weekdays = ['Понедельник', 'Вторник', 'Среда', 'Четверг', 'Пятница', 'Суббота', 'Воскресенье']
plt.xticks(ticks=range(7), labels=weekdays, rotation=45)
plt.title('Распределение продаж по дням недели', fontsize=16)
plt.xlabel('', fontsize=14)
plt.ylabel('Продажи (₽)', fontsize=14)
plt.legend(title='Выходные', labels=['Будни', 'Выходные'])
plt.tight_layout()
plt.show()

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
from sklearn.cluster import KMeans
from matplotlib.patches import Ellipse

# Генерируем демо-данные клиентской базы
np.random.seed(42)
n_customers = 500

# Создаем три скрытых кластера клиентов
freq_centers = [3, 10, 25] # Средняя частота покупок в месяц
value_centers = [1500, 3500, 8000] # Средний чек
cluster_stds = [
[1\.5, 500],
[3, 1000],
[5, 2000]
]

data = []
true_labels = []

for i, (freq_center, value_center, std) in enumerate(zip(freq_centers, value_centers, cluster_stds)):
if i == 0:
n = int(n_customers * 0.5) # 50% клиентов в первом сегменте
elif i == 1:
n = int(n_customers * 0.35) # 35% клиентов во втором сегменте
else:
n = n_customers – len(data) # Оставшиеся в третьем сегменте

frequencies = np.random.normal(freq_center, std[0], size=n)
# Частота не может быть отрицательной
frequencies = np.maximum(frequencies, 0.5)

values = np.random.normal(value_center, std[1], size=n)
# Средний чек не может быть отрицательным
values = np.maximum(values, 200)

for freq, val in zip(frequencies, values):
data.append([freq, val])
true_labels.append(i)

df = pd.DataFrame(data, columns=['frequency', 'avg_value'])
df['true_segment'] = true_labels

# Применяем K-Means для сегментации
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
df['segment'] = kmeans.fit_predict(df[['frequency', 'avg_value']])

# Добавляем расходы в месяц как произведение частоты и среднего чека
df['monthly_spend'] = df['frequency'] * df['avg_value']

# Используем Plotly для интерактивной визуализации сегментов
fig = px.scatter(
df, 
x='frequency', 
y='avg_value', 
color='segment',
size='monthly_spend',
hover_data=['monthly_spend'],
opacity=0.7,
labels={
'frequency': 'Частота покупок (в месяц)',
'avg_value': 'Средний чек (₽)',
'segment': 'Сегмент',
'monthly_spend': 'Месячные расходы (₽)'
},
title='Сегментация клиентов по частоте покупок и среднему чеку',
color_discrete_sequence=px.colors.qualitative.Plotly
)

# Настраиваем график
fig.update_layout(
height=700,
width=1100,
legend_title="Сегмент клиентов",
xaxis_title="Частота покупок (в месяц)",
yaxis_title="Средний чек (₽)",
title_font_size=18,
showlegend=True
)

# Добавляем описание сегментов
segments = [
"Редкие покупатели (низкая частота, низкий чек)",
"Регулярные покупатели (средняя частота, средний чек)",
"VIP-клиенты (высокая частота, высокий чек)"
]

for i, segment in enumerate(segments):
centroid_x = kmeans.cluster_centers_[i][0]
centroid_y = kmeans.cluster_centers_[i][1]

fig.add_annotation(
x=centroid_x,
y=centroid_y,
text=segment,
showarrow=True,
arrowhead=1,
ax=0,
ay=-40,
font=dict(size=14, color="black"),
bgcolor="white",
bordercolor="black",
borderwidth=1
)

# Показываем график
fig.show()

import pandas as pd
import numpy as np
import plotly.graph_objects as go
from plotly.subplots import make_subplots

# Создаем примерные данные по эффективности рекламных каналов
channels = [
'Поисковая реклама', 'Социальные сети', 'Email-рассылки', 
'Контекстная реклама', 'Партнерские программы', 'Ретаргетинг'
]

np.random.seed(123)
data = {
'channel': channels,
'budget': [300000, 250000, 100000, 200000, 150000, 120000],
'clicks': [15000, 22000, 8000, 12000, 6500, 9500],
'conversions': [450, 330, 240, 300, 130, 285],
'revenue': [1350000, 990000, 720000, 900000, 390000, 855000]
}

df = pd.DataFrame(data)

# Рассчитываем ключевые метрики
df['cpc'] = df['budget'] / df['clicks'] # Стоимость клика
df['cpa'] = df['budget'] / df['conversions'] # Стоимость привлечения клиента
df['conversion_rate'] = df['conversions'] / df['clicks'] * 100 # Коэффициент конверсии
df['roi'] = (df['revenue'] – df['budget']) / df['budget'] * 100 # ROI в процентах

# Создаем комплексную визуализацию с Plotly
fig = make_subplots(
rows=2, cols=2,
subplot_titles=(
'Стоимость привлечения клиента (CPA)',
'Коэффициент конверсии',
'ROI по каналам',
'Распределение бюджета и дохода'
),
specs=[
[{"type": "bar"}, {"type": "bar"}],
[{"type": "bar"}, {"type": "pie"}]
],
vertical_spacing=0.12
)

# График CPA
fig.add_trace(
go.Bar(
x=df['channel'],
y=df['cpa'],
marker=dict(color=df['cpa'], colorscale='RdYlGn_r'),
text=df['cpa'].map(lambda x: f'{x:,.0f} ₽'),
textposition='auto',
name='CPA'
),
row=1, col=1
)

# График коэффициента конверсии
fig.add_trace(
go.Bar(
x=df['channel'],
y=df['conversion_rate'],
marker=dict(color=df['conversion_rate'], colorscale='YlGnBu'),
text=df['conversion_rate'].map(lambda x: f'{x:.2f}%'),
textposition='auto',
name='Конверсия'
),
row=1, col=2
)

# График ROI
fig.add_trace(
go.Bar(
x=df['channel'],
y=df['roi'],
marker=dict(color=df['roi'], colorscale='RdYlGn'),
text=df['roi'].map(lambda x: f'{x:.0f}%'),
textposition='auto',
name='ROI'
),
row=2, col=1
)

# Круговые диаграммы бюджета и дохода
fig.add_trace(
go.Pie(
labels=df['channel'],
values=df['budget'],
name='Бюджет',
domain=dict(x=[0, 0.45]),
hole=0.6,
title='Бюджет'
),
row=2, col=2
)

fig.add_trace(
go.Pie(
labels=df['channel'],
values=df['revenue'],
name='Доход',
domain=dict(x=[0\.55, 1]),
hole=0.6,
title='Доход'
),
row=2, col=2
)

# Настройка макета
fig.update_layout(
title_text='Комплексный анализ эффективности рекламных каналов',
height=900,
width=1100,
showlegend=False,
title_font_size=20
)

# Настройка осей для гистограмм
fig.update_yaxes(title_text='CPA (₽)', row=1, col=1)
fig.update_yaxes(title_text='Конверсия (%)', row=1, col=2)
fig.update_yaxes(title_text='ROI (%)', row=2, col=1)

fig.update_xaxes(tickangle=45, row=1, col=1)
fig.update_xaxes(tickangle=45, row=1, col=2)
fig.update_xaxes(tickangle=45, row=2, col=1)

fig.show()