1. 使用subplot2grid(函数绘制三个子图(要求:子图 分布均匀,大小适中,使用“紧密布局”谓整间距, 2 10分) 2.调整画布(大小10+8,dpi-100,画布背景顏色自行调 整,9分) 3. 正确显示中文字体为黑倖,3分 3 小标题1: 2022届华业生和2023届毕业生求值意向分析 4 2022届(※) 2023届(※) "5 薪酬福利 65.0 69.3 5 稳定工馆 36.2 7 40.7 工作和生活平衡 8 38.5 学习新东西 39.5 35.4 9 25. 2 专业对口 22. 8 10 前景好 21.3 21.1 11 兴趣 112.7 18.9 12 8.3 13 小振題2:2023届年山生期望就北的城市等級 14 -线城市 15 30. 0 新一线城市 16 30. 0 线城市 17 一线城市 26.7 18 10. 2 四线城市 19 1.9 五线城市 20 1. 2 21 小标题3: 22 RO22届毕北生和2023届学业生找工作时间分布 23 2022届 4%) 上年1月前 2023居(0 24 5.9 上年1-6月 25 8.3 上年7-8月 5. 3 26 11.4 上年9月 10. 5 27 7.8 1年10月 19.2 28 7.9 上年11月 29 8.7 5. 6 上年12日 5.7 30 同年1月 8. 3 75 31 同年2月 8. 8 32 11.3 同年3月 10.2 331 还没找工作 21.9 21. 8 34 3. 9 2.8

时间: 2023-12-31 09:06:16 浏览: 32
好的,你的问题是如何使用Matplotlib绘制一个含有三个子图的图表,并对图表进行一些调整和修改,其中包括中文字体的设置、小标题的添加和数据的显示。我会尽力回答你的问题。 首先,我们需要导入Matplotlib模块并设置中文字体为黑体。代码如下: ```python import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei' ``` 接着,我们可以使用subplot2grid函数来创建三个子图。代码如下: ```python fig = plt.figure(figsize=(10, 8), dpi=100, facecolor='white') plt.subplots_adjust(hspace=0.4, wspace=0.4) ax1 = plt.subplot2grid((2, 2), (0, 0)) ax2 = plt.subplot2grid((2, 2), (0, 1)) ax3 = plt.subplot2grid((2, 2), (1, 0), colspan=2) ``` 这里我们使用了subplot2grid函数来创建一个2x2的网格,并将三个子图放置在网格中的不同位置。我们还使用了plt.subplots_adjust函数来调整子图之间的间距和布局。 接下来,我们可以添加小标题和数据。代码如下: ```python ax1.set_title('2022届华业生和2023届毕业生求职意向分析') ax1.bar(['薪酬福利', '稳定工作', '工作和生活平衡', '学习新东西', '专业对口', '前景好', '兴趣'], [65.0, 36.2, 38.5, 39.5, 22.8, 21.3, 8.3]) ax2.set_title('2023届毕业生期望就职的城市等级') ax2.pie([30.0, 30.0, 26.7, 10.2, 1.9, 1.2], labels=['一线城市', '新一线城市', '二线城市', '三线城市', '四线城市', '五线城市'], autopct='%1.1f%%') ax3.set_title('2022届毕业生和2023届毕业生找工作时间分布') ax3.bar(['上年1月前', '上年1-6月', '上年7-8月', '上年9月', '上年10月', '上年11月', '上年12月', '同年1月', '同年2月', '同年3月', '还没找工作'], [5.9, 8.3, 5.3, 10.5, 19.2, 8.7, 5.6, 8.3, 8.8, 10.2, 21.9]) ``` 这里我们使用ax1、ax2和ax3分别表示三个子图,并使用set_title、bar和pie函数添加小标题和数据。注意,我们使用了中文标签和数据,因此需要正确设置中文字体。 最后,我们可以使用plt.show()函数显示图表。完整代码如下: ```python import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei' fig = plt.figure(figsize=(10, 8), dpi=100, facecolor='white') plt.subplots_adjust(hspace=0.4, wspace=0.4) ax1 = plt.subplot2grid((2, 2), (0, 0)) ax2 = plt.subplot2grid((2, 2), (0, 1)) ax3 = plt.subplot2grid((2, 2), (1, 0), colspan=2) ax1.set_title('2022届华业生和2023届毕业生求职意向分析') ax1.bar(['薪酬福利', '稳定工作', '工作和生活平衡', '学习新东西', '专业对口', '前景好', '兴趣'], [65.0, 36.2, 38.5, 39.5, 22.8, 21.3, 8.3]) ax2.set_title('2023届毕业生期望就职的城市等级') ax2.pie([30.0, 30.0, 26.7, 10.2, 1.9, 1.2], labels=['一线城市', '新一线城市', '二线城市', '三线城市', '四线城市', '五线城市'], autopct='%1.1f%%') ax3.set_title('2022届毕业生和2023届毕业生找工作时间分布') ax3.bar(['上年1月前', '上年1-6月', '上年7-8月', '上年9月', '上年10月', '上年11月', '上年12月', '同年1月', '同年2月', '同年3月', '还没找工作'], [5.9, 8.3, 5.3, 10.5, 19.2, 8.7, 5.6, 8.3, 8.8, 10.2, 21.9]) plt.show() ```

相关推荐

data['persqm'] = pd.to_numeric(data['persqm'], errors='coerce') data = data.dropna(subset=['persqm']) price_level = pd.cut(data['persqm'], bins=[0, 10000, 20000, 30000, 40000, float('inf')], labels=['0-1万', '1-2万', '2-3万', '3-4万', '4万以上']) area_level = pd.cut(data['square'], bins=[0, 10, 20, 30, 40, 50, 60, 70, float('inf')], labels=['0-10', '10-20', '20-30', '30-40', '40-50', '50-60', '60-70', '70以上']) house_type = data['house_type'] direction = data['direction'] deco = data['deco'] fig, axs = plt.subplots(2, 2, figsize=(12, 8)) fig.suptitle('房价与特征之间的关系', fontsize=16) # Subplot 1: House type vs Price level axs[0, 0].scatter(house_type, price_level, alpha=0.6) axs[0, 0].set_xlabel('房型', fontsize=12) axs[0, 0].set_ylabel('每平米房价(万元)', fontsize=12) # Subplot 2: Area level vs Price level axs[0, 1].scatter(area_level, price_level, alpha=0.6) axs[0, 1].set_xlabel('房屋面积(平方米)', fontsize=12) axs[0, 1].set_ylabel('每平米房价(万元)', fontsize=12) # Subplot 3: Direction vs Price level axs[1, 0].scatter(direction, price_level, alpha=0.6) axs[1, 0].set_xlabel('朝向', fontsize=12) axs[1, 0].set_ylabel('每平米房价(万元)', fontsize=12) # Subplot 4: Decoration vs Price level axs[1, 1].scatter(deco, price_level, alpha=0.6) axs[1, 1].set_xlabel('装修情况', fontsize=12) axs[1, 1].set_ylabel('每平米房价(万)', fontsize=12) axs[1, 1].grid(True, linestyle='--', alpha=0.4) plt.rcParams['axes.unicode_minus'] = False plt.tight_layout() plt.show()

最新推荐

recommend-type

智慧物流医药物流落地解决方案qytp.pptx

智慧物流医药物流落地解决方案qytp.pptx
recommend-type

JAVA物业管理系统设计与实现.zip

JAVA物业管理系统设计与实现
recommend-type

基于java的聊天系统的设计于实现.zip

基于java的聊天系统的设计于实现
recommend-type

Vue数字孪生可视化建模系统源码.zip

vueVue数字孪生可视化建模系统源码.zip vueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zipvueVue数字孪生可视化建模系统源码.zip
recommend-type

基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip

基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip基于UCI Heart Disease数据集的心脏病分析python源码+数据集+演示ppt+详细资料.zip
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

解释minorization-maximization (MM) algorithm,并给出matlab代码编写的例子

Minorization-maximization (MM) algorithm是一种常用的优化算法,用于求解非凸问题或含有约束的优化问题。该算法的基本思想是通过构造一个凸下界函数来逼近原问题,然后通过求解凸下界函数的最优解来逼近原问题的最优解。具体步骤如下: 1. 初始化参数 $\theta_0$,设 $k=0$; 2. 构造一个凸下界函数 $Q(\theta|\theta_k)$,使其满足 $Q(\theta_k|\theta_k)=f(\theta_k)$; 3. 求解 $Q(\theta|\theta_k)$ 的最优值 $\theta_{k+1}=\arg\min_\theta Q(
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。