使用MATPLOTLIB 製圖（小圖）

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('D:\\myfiles\\study\\python\\analyse\\數據團\\城市數據團_數據分析師_體驗課_課程資料\\數據資料\\地市級黨委書記數據庫（2000-10）.csv', encoding='gbk')
# 新建變量data_age，賦值包括年份、出生年份字段內容
# 清除缺失值
data_age = data[['出生年份','黨委書記姓名','年份']]
data_age_re = data_age[data_age['出生年份'].notnull()]
# 計算出總體年齡數據
df1 = 2017 - data_age_re['出生年份']
# 計算出入職年齡數據
df_yearmin = data_age_re[['黨委書記姓名','年份']].groupby(data_age_re['黨委書記姓名']).min()
df2 = df_yearmin['年份'].groupby(df_yearmin['年份']).count()

df_yearmax = data_age_re[['黨委書記姓名','年份']].groupby(data_age_re['黨委書記姓名']).max()
df3 = df_yearmax['年份'].groupby(df_yearmax['年份']).count()

# 專業狀況：專業結構 / 專業總體狀況 / 專業大類分佈
# 新建變量data_major，賦值包括年份、專業等字段內容，其中1表明是，0表明否
# 清除缺失值
data_major = data[['黨委書記姓名','年份','專業：人文','專業：社科','專業：理工','專業：農科','專業：醫科']]
data_major_re = data_major[data_major['專業：人文'].notnull()]
# 統計每一個人的專業
data_major_re['專業'] = data_major_re[['專業：人文', '專業：社科', '專業：理工', '專業：農科', '專業：醫科']].idxmax(axis=1)
# 去重
data_major_st = data_major_re[['專業','黨委書記姓名']].drop_duplicates()
# 計算出學歷結構數據
df4 = data_major_st['專業'].groupby(data_major_st['專業']).count()
# 計算每一年專業總體狀況數據
df5 = pd.crosstab(data_major_re['年份'], data_major_re['專業'])
# 計算每一年專業大類分佈數據
df5['社科比例'] = df5['專業：社科'] / (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])
df5['人文比例'] = df5['專業：人文'] / (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])
df5['理工農醫比例'] = (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：農科'])/ (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])

# 年齡狀況：圖表繪製
# 建立一個圖表，大小爲12*8
fig_q2 = plt.figure(figsize = (14,12))
# 建立一個3*2的表格矩陣
ax1 = fig_q2.add_subplot(2,3,1)
ax2 = fig_q2.add_subplot(2,3,2)
ax3 = fig_q2.add_subplot(2,3,3)
ax4 = fig_q2.add_subplot(2,3,4)
ax5 = fig_q2.add_subplot(2,3,5)
ax6 = fig_q2.add_subplot(2,3,6)
# 繪製第一個表格
ax1.hist(df1,bins = 11,color = 'gray', alpha=0.9)
ax1.set_title('總體年齡分佈')
ax1.grid(True)

# 繪製第二個表格
ax2.plot(df2,color = 'r',marker = 'o',alpha=0.9)
ax2.set_title('入職年齡分佈')
ax2.set_xticks(range(2000,2011,2))
ax2.grid(True)

# 繪製第三個表格
ax3.plot(df3,color = 'g',marker = 'o',alpha=0.9)
ax3.set_title('卸任年齡分佈')
ax3.set_xticks(range(2000,2011,2))
ax3.grid(True)

# 繪製第四個表格
ax4.bar(range(len(df4)),df4,color = 'y')
ax4.set_xticklabels(['人文','農科','醫科','理工','社科'])
ax4.grid(True)
ax4.set_title('專業結構')

# 繪製第五個表格
ax5.plot(df5.index,df5[['專業：人文','專業：農科','專業：醫科','專業：理工','專業：社科']])
ax5.grid(True)
ax5.set_title('專業總體狀況')

# 繪製第六個表格
ax6.bar(df5.index,df5['社科比例'],color = 'darkred',alpha=0.7)
ax6.bar(df5.index,df5['人文比例'],color = 'darkred',bottom = df5['社科比例'],alpha=0.5)
ax6.bar(df5.index,df5['理工農醫比例'],color = 'darkred',bottom = df5['人文比例'] + df5['社科比例'],alpha=0.3)
ax6.grid(True)
ax6.set_title('專業大類分佈：社科、人文、理工農醫')

plt.show()
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('D:\\myfiles\\study\\python\\analyse\\數據團\\城市數據團_數據分析師_體驗課_課程資料\\數據資料\\地市級黨委書記數據庫（2000-10）.csv', encoding='gbk')
# 新建變量data_age，賦值包括年份、出生年份字段內容
# 清除缺失值
data_age = data[['出生年份','黨委書記姓名','年份']]
data_age_re = data_age[data_age['出生年份'].notnull()]
# 計算出總體年齡數據
df1 = 2017 - data_age_re['出生年份']
# 計算出入職年齡數據
df_yearmin = data_age_re[['黨委書記姓名','年份']].groupby(data_age_re['黨委書記姓名']).min()
df2 = df_yearmin['年份'].groupby(df_yearmin['年份']).count()

df_yearmax = data_age_re[['黨委書記姓名','年份']].groupby(data_age_re['黨委書記姓名']).max()
df3 = df_yearmax['年份'].groupby(df_yearmax['年份']).count()

# 專業狀況：專業結構 / 專業總體狀況 / 專業大類分佈
# 新建變量data_major，賦值包括年份、專業等字段內容，其中1表明是，0表明否
# 清除缺失值
data_major = data[['黨委書記姓名','年份','專業：人文','專業：社科','專業：理工','專業：農科','專業：醫科']]
data_major_re = data_major[data_major['專業：人文'].notnull()]
# 統計每一個人的專業
data_major_re['專業'] = data_major_re[['專業：人文', '專業：社科', '專業：理工', '專業：農科', '專業：醫科']].idxmax(axis=1)
# 去重
data_major_st = data_major_re[['專業','黨委書記姓名']].drop_duplicates()
# 計算出學歷結構數據
df4 = data_major_st['專業'].groupby(data_major_st['專業']).count()
# 計算每一年專業總體狀況數據
df5 = pd.crosstab(data_major_re['年份'], data_major_re['專業'])
# 計算每一年專業大類分佈數據
df5['社科比例'] = df5['專業：社科'] / (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])
df5['人文比例'] = df5['專業：人文'] / (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])
df5['理工農醫比例'] = (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：農科'])/ (df5['專業：理工'] + df5['專業：醫科'] + df5['專業：社科'] + df5['專業：農科'] + df5['專業：人文'])

# 年齡狀況：圖表繪製
# 建立一個圖表，大小爲12*8
fig_q2 = plt.figure(figsize = (14,12))
# 建立一個3*2的表格矩陣
ax1 = fig_q2.add_subplot(2,3,1)
ax2 = fig_q2.add_subplot(2,3,2)
ax3 = fig_q2.add_subplot(2,3,3)
ax4 = fig_q2.add_subplot(2,3,4)
ax5 = fig_q2.add_subplot(2,3,5)
ax6 = fig_q2.add_subplot(2,3,6)
# 繪製第一個表格
ax1.hist(df1,bins = 11,color = 'gray', alpha=0.9)
ax1.set_title('總體年齡分佈')
ax1.grid(True)

# 繪製第二個表格
ax2.plot(df2,color = 'r',marker = 'o',alpha=0.9)
ax2.set_title('入職年齡分佈')
ax2.set_xticks(range(2000,2011,2))
ax2.grid(True)

# 繪製第三個表格
ax3.plot(df3,color = 'g',marker = 'o',alpha=0.9)
ax3.set_title('卸任年齡分佈')
ax3.set_xticks(range(2000,2011,2))
ax3.grid(True)

# 繪製第四個表格
ax4.bar(range(len(df4)),df4,color = 'y')
ax4.set_xticklabels(['人文','農科','醫科','理工','社科'])
ax4.grid(True)
ax4.set_title('專業結構')

# 繪製第五個表格
ax5.plot(df5.index,df5[['專業：人文','專業：農科','專業：醫科','專業：理工','專業：社科']])
ax5.grid(True)
ax5.set_title('專業總體狀況')

# 繪製第六個表格
ax6.bar(df5.index,df5['社科比例'],color = 'darkred',alpha=0.7)
ax6.bar(df5.index,df5['人文比例'],color = 'darkred',bottom = df5['社科比例'],alpha=0.5)
ax6.bar(df5.index,df5['理工農醫比例'],color = 'darkred',bottom = df5['人文比例'] + df5['社科比例'],alpha=0.3)
ax6.grid(True)
ax6.set_title('專業大類分佈：社科、人文、理工農醫')

plt.show()