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

# 示例數(shù)據(jù)框
df = pd.DataFrame({'col': [1, 2, 2, 3, 3, 3, 4, 4, 5]})

# 1. 直方圖：查看數(shù)值分布
df.hist()
plt.title("數(shù)值分布直方圖")
plt.show()

# 2. 箱線圖：查看分布與離群點（原文borglot應(yīng)為boxplot）
sns.boxplot(data=df, y='col')  # 展示數(shù)值列col的分布
plt.title("箱線圖展示分布與異常值")
plt.show()

# 3. 核密度估計圖：平滑的概率密度曲線
sns.kdeplot(data=df['col'])
plt.title("核密度估計圖")
plt.show()

# 4. 條形圖：適用于分類數(shù)據(jù)頻次統(tǒng)計
df['col'].value_counts().plot(kind='bar')
plt.title("分類頻次條形圖")
plt.xlabel("類別")
plt.ylabel("頻次")
plt.show()

# 示例數(shù)據(jù)
df = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y': [2, 4, 6, 8, 10],
    'category': ['A', 'B', 'A', 'B', 'A']
})

# 1. 散點圖：兩個數(shù)值變量關(guān)系
sns.scatterplot(data=df, x='x', y='y')
plt.title("散點圖：x與y的關(guān)系")
plt.show()

# 2. 帶回歸線的散點圖
sns.regplot(data=df, x='x', y='y')
plt.title("帶線性回歸的散點圖")
plt.show()

# 3. 條形圖：類別與數(shù)值的對比
sns.barplot(x='category', y='y', data=df)
plt.title("不同類別的y值對比")
plt.show()

# 4. 小提琴圖：類別下的分布與密度
sns.violinplot(data=df, x='category', y='y')
plt.title("小提琴圖：類別y的分布")
plt.show()

# 5. 箱線圖（原文borglet應(yīng)為boxplot）：比較類別間分布
sns.boxplot(x='category', y='y', data=df)
plt.title("箱線圖：類別間分布比較")
plt.show()

# 示例數(shù)據(jù)
df = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y': [2, 4, 6, 8, 10],
    'z': [5, 4, 3, 2, 1],
    'type': ['T1', 'T2', 'T1', 'T2', 'T1']
})

# 1. 散點圖矩陣：所有數(shù)值變量兩兩關(guān)系
sns.pairplot(df)
plt.suptitle("散點圖矩陣", y=1.02)
plt.show()

# 2. 相關(guān)熱圖：變量間相關(guān)性強度
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')
plt.title("變量相關(guān)性熱圖")
plt.show()

# 3. 聯(lián)合分布圖：散點圖+邊緣分布
sns.jointplot(data=df, x='x', y='y')
plt.show()

# 4. 三變量散點圖（顏色表示第三維）
plt.scatter(df['x'], df['y'], c=df['z'], cmap='viridis')
plt.colorbar(label='z值')
plt.title("三變量散點圖（顏色表示z）")
plt.show()

# 5. 分類著色散點圖
sns.scatterplot(data=df, x='x', y='y', hue='type')
plt.title("按類別著色的散點圖")
plt.show()

# 示例時間序列數(shù)據(jù)
df = pd.DataFrame({
    'date': pd.date_range('2023-01-01', periods=100, freq='D'),
    'value': np.random.randn(100).cumsum() + 50
})

# 1. 簡單時間序列圖
df.plot(x='date', y='value')
plt.title("時間序列趨勢圖")
plt.xlabel("日期")
plt.ylabel("數(shù)值")
plt.show()

# 2. 移動平均圖（窗口為7天）
df.set_index('date')['value'].rolling(window=7).mean().plot()
plt.title("7天移動平均圖")
plt.show()

# 3. 時間序列分解（需statsmodels庫）
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(df.set_index('date')['value'], model='additive', period=30)
result.plot()
plt.suptitle("時間序列分解（趨勢+季節(jié)+殘差）", y=1.02)
plt.show()

# 4. 帶置信區(qū)間的折線圖
sns.lineplot(data=df, x='date', y='value')
plt.title("帶置信區(qū)間的時間序列圖")
plt.show()

from wordcloud import WordCloud
import nltk
from nltk.probability import FreqDist

# 示例文本
text = "data science machine learning python visualization analysis exploration"

# 1. 詞云圖
wordcloud = WordCloud(width=800, height=400).generate(text)
plt.imshow(wordcloud, interpolation='bilinear')
plt.axis('off')
plt.title("詞云圖")
plt.show()

# 2. 詞頻分布圖
words = text.split()
fdist = FreqDist(words)
fdist.plot(30, cumulative=False)  # 顯示前30個詞
plt.title("詞頻分布圖")
plt.show()

# 3. 詞頻條形圖
sns.barplot(x=list(fdist.keys())[:10], y=list(fdist.values())[:10])
plt.title("前10高頻詞條形圖")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# 示例圖表自定義
plt.figure(figsize=(10, 6))  # 設(shè)置圖像尺寸
sns.scatterplot(data=df, x='x', y='y')
plt.title("這是一個帶自定義樣式的散點圖", fontsize=16)
plt.xlabel("X軸標(biāo)簽", fontsize=12)
plt.ylabel("Y軸標(biāo)簽", fontsize=12)
plt.xticks(rotation=45)  # X軸標(biāo)簽旋轉(zhuǎn)45度
plt.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()  # 自動調(diào)整子圖間距
plt.show()

# 保存圖表到文件
plt.savefig("scatter_plot.png", dpi=300, bbox_inches='tight')
print("圖表已保存為 scatter_plot.png")

# 展示圖表
plt.show()

# 關(guān)閉當(dāng)前圖像釋放內(nèi)存
plt.close()