Python Bokeh可视化: lending_rate3m均值与job分析

本案例使用Python的Bokeh库对lending_rate3m的月度平均值和不同job数量进行可视化分析。

数据预处理

import pandas as pd
from bokeh.plotting import figure, show,output_file
import numpy as np

df = pd.read_csv('train.csv')

# 将issue_d转换为日期时间格式
df['issue_d'] = pd.to_datetime(df['issue_d'])

# 提取年份和月份
df['year'] = df['issue_d'].apply(lambda x: x.year)
df['month'] = df['issue_d'].apply(lambda x: x.month)

计算lending_rate3m的平均值

avg_lending_rate3m = df.groupby(['year', 'month'])['lending_rate3m'].mean().reset_index()

统计不同job的数量

job_count = df.groupby(['year', 'month', 'job'])['id'].count().reset_index()
job_count['job'] = job_count['job'].astype(str)

创建图表

# 创建绘图空间
p = figure(title='Lending Rate 3M and Job Analysis', x_axis_label='Time', y_axis_label='Lending Rate 3M')

# 添加平均lending_rate3m折线图
p.line(x=np.arange(len(avg_lending_rate3m)), y=avg_lending_rate3m['lending_rate3m'], line_width=2, color='navy')

# 添加job数量堆叠柱状图
colors = ['red', 'orange', 'yellow', 'green', 'blue', 'purple', 'pink', 'brown', 'gray']
for i, job in enumerate(job_count['job'].unique()):
    p.vbar(x=np.arange(len(job_count)), top=job_count[job_count['job'] == job]['id'],
           width=0.9, color=colors[i], legend_label=job)

# 布局设置
p.legend.location = 'top_left'
p.xaxis.ticker = np.arange(len(avg_lending_rate3m))
p.xaxis.major_label_overrides = {i: f'{avg_lending_rate3m['year'][i]}-{avg_lending_rate3m['month'][i]}' for i in range(len(avg_lending_rate3m))}
p.xaxis.major_label_orientation = np.pi / 4
p.y_range.start = 0

# 输出图像
output_file('lending_rate3m_and_job_analysis.html')
show(p)

结果展示

该代码将生成一个HTML文件，其中包含lending_rate3m月度平均值的折线图以及不同job数量的堆叠柱状图。您可以通过浏览器打开该HTML文件查看结果。