在上一节（juejin.cn/post/729759… ）中，我们介绍了数据分析结果如何给输出到文件中，pandas提供了很多输出到文件的方法。在数据分析中，我们还可以采用一些数据可视化的方法，帮助我们分析数据集的特征，本节主要介绍python数据可视化的方法。
10.Python数据可视化
关于Python数据可视化，在Python中有很多相关的数据可视化包可以做到交互式的数据可视化，非常方便，接下来介绍几个常用的Python数据可视化的包。
10.1 Matplotlib
Matplotlib是Python中最常用的绘图库，它提供了一整套和MATLAB类似的API，非常适合交互式地进行制图。并且也可以将它作为绘制图形的底层库，利用其他库对matplotlib进行包装，如seaborn, pandas等。
可支持多种不同种类的图类型，根据数据集的不同，下面给出了用Matplotlib生成图的基本代码。
10.1.1. 折线图（Line plot）
折线图主要用于表示数据随时间或有序类别的变化趋势，适用于时间序列数据或有序类别数据。
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.plot(x, y)
plt.show()
10.1.2. 散点图（Scatter plot）
散点图主要用于展示两个变量之间的关系，适用于连续的数值变量。
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
plt.scatter(x, y)
plt.show()
10.1.3. 柱状图（Bar plot）
柱状图主要用于比较各类别的大小，适用于类别数据。对于横轴为时间的柱状图，也可以反映某种随着时间增长的趋势。
import matplotlib.pyplot as plt
x = ['A', 'B', 'C', 'D', 'E']
y = [3, 10, 7, 5, 3]
plt.bar(x, y)
plt.show()
10.1.4. 直方图（Histogram）
直方图主要用于展示单个变量的分布情况，适用于连续的数值变量。
import matplotlib.pyplot as plt
import numpy as np
data = np.random.randn(1000)
plt.hist(data, bins=30)
plt.show()
10.1.5. 箱线图（Box plot）
箱线图主要用于展示变量的中位数、四分位数和异常值，适用于连续的数值变量。
import matplotlib.pyplot as plt
import numpy as np
data = np.random.randn(1000)
plt.boxplot(data)
plt.show()
10.1.6. 饼图（Pie chart）
饼图主要用于展示各类别的占比，适用于类别数据。
import matplotlib.pyplot as plt
sizes = [215, 130, 245, 210]
labels = ['A', 'B', 'C', 'D']
plt.pie(sizes, labels=labels)
plt.show()
10.1.7. 热力图（Heatmap）
热力图主要用于展示变量之间的相关性，适用于连续的数值变量。
import matplotlib.pyplot as plt
import numpy as np
data = np.random.rand(10, 10)
plt.imshow(data, cmap='hot', interpolation='nearest')
plt.show()
10.1.8. 等高线图（Contour plot）
等高线图主要用于展示三维数据的等高线，适用于三维的数值变量。
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(-1, 1, 100)
y = np.linspace(-1, 1, 100)
X, Y = np.meshgrid(x, y)
Z = np.sqrt(X**2 + Y**2)
plt.contour(X, Y, Z)
plt.show()
10.1.9. 3D图（3D plot）
3D图主要用于展示三维数据的分布，适用于三维的数值变量。
from mpl_toolkits.mplot3d import Axes3D
import matplotlib.pyplot as plt
import numpy as np
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
x = np.random.standard_normal(100)
y = np.random.standard_normal(100)
z = np.random.standard_normal(100)
ax.scatter(x, y, z)
plt.show()
10.1.10. 极坐标图（Polar plot）
极坐标图主要用于展示各方向或各角度的数据，适用于方向或角度的数据。
import matplotlib.pyplot as plt
import numpy as np
r = np.arange(0, 2, 0.01)
theta = 2 * np.pi * r
plt.polar(theta, r)
plt.show()
10.2 Seaborn
Seaborn是一个基于matplotlib的Python数据可视化库，它提供了更高级别的接口和更好看的默认主题。
10.2.1 加载内置数据集
要了解Seaborn的使用，可以使用其自带的数据集。加载数据集的方式非常简单：
import seaborn as sns
import matplotlib.pyplot as plt
# 载入内置数据集
tips = sns.load_dataset("tips")
该命令会自动下载自带数据集，关于Seabron的数据集，可以参见其官方文档。由于是外网的原因，大概率会出现如下的报错：
urllib.error.URLError: <urlopen error [Errno 11004] getaddrinfo failed>
可通过镜像站把数据集下载到本地，下载地址（二选一）：
下载完成后，可在load_dataset方法中指定数据集的路径,直接从本地加载数据
tips = sns.load_dataset("tips", cache=True, data_home="C:\Python36\Lib\site-packages\seaborn\seaborn-data")
10.2.2 seaborn的优势
前面说过，seaborn是基于Matplotlib发展来的，相对于前者，seaborn的优势主要体现在以下几个方面：
Seaborn对dataframede数据结构的支持更友好
例如，Seaborn能够直接处理Pandas的DataFrame数据结构，你可以直接将列名作为参数传递给绘图函数。在下面的例子中，对于同一个datagframe,seaborn的代码相对于前者，显得更加优雅。
import matplotlib.pyplot as plt
import pandas as pd
df = pd.DataFrame({"A": range(10), "B": range(10, 20)})
# 用matplotlib实现：
plt.scatter(df["A"], df["B"])
plt.show()
# 用seaborn实现：
import seaborn as sns
sns.scatterplot(data=df, x="A", y="B")
plt.show()
Seaborn生成的图更加灵活
相比于Matplotlib，Seaborn提供了更丰富的图形类型，如热力图、箱线图、小提琴图等。这些图形类型在Matplotlib中可能需要编写大量代码才能实现。
import seaborn as sns
import matplotlib.pyplot as plt
# 加载内置的鸢尾花数据集
iris = sns.load_dataset("iris", cache=True, data_home="C:\Python36\Lib\site-packages\seaborn\seaborn-data")
# 选择一个特征（例如：花瓣长度，"petal_length"）绘制核密度图
sns.kdeplot(iris["petal_length"])
plt.show()_length"）绘制核密度图
sns.kdeplot(iris["petal_length"])
10.3 Pyecharts
pyecharts是一个功能强大且易于使用的Python数据可视化库，通过其简单的API接口和丰富的配置选项，用户可以轻松地创建出各种交互式、个性化的图表和可视化效果。无论是数据探索、数据分析还是结果展示，pyecharts都是一个非常有用的工具。
from pyecharts import options as opts
from pyecharts.charts import Bar
# 定义 x 轴数据和 y 轴数据
x_data = ['A', 'B', 'C', 'D', 'E']
y_data = [10, 20, 30, 40, 50]
# 创建柱状图对象
bar_chart = (
Bar()
.add_xaxis(x_data)
.add_yaxis("Y 轴标题", y_data)
.set_global_opts(title_opts=opts.TitleOpts(title="柱状图示例"))
)
# 生成 HTML 文件并可在浏览器中打开
bar_chart.render("bar_chart.html")
echarts自从诞生以来，经过不断迭代，目前可支持的图表有了很大的扩充，为用户提供了及其丰富的图表类型。而另一方面，因为其html的支持和轻量化的设计，在数据类应用中得到了广泛的运用。关于echarts的使用和说明，后续将继续研究和探索。有关echarts的说明可以参见官方网站：echarts.apache.org/zh/index.ht…
总而言之，无论是用什么可视化工具，我们把数据做可视化的目的是为了更好地了解数据，这些工具只是辅助分析的一部分，在后续的分析中，不要局限于可视化本身，要灵活地应用各类数据化工具，来帮助分析数据，说明问题，用数据说话。
