利用面向对象API绘制直方图，饼图，散点图，误差棒图

直方图（histogram）能展示数值型数据的数据分布情况；也就是先对数据分组，再用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距。由于分组数据具有连续性，直方图的各矩形通常是连续排列。

绘制直方图

import numpy as np
import matplotlib.pyplot as plt
# 准条50个随机测试数据
scores = np.random.randint(0，100，50)
# 绘制直方图
plt.hist(scores, bins=8, histtype='stepfillcd')
plt.show()

效果图

饼图是由若干个面积大小不一、以条形或颜色填充的扇形组成的圆形图表，它使用圆表示数据的总量，组成圆的每个扇形表示数据中各项占总量的比例大小，主要用于显示数据中各项大小与各项总和的比例。饼图中的圆与扇形分别代表整体与部分，可以形象地展示数据整体与各项数据的关系，适用于快速了解整体数据中各项数据分配情况的场景。

绘制饼图

import numpy as up
import matplotlib.pyplot as 
pltdata = np.array([20,50， 10, 15,30，55])
pie labels = np.array(['A','B','c，'D','E，'F'])
# 绘制饼图:半径为0. 5 保1位小数
plt.pie(data, radius=1.5, labels pie labels, autopct='%3.1f%%')
plt.show()

散点图又称X-Y图，是由若干个数据点组成的图表，主要用于判断两变量之间是否存在某种关联，或者总结数据点的分布模式。散点图中数据点的分布情况可以体现变量之间的相关性:若所有的数据点在一条直线附近呈波动趋势，说明变量之间是线性相关的，若数据点在曲线附近呈波动趋势，说明变量之间是非线性相关的;若数据点没有显示任何关系，说明变量之间是不相关的，常见于分析两变量相关性的场景。

绘制散点图

import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False
x_speed = np.arange(10, 210, 10)
y_distance = np.array([0.5, 2.0, 4.4, 7.9, 12.3,
                       17.7, 24.1, 31.5, 39.9, 49.2,
                       59.5, 70.8, 83.1, 96.4, 110.7,
                       126.0, 142.2, 159.4, 177.6, 196.8])
area=np.linspace(20,300,20)
plt.scatter(x_speed,y_distance,
            s=area, 
            alpha=0.9, 
            c='orange') 
plt.show()

误差棒图是使用误差棒注明被测量数据的不确定度大小的图表，用于表示测量数据中客观存在的测

量偏差(标准差或标准误差 )。误差棒图中误差棒是以被测量数据的平均值为中点，在表示测量值大小的方向上画出的一条线段，线段长度的一半为不确定度。

绘制误差棒图

import numpy as up
import matplotlib.pyplot as plt

x = np.arange(5)
y = (25，32，34，20，25)
y_offset = (3，5，2，3,3)
plt.errorbar(x,y, yerr=y_offset, capsize=3, capthick=2)
plt.show()