Python 可视化

1、类库
Matplotlib：功能强大的数据可视化库，但是画一些常用的图也可能需要花时间研究代码。
Seaborn：架构在 matplotlib 的基础上，但添加了一些函数或方法，使常见的统计可视化变得更便捷。
pandas：虽然这个库包含一些便捷的、基于 matplotlib 的数据可视化方法，但是它的主要功能是进行数据处理，我们也会将其视为处理数据的主要工具。

Matplotlib ：

figure (Figure)： 用来创建新的图表。 可以用它来初始化图表，最常用的是 “figsize” 参数设置图表大小。
xlabel 和 ylabel (Axes)： 用来设置轴标签。
xticks 和 yticks (Axes)： 用来设置轴刻度。

legend (Axes)： 用来创建和自定义图例。一个关键参数是 "title"，可以为你的图例提供描述文字，标记特征名称。"loc" 和 "ncol" 参数可以改变图例的位置和形状，因为有些时候默认的图例位置可能并不理想。
colorbar (Axes)： 用来添加调色板。用 "label" 这个参数給调色板添加标签。

title (Axes)： 用来设置单个坐标系图表的标题。
suptitle (Figure)： 用来设置整个图表容器的标题。suptitle 和 title 主要的不同是前者是为整个图表容器（Figure 对象） 设置标题，而后者只是为单个坐标系的图表（Axes 对象）设置标题。这对于分面图表或者创建包含很多子图的图表很有用，suptitle 可以为整个图表 矩阵设置总标题。

2、数据类型
1、分类（Categorical）类型（非数值类型，又称定性类型）
（1）无序分类变量（Nominal data）：没有固定顺序的纯标签文本，比如电影类型、国家等
（2）有序分类变量（Ordinal data）：具有固定顺序和排名的标签文本（数值之间可以进行比较，但是不能计算），比如表示成绩的字母、比赛排名、教育程度等

2、数值（Numeric）类型（又称定量类型）
（1）定距变量（Interval data）：绝对差有意义的数值型数据（可以进行加法和减法运算），比如年份、温度
（2）定比变量（Ratio data）：相对差有意义的数值型数据（可以进行乘法和除法运算），比如文档的字数、重量

所有数值类型的变量还可以分为两个类型：离散型 和 连续型。

离散型 数值变量只能取某个特定集合中的一定精度的数值
连续型 数值变量可以（理论上）取得任何精度级别的数值。

连续数据是可以采用小数精度的数据类型，而离散数据则是只能计数的数据类型

3、可视化方式选择
一般来说，人们对于位置变化和长度变化最为敏感，位置变化就是类似散点图中 x/y 坐标位置的变化，长度变化就是类似条形图和直方图的条形高度变化。

同时，人们不太能感受色调变化，比如用了较多颜色的散点图（我们将在后续课程中接触到这种图表），对面积变化也不太敏感，比如饼状图，所以饼状图通常都不是最佳选择。

颜色与形状是分类变量最好的展现方式，而标志大小有助于数值型数据的表达

1、条形图 bar chart–分类变量
（1）无序：按频率高低排序
（2）有序：按照自有顺序
如果类别比较多，或者每个类别的文字描述比较长，就把竖着条形图改为横着
2、直方图 histograms–数值

#在jupyter中进行绘制
%matplotlib inline

导出可视化html时的命令

jupyter nbconvert Wine_Quality_Slide.ipynb --to slides --post serve --template output_toggle

普通的单个图表增加标题，但是中文会乱码

plt.title() 

PairGrid 或 FacetGrid 等组图对象添加标题

plt.subplots_adjust(top=0.9) # 调整图表位置
g.fig.suptitle('这里添加标题');