python花瓣长度和花瓣宽度散点图鸢尾花_matplotlib可视化操作及案例分析

matplotlib 可视化总结

之前的几期中，我们推出了python语法和pandas数据处理的模块，这是用来做数据分析最不可或缺的技能。今天我们接着推出matplotlib可视化的模块。可视化也是在整个数据分析流程中必不可少的一个环节，因为图形远比单纯的数字易于理解和接受，一个好的可视化图形能够“不言自明”，给听众留下深刻的印象。这一期推出的matplotlib模块，是python中应用最为广泛的一个可视化工具包，它可以对整个可视化的图形进行“雕刻”，让图形满足我们表达信息，传递信息的需要。

做可视化工作需要分成以下三个阶段：

数据准备：将需要进行可视化的数据进行处理，如异常值的处理，以及数据格式转化等(Pandas 处理过程)

数据类型：数值型数据 or 分类型数据

数据异常：取值异常 or 数据缺失

确定图表：思考需要用什么图来分析比较合适，不同的目的所需要的图表也不同。

关联分析：散点图或折线图。观察两个变量之间的相关关系

分布分析：柱状图，密度图。观察数据的分布

分类分析：柱状图或箱式图。按类别进行分析

分析输出结论：这也是做可视化的目的，是可视化最重要的一步。对可视化的图形进行分析，得出结论，一般而言，这种结论是直接观察数据不易发现的结论。

对于matplotlib这个模块来说，由于涉及到的内容太多，因此要从实践，从需求出发，不适合按照知识点的模式进行学习，采用“用中学”的方法能够极大的提高学习效率。在这个模块中，我们会以几个简单的案例来对matplotlib常用的命令进行说明，主要目的是利用这几个简单案例将基本常用的操作命令都用到，因此不追求案例的新颖性。

在开展具体的案例之前，我们先抛出一张在matplotlib中各个对象名称的图片，这对大家理解非常有帮助，在后边文章中遇到不理解的可以参考这张图片。

案例一：航班乘客分析

在另一个可视化模块seaborn中，我们可以直接从网络上下载数据集，因此不用自己准备数据来练习matplotlib操作。

在打算利用matplotlib作图之前，一般需要导入以下包。

import matplotlib as mpl

from matplotlib import pyplot as plt

import pandas as pd

#这一行很重要，只有写了这一行代码，可视化后的图形才能在notebook中展现出来

%matplotlib inline

加载需要用到的数据集并进行展示。

#导入seaborn包

import seaborn as sns

#加载数据集

data = sns.load_dataset('flights')

data.head()