4-1 简单条图（单变量信息的可视化）

简单条图

用matplotlib实现
DataFrame.plot.bar()：对matplotlib.pyplot.bar()的打包调用。

原始的pyplot.bar()需要同时定义类别变量和直条高度变量，打包调用简化了该操作.
http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.plot.html

# 生成汇总数据
pd.value_counts(ccss.s5)

公司普通职员（白领） 349
企/事业管理人员 177
退休 125
个体经营者/私营业主 123
无业/待业/失业/家庭主妇 87
工人/体力工作者（蓝领） 81
其他职业 51
专业人士（如医生、律师等） 51
教师 43
国家公务员 33
学生 27

pd.value_counts(ccss.s5).plot.bar()

plt.bar(pd.value_counts(ccss.s5).index, pd.value_counts(ccss.s5))

用seaborn实现
seaborn和pandas有着更好的功能整合，因此支持下列两种数据格式：

类似于matplotlib，x/y轴等变量均以单独的数据序列形式出现
提供数据框名称，绘图用x/y轴等变量均为数据框中的变量列名称（long-form）
提供数据框名称，所有数值列均用于绘图（wide-form）

seaborn.barplot(

x, y, hue : 绘图中所使用的分类/连续变量/颜色分组变量名
data : 数据框名称

order, hue_order : hue变量各类别取值的绘图顺序
orient : “v” | “h”, 条带绘制方向
saturation = 0.75 : float, 直条颜色的饱和度

)返回：matplotlib的Axes对象，注意seaborn这里返回的是一个Axes对象！

注意：从 0.12版起，seabron中的绘图函数必须严格按照data，x，y的方式进行参数指定，对数据框列绘图时不能省略data参数，否则将会报错

# 按照长型数据格式绘图
pd.value_counts(ccss.s5)

sns.barplot(x = pd.value_counts(ccss.s5).index,
            y = pd.value_counts(ccss.s5))

# 按照宽型数据格式绘图
pd.DataFrame(pd.value_counts(ccss.s5)).T

公司普通职员（白领）  企/事业管理人员   退休  个体经营者/私营业主  ...  专业人士（如医生、律师等）  教师  国家公务员  学生

s5 349 177 125 123 … 51 43 33 27

sns.barplot(data = pd.DataFrame(pd.value_counts(ccss.s5)).T)

sns.barplot(data = pd.DataFrame(pd.value_counts(ccss.s5)).T, 
            color = '#ff0000')

# 自定义直条排列顺序
sns.barplot(x = pd.value_counts(ccss.s4).index,
            y = pd.value_counts(ccss.s4))

sns.barplot(x = pd.value_counts(ccss.s4).index,
            y = pd.value_counts(ccss.s4), 
            order = ['初中/技校或以下','高中/中专','大专'])

用countplot()直接绘图
所需参数基本上和barplot完全相同。

由于一个数轴已确定为频数，因此x和y参数不能同时出现。

# 从seaborn 0.12版起必须写成如下格式方可运行：sns.countplot(x = 's4', data = ccss)
sns.countplot(ccss.s4)

百分条图

由于matplotlib中没有直接绘制百分条图的命令，因此将合并在复杂条图中进行介绍，此处略去。