Python数据可视化-快速掌握

Python数据可视化-快速掌握
📊 数据可视化简介
数据科学工作流
数据科学的工作流可以用“OSEMN”来总结，具体步骤如下：

步骤 常用库
Obtain（获取数据） Scrapy
Scrub（清洗数据） NumPy、Pandas
Explore（展示数据） Matplotlib、Seaborn
Model（数据建模） scikit-learn、SciPy、TensorFlow
Interpret（解析数据） Bokeh、D3.js
数据可视化的定义
数据可视化是数据科学中“Explore（展示数据）”这一环节，指的是将数据以图表的方式展示和处理。课程中将介绍三种最常用的可视化库：

Matplotlib：基础的绘图库，用于创建静态、动态和交互式的图表。
Seaborn：基于Matplotlib，提供更高级的接口和更美观的图表。
Pyecharts：用于生成图表的库，特别适合于Web展示。
学习要求
在学习数据可视化之前，必须具备数据分析的基础，至少要掌握以下两个库：

NumPy：用于数值计算和数组操作的库。
Pandas：用于数据处理和分析的库，提供了数据结构和操作工具。
📊 Matplotlib 基础知识

1. 教学重点
   了解常用的可视化库
   掌握 Matplotlib 通用设置
   掌握 Matplotlib 基础图表的绘制

2. Matplotlib 简介
   在 Python 中，我们可以使用 Matplotlib 库来实现数据的可视化。数据可视化是指将数据以图表的方式展示处理。

3. 基本绘图（折线图）
   3.1 基本语法
   在 Matplotlib 中，使用 plot() 函数绘制折线图。折线图主要用于观察“因变量 y”随着“自变量 x”改变的趋势，特别适合展示随时间变化的连续数据。

语法：

python
Copy
plt.plot(x, y)
3.2 样式定义
为了使折线图更加美观，plot() 函数提供了多个样式参数，主要分为两类：

线条样式
节点样式
3.2.1 线条样式
在 Matplotlib 中，定义线条样式的参数有以下三个：

属性 说明
color 线条颜色
linestyle 线条外观
linewidth 线条宽度
3.2.2 节点样式
在 Matplotlib 中，定义节点样式的参数有以下四个：

参数 说明
marker 节点外观
markersize 或 ms 节点大小
markerfacecolor 或 mfc 节点颜色
markeredgecolor 或 mec 边框颜色
4. 通用设置
通用设置不仅适用于折线图，也适用于其他大多数图表。大多数通用设置函数通过 pyplot 子库调用。

导入方式：

python
Copy
import matplotlib.pyplot as plt
4.1 画布样式
使用 figure() 函数定义画布的样式，包括大小、颜色、边框等。

语法：

python
Copy
plt.figure(figsize, facecolor, edgecolor)
4.2 定义标题
使用以下函数定义主标题、x轴标题和y轴标题：

语法：

python
Copy
plt.title(label, loc) # 主标题
plt.xlabel(label, loc) # x轴标题
plt.ylabel(label, loc) # y轴标题
4.3 定义图例
使用 legend() 函数为图表定义图例。

语法：

python
Copy
plt.legend(loc)
4.4 刻度标签
使用 xticks() 和 yticks() 函数分别定义x轴和y轴的刻度标签。

语法：

python
Copy
plt.xticks(ticks, labels)
plt.yticks(ticks, labels)
4.5 刻度范围
使用 xlim() 和 ylim() 函数定义x轴和y轴的范围。

语法：

python
Copy
plt.xlim(left, right)
plt.ylim(left, right)
4.6 网格线
使用 grid() 函数为图表添加网格线效果。

语法：

python
Copy
plt.grid(axis, linestyle, color)
4.7 参考线
使用 axhline() 和 axvline() 函数添加水平方向和垂直方向的参考线。

语法：

python
Copy
plt.axhline(y, color, linestyle, linewidth)
plt.axvline(x, color, linestyle, linewidth)
4.8 参考区域
使用 axhspan() 和 axvspan() 函数添加水平方向和垂直方向的参考区域。

语法：

python
Copy
plt.axhspan(ymin, ymax, facecolor, alpha)
plt.axvspan(xmin, xmax, facecolor, alpha)
4.9 注释文本（有指向）
使用 annotate() 函数为关键节点添加有指向的注释文本。

语法：

python
Copy
plt.annotate(text, xy, xytext, arrowprops)
4.10 注释文本（无指向）
使用 text() 函数为节点添加注释文本。

语法：

python
Copy
plt.text(x, y, text)
5. 通用样式
在 Matplotlib 中，有一些样式参数可以被大多数绘图函数使用，这些参数称为“通用样式参数”。

参数 说明
color 颜色
fontsize 文本大小
ha 水平对齐
va 垂直对齐
label 图例
alpha 透明度（0~1.0）
6. 散点图
6.1 基本语法
使用 scatter() 函数绘制散点图。

语法：

python
Copy
plt.scatter(x, y)
6.2 散点图的主要作用
变量之间关联趋势的判断（线性或非线性）
判断是否有离群点（异常点）
6.3 样式定义
sctatter() 方法提供了多个样式参数，常用的如下表所示：

参数 说明
marker 散点的形状
s 散点的大小（size）
color 散点的颜色（color）
alpha 散点的透明度（0~1.0）
7. 实际案例
clothes.csv 文件保存的某衣服店一年内每个月中上衣和裤子的销量（单位：件）。

8. 气泡图
   使用 scatter() 函数的 s 参数绘制气泡图，注意 s 参数的值要求是一个列表。

9. 柱形图
   9.1 基本语法
   使用 bar() 函数绘制柱形图，柱形图的主要作用是展示数据的大小。

语法：

python
Copy
plt.bar(x, y, hatch)
9.2 实际案例
gaokao.csv 文件保存的 2011~2020 年间每年的高考人数（单位：万人）。

9.3 高级绘图
柱状图的使用频率较高，某些情况下，基本柱状图可能无法满足需求，需要掌握以下高级柱状图的绘制：

堆叠柱状图
并列柱状图
10. 条形图
条形图与柱形图类似，最重要的区别在于柱形图是纵向的。

📊 条形图与直方图

1. 条形图
   1.1 基本语法
   在Matplotlib中，我们可以使用 barh() 函数来绘制一个条形图。其语法为：

python
Copy
plt.barh(x, y, hatch)
2. 直方图
2.1 基本语法
在Matplotlib中，我们可以使用 hist() 函数来绘制一个直方图。直方图又叫做“质量分布图”，它的主要作用是展示数据的分布情况。其语法为：

python
Copy
plt.hist(x, bins)
2.2 直方图与柱状图的区别
直方图和柱状图十分相似，主要区别有以下三个方面：

特点 柱状图 直方图
数据展示 展示数据的大小 展示数据的个数（频率）
数据类型 离散型数据 连续型数据
矩形条之间的间隙 有固定的间隙 没有任何间隙
2.3 样式定义
为了让直方图更加美观，hist() 函数提供了很多用于定义样式的参数，常用的如下表所示。

参数 说明
histtype 直方图类型
rwidth 条形的宽度
facecolor 条形的颜色
edgecolor 边框的颜色
alpha 透明度
🍰 饼状图

1. 基本语法
   在Matplotlib中，我们可以使用 pie() 函数来绘制一个饼状图。饼状图也叫做“饼图”，其作用是展示各个部分在总和中的比例。语法为：

python
Copy
plt.pie(x)
2. 样式定义
为了让饼状图更加美观，pie() 函数提供了很多用于定义样式的参数，常用的如下表所示。

参数 说明
labels 各部分的标题（列表）
colors 各部分的颜色（列表）
autopct 显示百分比
explode 是否拉出某部分（元组）
shadow 是否显示阴影（元组）
3. 圆环图
圆环图，也叫做“环形图”。在Matplotlib中，我们可以使用 pie() 函数的 radius 和 wedgeprops 这两个参数配合使用来实现一个圆环图。

📦 箱线图

1. 基本语法
   箱线图，也叫做“箱形图”。箱线图使用六个统计量来描述数据，包括最大值、上四分位数、中位数、下四分位数、最小值和异常值。

在Matplotlib中，我们可以使用 boxplot() 函数来绘制一个箱线图。其主要作用有两个：查看数据的分布情况和发现数据中的异常点。语法为：

python
Copy
plt.boxplot(x)
2. 样式定义
为了使箱线图更加美观，boxplot() 函数提供了很多用于定义样式的参数，常用的如下表所示。

参数 说明
notch 是否有缺口，默认为 False（不带缺口）
vert 是否为纵向，默认为 True（纵向）
showmeans 是否显示平均值，默认为 False（不显示）
showfliers 是否显示异常值，默认为 True（显示）
flierprops 异常点的样式，值是一个字典
boxprops 箱子的样式，值是一个字典，需要结合 patch_artist=True 一起使用
labels 指定每个箱线图的标签
3. 实际案例
例如，staff.csv 文件保存的是所有员工的年龄，接下来我们尝试使用箱线图来判断年龄是否存在异常值。

🎨 高级图表绘制
📝 教学重点
掌握Matplotlib各种高级图表的绘制
📊 3.1 高级图表简介
本章介绍了Matplotlib中的高级图表，主要包括以下7种。

🔍 3.2 阶梯图

1. 基本语法
   阶梯图是一种类似于折线图的图表，用于反映数据的趋势变化，尤其适合展示时序数据的波动周期或规律。在Matplotlib中，可以使用step()函数绘制阶梯图。

语法：

python
Copy
plt.step(x, y)
2. 实际案例
使用gaokao.csv文件中保存的2011~2020年每年高考人数（单位：万人）绘制阶梯图。

📈 3.3 面积图

1. 基本语法
   面积图是一种随时间变化而改变范围的图表，强调数量与时间的关系。在Matplotlib中，可以使用stackplot()函数绘制面积图。

语法：

python
Copy
plt.stackplot(x, y)
2. 实际案例
使用sale.csv文件中保存的某公司2020年每个月的销售总额（单位：万元）绘制面积图。

3. 高级绘图
   在实际开发中，基本面积图可能无法满足需求，需掌握高级面积图的绘制，常见的有堆叠面积图。

📏 3.4 棉棒图

1. 基本语法
   棉棒图（也称棒棒糖图或火柴杆图）由一个“杆”（直线）和一个“头”（圆点）组成。在Matplotlib中，可以使用stem()函数绘制棉棒图。

语法：

python
Copy
plt.stem(x, y)
2. 样式定义
stem()函数提供了多个样式定义参数，常用的有linefmt和markerfmt。

3. 实际案例
   使用product.csv文件中的每月产品销量绘制棉棒图。

🧪 3.5 误差棒图

1. 基本语法
   许多科学实验存在测量误差，绘制误差棒图是对实验结果添加误差的好方法。在Matplotlib中，可以使用errorbar()函数绘制误差棒图。

语法：

python
Copy
plt.errorbar(x, y, xerr, yerr)
2. 样式定义
errorbar()函数提供多种样式参数，常用的如下表所示：

参数 说明
color 整体颜色
linestyle 线条外观
linewidth 线条宽度
marker 节点外观
markersize 节点大小
markerfacecolor 节点颜色
markeredgecolor 节点边框颜色
ecolor 棒条颜色
elinewidth 棒条粗细
capsize 横杠大小
3. 高级绘图
柱状图和误差棒图可以结合使用，绘制带误差棒的柱状图。

🌐 3.6 雷达图

1. 基本语法
   在Matplotlib中，可以使用polar()函数绘制雷达图。

语法：

python
Copy
plt.polar(theta, r)
2. 样式定义
为提高用户体验，需要对雷达图进行自定义，主要包括刻度标签和填充颜色。

（1）刻度标签
使用thetagrids()函数定义雷达图的刻度标签。

语法：

python
Copy
plt.thetagrids(angles, labels)
（2）填充颜色
使用fill()函数对雷达图进行填充颜色。

语法：

python
Copy
plt.fill(theta, r, color, alpha)
3. 实际案例
展示一个英雄的能力指标（力量、敏捷、智力、生命、魔法、耐力）的雷达图。

🔥 3.7 热力图

1. 基本语法
   热力图以高亮方式显示区域的密度情况。在Matplotlib中，可以使用imshow()函数绘制热力图。

语法：

python
Copy
plt.imshow(x)
2. 样式定义
使用cmap参数定义热力图的颜色，常用取值如下表所示：

取值 说明
plt.cm.gray 黑→灰→白
plt.cm.bone 黑→蓝灰→白
plt.cm.hot 黑→红→白
plt.cm.cool 青绿→浅蓝→品红
plt.cm.spring 品红→橙黄→黄色
plt.cm.summer 深绿→浅绿→黄色
plt.cm.autumn 红→橙→黄
plt.cm.winter 蓝→青蓝→绿
3. 注意事项
Matplotlib的热力图能力有限，实际开发中推荐使用Seaborn实现热力图。

📊 3.8 子图表

1. 基本语法
   在Matplotlib中，可以使用subplot()函数绘制多个子图表。

语法：

python
Copy
plt.subplot(rows, cols, index)
2. 实际案例
绘制一个2×2的组合图表，包括折线图、散点图、柱形图和饼状图。

🎨 Matplotlib 使用指南
📚 教学重点
本节课的学习重点包括：

掌握如何设置主题风格
掌握如何保存图片
掌握如何添加水印效果
了解全局配置
掌握 setp() 和 getp()
4.1 主题风格
在 Matplotlib 中，默认的图表风格非常简陋。为了提升用户体验，我们可以使用 plt.style.use() 函数来定义主题风格。

语法：
python
Copy
plt.style.use(主题名)
4.2 保存图片
我们可以使用 savefig() 函数将图表保存为图片文件。

语法：
python
Copy
plt.savefig(path)
4.3 水印效果
text() 函数主要用于为节点添加注释文本，但我们也可以利用它为整个图表添加水印效果。

语法：
python
Copy
plt.text(x, y, text)
4.4 全局配置
在 Matplotlib 中，通过 matplotlibrc 文件可以修改图表的默认样式。该文件保存了所有的默认配置项。

4.5 setp() 和 getp()
在 Matplotlib 中，setp() 和 getp() 函数用于操作绘图对象的属性。

1. setp()
   使用 setp() 函数可以给图表对象设置属性（参数）。

语法：
python
Copy
plt.setp(obj, ……)
2. getp()
使用 getp() 函数可以查看图表对象的所有属性及其值。

语法：
python
Copy
plt.getp(obj)

📊 Seaborn 数据可视化

教学重点

• 了解 Seaborn 是什么
• 掌握 Seaborn 通用设置
• 掌握 Seaborn 基础图表的绘制

5.1 Seaborn简介

1、Seaborn是什么

Seaborn 是基于 Matplotlib 实现的数据可视化库，相比于 Matplotlib，Seaborn 有两个最重要的优势：

1. 语法更加简单好用
2. 图表更加高级美观

2、使用Seaborn的注意事项

在实际工作中，有以下四点需要特别注意：

5.2 基本绘图（折线图）

1、基本语法

在Seaborn中，使用 lineplot() 函数绘制折线图。折线图的主要作用是观察因变量 $y$ 随着自变量 $x$ 的变化趋势。

语法：

sns.lineplot(data, x, y)
2、深入了解
Seaborn可以在不显式指定 
KaTeX can only parse string typed expression
x 和 
KaTeX can only parse string typed expression
y 的情况下自动绘图。

3、实际案例
使用 flight.csv 文件，该文件保存了某航空公司1949至1960年每月的乘客人数，尝试绘制其对应的折线图。

5.3 通用设置
通用设置可以用于折线图及其他大多数图表，主要包括以下五个方面：

设置项	描述
主题风格	使用 set_style() 函数设置主题风格。
定义标题	使用 set_title()、set_xlabel() 和 set_ylabel() 函数定义图表和轴的标题。
定义图例	使用 legend() 函数调整图例的位置。
刻度标签	使用 set_xticklabels() 和 set_yticklabels() 函数定义 x 轴和 y 轴的刻度标签。
刻度范围	使用 set_xlim() 和 set_ylim() 函数定义 x 轴和 y 轴的坐标范围。
5.4 散点图
1、基本语法
在Seaborn中，使用 scatterplot() 函数绘制散点图。散点图的主要作用是判断两个变量之间是否存在关联趋势。

语法：

python
Copy
sns.scatterplot(data, x, y)
2、实际案例
使用 tip.csv 文件，该文件保存了某餐厅的营业情况，包括总额、小费和客人信息，尝试绘制其对应的散点图。

3、scatterplot()的参数
参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分（颜色）
style	添加区分（形状）
size	添加区分（大小）
sizes	自定义大小
5.5 柱形图
1、基本语法
在Seaborn中，使用 barplot() 函数绘制柱形图。柱形图的主要作用是展示数据的大小。

语法：

python
Copy
sns.barplot(data, x, y)
2、实际案例
使用 tip.csv 文件，尝试绘制其对应的柱形图。

3、误差棒
在 barplot() 函数中，用于定义误差棒样式的参数有三个，如下表所示：

参数	说明
errcolor	棒条颜色
errwidth	棒条宽度
capsize	横杠大小
4、barplot()的参数
参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分
order	改变顺序
dodge	合并显示
errcolor	棒条颜色
errwidth	棒条宽度
capsize	横杠大小
5.6 直方图
1、基本语法
直方图和柱状图十分相似，但功能不同：柱状图用于展示数据大小，直方图用于展示数据个数（频率）。在Seaborn中，使用 histplot() 函数绘制直方图。

语法：

python
Copy
sns.histplot(data, x, y, bins)
2、实际案例
使用 penguin.csv 文件，该文件保存了344只企鹅的相关数据，尝试绘制其对应的直方图。

📊 箱线图 (Boxplot)
"箱线图是一种有效的数据可视化工具，主要用于展示数据分布情况和识别异常值。"

1. 基本语法
在 Seaborn 中，我们可以使用 boxplot() 函数来绘制箱线图。其主要作用包括：

查看数据的分布情况
判断是否有异常值
语法：

python
Copy
sns.boxplot(data, x, y)
2. 实际案例
在实际案例中，我们使用 tip.csv 文件，该文件保存某餐厅的营业情况，包括总额、小费和客人信息等。通过绘制其对应的箱线图，我们可以直观地分析数据。

3. boxplot() 的参数
箱线图的参数及其说明如下表所示：

参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分（颜色）
order	改变顺序
其他参数
hue: 通过颜色区分不同的类别。
order: 用于改变数据的显示顺序。
4. 箱线图的组成部分
箱线图通常由以下几个部分组成：

箱体: 表示数据的四分位数，箱体的上下边缘分别是上四分位数和下四分位数。
中位线: 箱体内部的线条表示数据的中位数。
须: 伸出箱体的线条，表示数据的范围。
异常值: 位于须之外的点，表示异常数据。
通过以上内容，学生可以理解和应用箱线图的基本知识，并能够在 Seaborn 中使用相关函数进行数据可视化。

📊 高级图表
6.1 高级图表简介
这一章我们来介绍Seaborn中的高级图表，主要包括以下6种：

热力图
核密度图
小提琴图
增强箱线图
分类散点图
线性回归图
🌡️ 6.2 热力图
1. 基本语法
在Seaborn中，我们可以使用heatmap()函数来绘制一个热力图。热力图的主要作用是以高亮的方式来显示区域的密度情况，以展示数据的差异性。

语法：

python
Copy
sns.heatmap(data)
2. 实际案例
flight.csv文件保存的是某航空公司1949~1960这12年内每个月的乘客人数，我们尝试绘制其对应的热力图。

heatmap()的参数
参数	说明
data	数据部分（二维）
annot	添加注释文本，True或False
fmt	定义数据格式
cmap	定义颜色风格
linewidth	添加间距
cbar	显示颜色条，True或False
🌌 6.3 核密度图
核密度图和直方图的功能非常相似，都是用于展示数据的分布情况，不过它们之间有以下2个方面的区别：

直方图使用“条形”来展示，核密度图使用“曲线”来展示。
直方图的纵坐标是数据的个数，核密度图的纵坐标是数据的密度。
1. 基本语法
在Seaborn中，我们可以使用kdeplot()函数来绘制一个核密度图。其中，kdeplot是“Kernel Density Estimate（核密度估计）”的缩写。

语法：

python
Copy
sns.kdeplot(data, x, y)
2. 实际案例
tip.csv文件保存的是某餐厅营业情况，包括总额、小费、客人信息等，我们尝试绘制其对应的核密度图。

kdeplot()的参数
参数	说明
data	数据部分
x	x轴坐标
y	y轴坐标
hue	添加区分（颜色）
multiple="stack"	堆叠显示（面积图）
multiple="fill"	填充显示
bw_adjust	曲线平滑度
cut=0	切除小数部分
common_norm=False	独立计算面积
🎻 6.4 小提琴图
1. 基本语法
小提琴图是一种组合型的图表，它同时结合了箱线图和核密度图的功能。在Seaborn中，我们可以使用violinplot()函数来绘制一个小提琴图。

语法：

python
Copy
sns.violinplot(data, x, y)
2. 实际案例
tip.csv文件保存的是某餐厅营业情况，包括总额、小费、客人信息等，我们尝试绘制其对应的小提琴图。

violinplot()的参数
参数	说明
data	数据部分
x	x轴坐标
y	y轴坐标
hue	添加区分（颜色）
order	改变顺序
split=True	合并显示
inner="quartile"	添加百分位线
inner="stick"	每一个数据一条线
bw_adjust	曲线平滑度
📦 6.5 增强箱线图
1. 基本语法
在Seaborn中，我们可以使用boxenplot()函数来绘制一个“增强版”的箱线图。

语法：

python
Copy
sns.boxenplot(data, x, y)
2. 实际案例
tip.csv文件保存的是某餐厅营业情况，包括总额、小费、客人信息等，我们尝试绘制其对应的增强箱线图。

boxenplot()的参数
参数	说明
data	数据部分
x	x轴坐标
y	y轴坐标
📊 分布散点图与线性回归图
1. 分布散点图基本概念
分布散点图（strip plot）是用于查看数据分布情况的一种可视化工具。与普通散点图不同，普通散点图主要用于判断两个变量之间是否存在关联趋势，而分布散点图则专注于数据的分布特征。

基本语法
在 Seaborn 库中，我们可以使用 stripplot() 函数来绘制分布散点图。其语法如下：

python
Copy
sns.stripplot(data, x, y)
2. 分布散点图实际案例
在本节中，我们将使用名为 tip.csv 的文件，该文件保存了某餐厅的营业情况，包括总额、小费及客人信息等。我们尝试通过该数据绘制分布散点图。

3. stripplot() 函数参数
以下是 stripplot() 函数的主要参数及其说明：

参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分
dodge=True	单独显示
order	改变顺序
4. 线性回归图基本概念
线性回归图（regression plot）又称回归图，主要用于表现两个变量之间的线性关系。该图在散点图的基础上，增加了一条直线（或曲线），这条线是通过最小二乘法预测得到的，表示两个变量之间的关系，形式为 
KaTeX can only parse string typed expression
y=ax+b。

基本语法
在 Seaborn 库中，我们可以使用 regplot() 函数来绘制线性回归图。其语法如下：

python
Copy
sns.regplot(data, x, y)
5. 线性回归图实际案例
与分布散点图类似，我们将继续使用 tip.csv 文件，尝试绘制其对应的线性回归图。

6. regplot() 函数参数
以下是 regplot() 函数的主要参数及其说明：

参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
color	整体颜色
marker	散点外观
ci	置信区间
📊 Seaborn 图表绘制
教学重点
掌握子图表的绘制
掌握图表分组
掌握双变量图的绘制
掌握多变量图的绘制
了解各种调色板
了解内置数据集
7.1 子图表
基本语法
在 Seaborn 中绘制多个子图表可以使用 Matplotlib 提供的 subplots() 函数。注意，这里的 subplots 后面有一个“s”。

语法：
python
Copy
fig, axes = plt.subplots(nrows, ncols, sharex, sharey)
7.2 图表分组
我们可以使用 catplot() 函数绘制分组型图表，其中 catplot 是“category plot（分类图表）”的缩写。

语法：
python
Copy
sns.catplot(kind, col)
7.3 双变量图
在 Seaborn 中，使用 jointplot() 函数绘制双变量图。这个图同时展示两个变量之间的关系和各自的数据分布。

语法：
python
Copy
sns.jointplot(data, x, y)
jointplot() 的参数
参数	说明
data	数据部分
x	x 轴坐标
y	y 轴坐标
hue	添加区分（颜色）
kind	图表类型
marker	散点外观
7.4 多变量图
多变量图也称为“矩阵图”或“多变量关系图”，用于将数据集中不同字段进行“两两比较”。在 Seaborn 中使用 pairplot() 函数绘制。

语法：
python
Copy
sns.pairplot(data)
pairplot() 的参数
参数	说明
data	数据部分
hue	添加区分（颜色）
diag_kind	对角使用直方图（默认值为 "hist"）
marker	散点外观
vars	x 轴和 y 轴使用的字段
x_vars	x 轴使用的字段
y_vars	y 轴使用的字段
7.5 各种调色板
在 Seaborn 中，可以使用调色板来自定义颜色风格，主要包括以下两种：

1. 分类调色板
分类调色板用于区分没有固定顺序的离散数据，最常用于散点图、柱形图、条形图等。使用 set_palette() 函数。

语法：
python
Copy
sns.set_palette(palette)
2. 连续调色板
连续调色板用于区分连续型数据，最常用于热力图。使用 light_palette() 或 dark_palette() 函数。

语法：
python
Copy
sns.light_palette(color, reverse)
sns.dark_palette(color, reverse)
7.6 内置数据集
Seaborn 提供了一些经典数据集，方便进行基本图表绘制。可以通过 load_dataset() 函数获取。

语法：
python
Copy
sns.load_dataset(name)

# 📊 Pyecharts概述

## 1. Pyecharts简介

> Pyecharts是Python中用于Web开发的强大可视化库，能够提供丰富的图表和交互功能，适用于与Flask、Django、Sanic、Tornado等Web框架结合使用。

## 2. Pyecharts的应用场景

- **日常工作中的可视化**：首选Seaborn库。
- **Web开发中的可视化**：推荐使用Pyecharts。

## 3. Pyecharts的基本用法

### 3.1 引入库

在使用Pyecharts之前，我们需要引入Pandas库和Pyecharts模块：

```python
import pandas as pd
from pyecharts.charts import 模块名
📈 折线图
1. 基本语法
使用Line模块绘制折线图：

python
Copy
line = Line()
line.add_xaxis(xaxis_data)
line.add_yaxis(series_name, y_axis)
2. 样式定义
折线图样式的自定义包括：

平滑线
线条外观
面积图
3. 自定义样式注意事项
自定义样式一般使用add_yaxis()方法的参数。
参数名为“xxx_opts”形式的，取值是pyecharts.options中的属性或方法。
📊 柱形图
1. 基本语法
使用Bar模块绘制柱形图：

python
Copy
bar = Bar()
bar.add_xaxis(xaxis_data)
bar.add_yaxis(series_name, y_axis)
2. 高级绘图
高级柱形图包括：

类型	描述
横向柱形图	使用reversal_axis()方法改变方向
堆叠柱形图	使用add_yaxis()方法的stack参数
3. 堆叠柱形图
堆叠柱形图的stack参数为布尔值，默认值为False。

🌍 通用设置
通用设置适用于大多数图表，分为：

全局设置
系列设置
其他设置
1. 全局配置
使用set_global_opts()方法进行全局设置，包括标题、图例、坐标轴、提示框等。

2. set_global_opts()常用参数
参数	说明
title_opts	标题设置
legend_opts	图例设置
xaxis_opts	坐标轴设置
tooltip_opts	提示框设置
datazoom_opts	区域缩放设置
3. 标题设置
python
Copy
obj.set_global_opts(
    title_opts=opts.TitleOpts(title, subtitle)
)
4. 图例设置
python
Copy
obj.set_global_opts(
    legend_opts=opts.LegendOpts(pos_left, orient)
)
5. 坐标轴设置
python
Copy
obj.set_global_opts(
    xaxis_opts=opts.AxisOpts(),
    yaxis_opts=opts.AxisOpts()
)
🎨 其他设置
1. 改变方向
使用reversal_axis()方法改变图表方向。

2. 改变颜色
使用set_colors()方法自定义颜色。

📈 散点图
1. 基本语法
使用Scatter模块绘制散点图：

python
Copy
scatter = Scatter()
scatter.add_xaxis(xaxis_data)
scatter.add_yaxis(series_name, y_axis)
2. 样式定义
散点图样式的自定义包括：

散点样式
添加区分
3. 散点样式
使用add_yaxis()方法的symbol和symbol_size参数定义散点形状和大小。

4. 添加区分
使用set_global_opts()方法结合visualmap_opts参数为散点图添加区分。

🥧 饼状图
1. 基本语法
使用Pie模块绘制饼状图：

python
Copy
pie = Pie()
pie.add(series_name, data_pair)
2. 样式定义
饼状图样式主要包括：

标签格式
圆环图
多饼图
3. 标签格式
使用set_series_opts()方法结合label_opts参数自定义标签格式。

4. 圆环图
使用add()方法的radius参数定义饼状图的内外半径。

5. 多饼图
调用多次add()方法，使用center参数控制每个饼状图的位置。

📦 箱线图
1. 基本语法
使用Boxplot模块绘制箱线图：

python
Copy
box = Boxplot()
box.add_xaxis(xaxis_data)
box.add_yaxis(series_name, y_axis)
2. 样式定义
箱线图样式自定义包括：

横向显示
改变颜色
📊 Pyecharts高级图表
教学重点
掌握Pyecharts高级图表的绘制
9.1 高级图表简介
在本章中，我们将介绍Pyecharts中的高级图表，主要包括以下四种：

K线图
水球图
日历图
词云图
9.2 K线图
1. 基本语法
K线图（蜡烛图）用于股市中显示四个指标：开盘价、收盘价、最低价、最高价。Pyecharts中使用Kline模块绘制K线图，语法如下：

python
Copy
k = Kline()
k.add_xaxis(xaxis_data)
k.add_yaxis(series_name, y_axis)
2. 实际案例
使用stock.csv文件中的股市数据绘制K线图。

9.3 水球图
1. 基本语法
在Pyecharts中，可以使用Liquid模块绘制水球图，适合展示单个百分比数据。语法如下：

python
Copy
lq = Liquid()
lq.add(series_name, data)
2. 样式定义
水球图的自定义样式主要包括三个方面：

水球形状
关闭动画
多水球图
（1）水球形状
使用add()方法的shape参数定义水球形状。可选取值如下：

取值	说明
circle	圆形
rect	矩形
triangle	三角形
diamond	钻石
pin	针形
arrow	箭头
（2）关闭动画
默认情况下，水球图有波浪动画。可以使用add()方法的is_animation参数来关闭动画，取值为布尔值（True或False）。

（3）多水球图
实现多水球图需要多次调用add()方法，使用center参数控制每个水球的位置，语法如下：

python
Copy
obj.add(
……
center=[x轴位置, y轴位置]
)
9.4 日历图
1. 基本语法
在Pyecharts中，使用Calendar模块绘制日历图，便于查看特定日期的数据。语法如下：

python
Copy
c = Calendar()
c.add(
 series_name,
 yaxis_data,
 calendar_opts=opts.CalendarOpts(range_="年份")
)
2. 实际案例
使用steps.csv文件中的数据绘制日历图。

9.5 词云图
1. 基本语法
词云图用于突出频率较高的关键词，帮助用户快速了解文本重点。在Pyecharts中，使用WordCloud模块生成词云图，语法如下：

python
Copy
cloud = WordCloud()
cloud.add(series_name, data_pair)
2. 样式定义
词云图的自定义样式包括两个方面：

词云形状
字体大小
（1）词云形状
使用add()方法的shape参数定义词云图的形状。常用取值如下：

取值	说明
circle	圆形
rect	矩形
triangle	三角形
pentagon	五角形
star	星星形
diamond	钻石形
（2）字体大小
使用add()方法的word_size_range参数定义词云图的字体大小范围。语法如下：

python
Copy
cloud.add(
 series_name="",
 data_pair=data,
 word_size_range=[10, 50]
)

# 📊 Pyecharts 数据可视化学习指南

## 🎯 教学重点

- **掌握如何模拟数据**
- **掌握如何保存图片**
- **了解其他可视化库**

## 10.1 模拟数据

在Pyecharts中，我们可以使用它自带的 **Faker** 库来生成模拟数据。使用模拟数据可以避免手动指定数据，从而方便学习Pyecharts的各种图表。

### 语法示例：

```python
from pyecharts.faker import Faker
10.2 保存图片
在Pyecharts中，我们可以将绘制的图表保存成一张图片。具体方式有以下三种：

保存方式	描述
使用 snapshot-selenium	通过 Selenium 库进行截图保存
使用 snapshot-phantomjs	通过 PhantomJS 库进行截图保存
右键保存	直接在图表上右键进行保存
10.3 更多内容
Pyecharts官方文档提供了详细的语法以及丰富的示例。如果想要更深入地了解Pyecharts，可以参考以下链接：

官方语法：Pyecharts 语法
官方实例：Pyecharts 实例
与 Web 框架结合
Pyecharts 可以与 Flask、Django 等 Web 框架结合使用，这是其强大的功能之一。不过，想要使用这些功能，首先需要学习这些框架。

10.4 其他可视化库
对于 Python 的其他可视化库，常用的有以下四种：

可视化库	描述	官方文档
ggplot	基于 R 语言的 ggplot2 和 Python 的可视化库，核心理念是将绘图与数据分离	ggplot 官方文档
Bokeh	基于 JavaScript 的交互可视化库，可以在浏览器中实现美观的视觉效果	Bokeh 官方文档
Pygal	矢量图表可视化库，使用面向对象的方式创建各种数据图表	Pygal 官方文档
Plotly	新一代的 Python 数据可视化库，通过构建基于 HTML 的交互式图表显示信息	Plotly 官方文档
![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/8c60ffddfe39454e8d7a5b9fdbd6d3ff.png)