Matplotlib数据可视化画图练习

超、凢脫俗 2022-03-31 12:08 475阅读 0赞

本节内容转自阿里天池技术论坛。详细网址如下：[https://tianchi.aliyun.com/learn/liveDetail.html?spm=5176.11510288.4851103.4.2706b7bd7jjU4d&classroomId=261][https_tianchi.aliyun.com_learn_liveDetail.html_spm_5176.11510288.4851103.4.2706b7bd7jjU4d_classroomId_261] ，但是再好的博客，不如到权威官方文档学习来的实在！博客从形式上教会人例化参数，传入实参。而更深层次的学习，查看官方文档更有用，这样可以深入到源码，查看到任何自己感兴趣的源码内容，更好的理论联系实际。在实战中学习应用是掌握一门编码语言，并激发编码兴趣的有效途径。matplotlib官网为: [https://matplotlib.org/][https_matplotlib.org] ;另外Python3画图方面，个人感觉最好用的还是 Seaborn，其官网为： 官网：[http://seaborn.pydata.org/examples/index.html，][http_seaborn.pydata.org_examples_index.html] 其中gallery或者Examples里面都有非常好的例子，sklearn中也有部分非常好的例子，sklearn的API，Tutorial，User Guide都是非常好的参考！

**目录**  
Matplotlib数据可视化画图

1.  基础绘图
2.  图表的基本元素
3.  图表样式
4.  图表注解
5.  子图绘制  
    5.1 figure对象  
    5.2 建子图后填充图表  
    5.3 使用subplots子图数组填充图标  
    5.4 多系列图绘制
6.  基本图表绘制  
    6.1 Series 与 DataFrame 绘图  
    6.2 柱状图  
    6.3 面积图  
    6.4 填图  
    6.5 饼图  
    6.6 直方图  
    6.7 散点图  
    6.7 箱型图
7.  seaborn的热图
8.  密度图

**主要内容**  
1.基础绘图

#!ls -l datalab/1742/*
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    # 图表窗口1 → plt.show()
    #1. 基础绘图
    plt.plot(np.random.rand(10))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70]  
2. 图表的基本元素

#2. 图表的基本元素
    """
        图名
        x轴标签
        y轴标签
        图例
        x轴边界
        y轴边界
        x刻度
        y刻度
        x刻度标签
        y刻度标签
    注意：范围只限定图表的长度，刻度则是决定显示的标尺
          （观察下图就可以得出二者之间的关系）
    """
    df = pd.DataFrame(np.random.rand(10,2),columns=['A','B'])
    fig = df.plot(figsize=(8,4))  # figsize：创建图表窗口，设置窗口大小
    plt.title('TITLETITLETITLE')  # 图名
    plt.xlabel('X轴')  # x轴标签
    plt.ylabel('Y轴') # y轴标签
    plt.legend(loc = 'upper right') # 显示图例，loc表示位置
    plt.xlim([0,12])  # x轴边界
    plt.ylim([0,1.5])  # y轴边界
    plt.xticks(range(10))  # 设置x刻度
    plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2])  # 设置y刻度
    fig.set_xticklabels("%.1f" %i for i in range(10))  # x轴刻度标签
    fig.set_yticklabels("%.2f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2])  # y轴刻度标签
    # 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 1]  
3. 图表样式

"""
        linestyle
        color
        marker
        style (linestyle、marker、color)
        alpha
        colormap
        grid
    学习一个库:官网是永远的权威和参考出处
    color参考：https://matplotlib.org/gallery/color/named_colors.html#sphx-glr-gallery-color-named-colors-py
    """
    #  独立设置
    s = pd.Series(np.random.randn(100).cumsum())
    s.plot(linestyle = '--',
           marker = '.',
           color="r",
          grid=True)
    
    # 直接用风格样式设置
    # 透明度与颜色版
    # s.plot(style="--.",alpha = 0.8,colormap = 'Reds_r')
    df = pd.DataFrame(np.random.randn(100, 4),columns=list('ABCD')).cumsum()
    df.plot(style = '--.',alpha = 0.8,colormap = 'summer_r')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 2]  
4. 图表注解

df = pd.DataFrame(np.random.randn(10,2))
    df.plot(style = '--o')
    plt.text(5,0.5,'here',fontsize=12)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 3]  
5. 子图绘制

#plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)
    #plt.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)[source]
    
    #5.1 figure对(不同框)
    fig1 = plt.figure(num=1,figsize=(8,6))
    plt.plot(np.random.rand(50).cumsum(),'k--')
    fig2 = plt.figure(num=2,figsize=(8,6))
    plt.plot(50-np.random.rand(50).cumsum(),'k--')
    #np.cumsum()的理解
    zhou=np.random.randint(0,50,10) #array()类型
    shou=np.cumsum(zhou)
    zhou1=np.random.randint(0,50,10).cumsum()
    
    #5.2 建子图后填充图表
    # 先建立子图 然后填充图表
    fig = plt.figure(figsize=(10,6),facecolor = 'gray')
    
    ax1 = fig.add_subplot(2,2,1)
    plt.plot(np.random.rand(50).cumsum(),'k--')
    plt.plot(np.random.randn(50).cumsum(),'b--')
    
    ax2 = fig.add_subplot(2,2,2)
    ax2.hist(np.random.rand(50),alpha=0.5)
    
    ax4 = fig.add_subplot(2,2,4) 
    df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')
    
    #5.3 使用subplots子图数组填充图标
    # 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot
    fig,axes = plt.subplots(2,3,figsize=(10,4))
    ts = pd.Series(np.random.randn(1000).cumsum())
    print(axes, axes.shape, type(axes))
    # 生成图表对象的数组
    ax1 = axes[0,1]
    ax1.plot(ts)
    ## plt.subplots 参数调整
    fig,axes = plt.subplots(2,2,sharex=True,sharey=True)
    # sharex,sharey：是否共享x，y刻度
    for i in range(2):
        for j in range(2):
            axes[i,j].hist(np.random.randn(500),color='b',alpha=0.5)        
    # wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距
    plt.subplots_adjust(wspace=0,hspace=0)
    
    
    #5.4 多系列图绘制
    #plt.plot()：
    #subplots，是否分别绘制系列（子图）
    #layout：绘制子图矩阵，按顺序填充
    df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
    df = df.cumsum()
    df.plot(style = '--.',alpha = 0.4,grid = True,figsize = (20,8),
           subplots = True,
           layout = (1,4),
           sharex = False)
    plt.subplots_adjust(wspace=0,hspace=0.2)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 4]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 5]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 6]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 7]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 8]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 9]  
6. 基本图表绘制

#6.1 Series 与 DataFrame 绘图
    """
    plt.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False, 
    style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, 
    rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, label=None, secondary_y=False, **kwds)
    参数含义：
        series的index为横坐标
        value为纵坐标
        kind → line,bar,barh...（折线图，柱状图，柱状图-横...）
        label → 图例标签，Dataframe格式以列名为label
        style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）
        color → 颜色，有color指定时候，以color颜色为准
        alpha → 透明度，0-1
        use_index → 将索引用为刻度标签，默认为True
        rot → 旋转刻度标签，0-360
        grid → 显示网格，一般直接用plt.grid
        xlim,ylim → x,y轴界限
        xticks,yticks → x,y轴刻度值
        figsize → 图像大小
        title → 图名
        legend → 是否显示图例，一般直接用plt.legend()
    """
    #添加中文支持
    from matplotlib.font_manager import FontProperties
    #就在我自己的C盘的这个目录下面
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) 
    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)) # pandas 时间序列
    ts = ts.cumsum()
    ts.plot(kind='line',
           label = "what",
           style = '--.',
           color = 'g',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           grid = True,
           ylim = [-50,50],
           yticks = list(range(-50,50,10)),
           figsize = (8,4),
           title = 'wenqing',
           legend = True)
    plt.title(u'文青', fontproperties=font)
    # 对网格项进行更加细致的设置
    #plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')  # 网格
    plt.legend()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 10]

# subplots → 是否将各个列绘制到不同图表，默认False
    df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')).cumsum()
    df.plot(kind='line',
           style = '--.',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           grid = True,
           figsize = (8,4),
           title = 'test',
           legend = True,
           subplots = False,
           colormap = 'Greens')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 11]

#6.2 柱状图
    #plt.plot(kind='bar/barh')
    # 创建一个新的figure，并返回一个subplot对象的numpy数组
    fig,axes = plt.subplots(4,1,figsize = (10,10))
    s = pd.Series(np.random.randint(0,10,16),index = list('abcdefghijklmnop'))  
    df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])
    # 单系列柱状图方法一：plt.plot(kind='bar/barh')
    s.plot(kind='bar',color = 'b',grid = True,alpha = 0.5,ax = axes[0])  # ax参数 → 选择第几个子图
    # 多系列柱状图
    df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])
    df.plot(kind='bar',ax = axes[1],grid = True,colormap='Reds_r')
    # 多系列堆叠图
    # stacked → 堆叠
    df.plot(kind='bar',ax = axes[2],grid = True,colormap='Blues_r',stacked=True)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 12]

"""
    plt.bar()
        x,y参数：x，y值
        width：宽度比例
        facecolor柱状图里填充的颜色、edgecolor是边框的颜色
        left-每个柱x轴左边界,bottom-每个柱y轴下边界 → bottom扩展即可化为甘特图 Gantt Chart
        align：决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置
        xerr/yerr ：x/y方向error bar
    """
    plt.figure(figsize=(10,4))
    x = np.arange(10)
    y1 = np.random.rand(10)
    y2 = -np.random.rand(10)
    plt.bar(x,y1,width = 1,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)
    plt.bar(x,y2,width = 1,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)
    for i,j in zip(x,y1):
        plt.text(i-0.2,j-0.15,'%.2f' % j, color = 'k')
    for i,j in zip(x,y2):
        plt.text(i-0.2,j+0.05,'%.2f' % -j, color = 'k')
    # 给图添加text
    # zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 13]

#6.3 面积图
    """
    stacked：是否堆叠，默认情况下，区域图被堆叠
    为了产生堆积面积图，每列必须是正值或全部负值！
    当数据有NaN时候，自动填充0，图标签需要清洗掉缺失值
    """
    fig,axes = plt.subplots(2,1,figsize = (8,6))
    df1 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    df2 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
    df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[0])
    df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[1])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 14]

#6.4 填图
    fig,axes = plt.subplots(2,1,figsize = (8,6))
    x = np.linspace(0, 1, 500)
    y1 = np.sin(4 * np.pi * x) * np.exp(-5 * x)
    y2 = -np.sin(4 * np.pi * x) * np.exp(-5 * x)
    axes[0].fill(x, y1, 'r',alpha=0.5,label='y1')
    axes[0].fill(x, y2, 'g',alpha=0.5,label='y2')
    # 对函数与坐标轴之间的区域进行填充，使用fill函数
    # 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)
    x = np.linspace(0, 5 * np.pi, 1000) 
    y1 = np.sin(x)  
    y2 = np.sin(2 * x)  
    axes[1].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')  
    # 填充两个函数之间的区域，使用fill_between函数
    for i in range(2):
        axes[i].legend()
        axes[i].grid()
    # 添加图例、格网

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 15]

#6.5 饼图
    """
    plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, hold=None, data=None)
    参数含义：
        第一个参数：数据
        explode：指定每部分的偏移量
        labels：标签
        colors：颜色
        autopct：饼图上的数据标签显示方式
        pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例
        labeldistance：被画饼标记的直径,默认值：1.1
        shadow：阴影
        startangle：开始角度
        radius：半径
        frame：图框
        counterclock：指定指针方向，顺时针或者逆时针
    """
    s = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
    plt.axis('equal')  # 保证长宽相等
    plt.pie(s,
           explode = [0.1,0,0,0],
           labels = s.index,
           colors=['r', 'g', 'b', 'c'],
           autopct='%.2f%%',
           pctdistance=0.6,
           labeldistance = 1.2,
           shadow = True,
           startangle=0,
           radius=1.5,
           frame=False)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 16]

#6.6 直方图
    """
    plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, 
    histtype='bar', align='mid', orientation='vertical',rwidth=None, log=False, color=None, label=None, 
    stacked=False, hold=None, data=None, **kwargs)
    
        bin：箱子的宽度
        normed 标准化
        histtype 风格，bar，barstacked，step，stepfilled
        orientation 水平还是垂直{‘horizontal’, ‘vertical’}
        align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)
        stacked：是否堆叠
    """
    # 直方图
    s = pd.Series(np.random.randn(1000))
    s.hist(bins = 20,
           histtype = 'bar',
           align = 'mid',
           orientation = 'vertical',
           alpha=0.5,
           normed =True)
    # 密度图
    s.plot(kind='kde',style='k--')
    
    # 堆叠直方图
    plt.figure(num=1)
    df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
                        'c': np.random.randn(1000) - 1, 'd': np.random.randn(1000)-2},
                       columns=['a', 'b', 'c','d'])
    df.plot.hist(stacked=True,
                 bins=20,
                 colormap='Greens_r',
                 alpha=0.5,
                 grid=True)
    # 使用DataFrame.plot.hist()和Series.plot.hist()方法绘制
    df.hist(bins=50)
    # 生成多个直方图

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 17]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 18]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 19]

#6.7 散点图
    """
    plt.scatter(x, y, s=20, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None,
    verts=None, edgecolors=None, hold=None, data=None, **kwargs)
    
    参数含义：
        s：散点的大小
        c：散点的颜色
        vmin,vmax：亮度设置，标量
        cmap：colormap
    """
    plt.figure(figsize=(8,6))
    x = np.random.randn(1000)
    y = np.random.randn(1000)
    plt.scatter(x,y,marker='.',
               s = np.random.randn(1000)*100,
               cmap = 'Reds_r',
               c = y,
               alpha = 0.8,)
    plt.grid()
    
    
    # pd.scatter_matrix()散点矩阵
    # pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None, 
    # grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)
    # diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图
    # range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点
    
    df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
    pd.scatter_matrix(df,figsize=(10,6),
                     marker = 'o',
                     diagonal='kde',
                     alpha = 0.5,
                     range_padding=0.5)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 20]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 21]

#6.7 箱型图¶
    '''
    
    箱型图：又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图
    包含一组数据的：最大值、最小值、中位数、上四分位数（Q1）、下四分位数（Q3）、异常值
    ① 中位数 → 一组数据平均分成两份，中间的数
    ② 下四分位数Q1 → 是将序列平均分成四份，计算(n+1)/4与(n-1)/4两种，一般使用(n+1)/4
    ③ 上四分位数Q3 → 是将序列平均分成四份，计算(1+n)/4*3=6.75
    ④ 内限 → T形的盒须就是内限，最大值区间Q3+1.5IQR,最小值区间Q1-1.5IQR （IQR=Q3-Q1）
    ⑤ 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）
    ⑥ 异常值 → 内限之外 - 中度异常，外限之外 - 极度异常
    plt.plot.box(),plt.boxplot()
    
    '''
    # plt.plot.box()绘制
    fig,axes = plt.subplots(2,1,figsize=(10,6))
    df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
    # 箱型图着色
    # boxes → 箱线
    # whiskers → 分位数与error bar横线之间竖线的颜色
    # medians → 中位数线颜色
    # caps → error bar横线颜色
    
    df.plot.box(ylim=[0,1.2],
               grid = True,
               color = color,
               ax = axes[0])
    df.plot.box(vert=False, 
                positions=[1, 4, 5, 6, 8],
                ax = axes[1],
                grid = True,
               color = color)
    # vert：是否垂直，默认True
    # position：箱型图占位
    
    df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    plt.figure(figsize=(10,4))
    # 创建图表、数据
    f = df.boxplot(sym = 'o',  # 异常点形状，参考marker
                   vert = True,  # 是否垂直
                   whis = 1.5,  # IQR，默认1.5，也可以设置区间比如[5,95]，代表强制上下边缘为数据95%和5%位置
                   patch_artist = True,  # 上下四分位框内是否填充，True为填充
                   meanline = False,showmeans=True,  # 是否有均值线及其形状
                   showbox = True,  # 是否显示箱线
                   showcaps = True,  # 是否显示边缘线
                   showfliers = True,  # 是否显示异常值
                   notch = False,  # 中间箱体是否缺口
                   return_type='dict'  # 返回类型为字典
                  ) 
    plt.title('boxplot')
    
    for box in f['boxes']:
        box.set( color='b', linewidth=1)        # 箱体边框颜色
        box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色
    for whisker in f['whiskers']:
        whisker.set(color='k', linewidth=0.5,linestyle='-')
    for cap in f['caps']:
        cap.set(color='gray', linewidth=2)
    for median in f['medians']:
        median.set(color='DarkBlue', linewidth=2)
    for flier in f['fliers']:
        flier.set(marker='o', color='y', alpha=0.5)
    # boxes, 箱线
    # medians, 中位值的横线,
    # whiskers, 从box到error bar之间的竖线.
    # fliers, 异常值
    # caps, error bar横线
    # means, 均值的横线,
    
    # plt.boxplot()绘制
    # 分组汇总
    df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )
    df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])
    df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])
    df.boxplot(by = 'X')
    df.boxplot(column=['Col1','Col2'], by=['X','Y'])
    # columns：按照数据的列分子图
    # by：按照列分组做箱型图

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 22]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 23]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 24]  
**汇总代码**

# -*- coding: utf-8 -*-
    """Matplotlib数据可视化画图"""
    #!ls -l datalab/1742/*
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    # 图表窗口1 → plt.show()
    #1. 基础绘图
    plt.plot(np.random.rand(10))
    
    #2. 图表的基本元素
    """
        图名
        x轴标签
        y轴标签
        图例
        x轴边界
        y轴边界
        x刻度
        y刻度
        x刻度标签
        y刻度标签
    注意：范围只限定图表的长度，刻度则是决定显示的标尺
          （观察下图就可以得出二者之间的关系）
    """
    df = pd.DataFrame(np.random.rand(10,2),columns=['A','B'])
    fig = df.plot(figsize=(8,4))  # figsize：创建图表窗口，设置窗口大小
    plt.title('TITLETITLETITLE')  # 图名
    plt.xlabel('X轴')  # x轴标签
    plt.ylabel('Y轴') # y轴标签
    plt.legend(loc = 'upper right') # 显示图例，loc表示位置
    plt.xlim([0,12])  # x轴边界
    plt.ylim([0,1.5])  # y轴边界
    plt.xticks(range(10))  # 设置x刻度
    plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2])  # 设置y刻度
    fig.set_xticklabels("%.1f" %i for i in range(10))  # x轴刻度标签
    fig.set_yticklabels("%.2f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2])  # y轴刻度标签
    # 这里x轴范围是0-12，但刻度只是0-9，刻度标签使得其显示1位小数
    
    #3. 图表样式
    """
        linestyle
        color
        marker
        style (linestyle、marker、color)
        alpha
        colormap
        grid
    学习一个库:官网是永远的权威和参考出处
    color参考：https://matplotlib.org/gallery/color/named_colors.html#sphx-glr-gallery-color-named-colors-py
    """
    #  独立设置
    s = pd.Series(np.random.randn(100).cumsum())
    s.plot(linestyle = '--',
           marker = '.',
           color="r",
          grid=True)
    
    # 直接用风格样式设置
    # 透明度与颜色版
    # s.plot(style="--.",alpha = 0.8,colormap = 'Reds_r')
    df = pd.DataFrame(np.random.randn(100, 4),columns=list('ABCD')).cumsum()
    df.plot(style = '--.',alpha = 0.8,colormap = 'summer_r')
    
    #4. 图表注解
    df = pd.DataFrame(np.random.randn(10,2))
    df.plot(style = '--o')
    plt.text(5,0.5,'here',fontsize=12)  
    
    #5. 子图绘制
    #plt.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, **kwargs)
    #plt.subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True, subplot_kw=None, gridspec_kw=None, **fig_kw)[source]
    
    #5.1 figure对(不同框)
    fig1 = plt.figure(num=1,figsize=(8,6))
    plt.plot(np.random.rand(50).cumsum(),'k--')
    fig2 = plt.figure(num=2,figsize=(8,6))
    plt.plot(50-np.random.rand(50).cumsum(),'k--')
    #np.cumsum()的理解
    zhou=np.random.randint(0,50,10) #array()类型
    shou=np.cumsum(zhou)
    zhou1=np.random.randint(0,50,10).cumsum()
    
    #5.2 建子图后填充图表
    # 先建立子图 然后填充图表
    fig = plt.figure(figsize=(10,6),facecolor = 'gray')
    
    ax1 = fig.add_subplot(2,2,1)
    plt.plot(np.random.rand(50).cumsum(),'k--')
    plt.plot(np.random.randn(50).cumsum(),'b--')
    
    ax2 = fig.add_subplot(2,2,2)
    ax2.hist(np.random.rand(50),alpha=0.5)
    
    ax4 = fig.add_subplot(2,2,4) 
    df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    ax4.plot(df2,alpha=0.5,linestyle='--',marker='.')
    
    #5.3 使用subplots子图数组填充图标
    # 创建一个新的figure，并返回一个subplot对象的numpy数组 → plt.subplot
    fig,axes = plt.subplots(2,3,figsize=(10,4))
    ts = pd.Series(np.random.randn(1000).cumsum())
    print(axes, axes.shape, type(axes))
    # 生成图表对象的数组
    ax1 = axes[0,1]
    ax1.plot(ts)
    ## plt.subplots 参数调整
    fig,axes = plt.subplots(2,2,sharex=True,sharey=True)
    # sharex,sharey：是否共享x，y刻度
    for i in range(2):
        for j in range(2):
            axes[i,j].hist(np.random.randn(500),color='b',alpha=0.5)        
    # wspace,hspace：用于控制宽度和高度的百分比，比如subplot之间的间距
    plt.subplots_adjust(wspace=0,hspace=0)
    
    
    #5.4 多系列图绘制
    #plt.plot()：
    #subplots，是否分别绘制系列（子图）
    #layout：绘制子图矩阵，按顺序填充
    df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
    df = df.cumsum()
    df.plot(style = '--.',alpha = 0.4,grid = True,figsize = (20,8),
           subplots = True,
           layout = (1,4),
           sharex = False)
    plt.subplots_adjust(wspace=0,hspace=0.2)
    
    #6. 基本图表绘制
    #6.1 Series 与 DataFrame 绘图
    """
    plt.plot(kind='line', ax=None, figsize=None, use_index=True, title=None, grid=None, legend=False, 
    style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, 
    rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, label=None, secondary_y=False, **kwds)
    参数含义：
        series的index为横坐标
        value为纵坐标
        kind → line,bar,barh...（折线图，柱状图，柱状图-横...）
        label → 图例标签，Dataframe格式以列名为label
        style → 风格字符串，这里包括了linestyle（-），marker（.），color（g）
        color → 颜色，有color指定时候，以color颜色为准
        alpha → 透明度，0-1
        use_index → 将索引用为刻度标签，默认为True
        rot → 旋转刻度标签，0-360
        grid → 显示网格，一般直接用plt.grid
        xlim,ylim → x,y轴界限
        xticks,yticks → x,y轴刻度值
        figsize → 图像大小
        title → 图名
        legend → 是否显示图例，一般直接用plt.legend()
    """
    #添加中文支持
    from matplotlib.font_manager import FontProperties
    #就在我自己的C盘的这个目录下面
    font = FontProperties(fname=r"c:\windows\fonts\SimSun.ttc", size=14) 
    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)) # pandas 时间序列
    ts = ts.cumsum()
    ts.plot(kind='line',
           label = "what",
           style = '--.',
           color = 'g',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           grid = True,
           ylim = [-50,50],
           yticks = list(range(-50,50,10)),
           figsize = (8,4),
           title = 'wenqing',
           legend = True)
    plt.title(u'文青', fontproperties=font)
    # 对网格项进行更加细致的设置
    #plt.grid(True, linestyle = "--",color = "gray", linewidth = "0.5",axis = 'x')  # 网格
    plt.legend()
    
    
    # subplots → 是否将各个列绘制到不同图表，默认False
    df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')).cumsum()
    df.plot(kind='line',
           style = '--.',
           alpha = 0.4,
           use_index = True,
           rot = 45,
           grid = True,
           figsize = (8,4),
           title = 'test',
           legend = True,
           subplots = False,
           colormap = 'Greens')
    
    #6.2 柱状图
    #plt.plot(kind='bar/barh')
    # 创建一个新的figure，并返回一个subplot对象的numpy数组
    fig,axes = plt.subplots(4,1,figsize = (10,10))
    s = pd.Series(np.random.randint(0,10,16),index = list('abcdefghijklmnop'))  
    df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])
    # 单系列柱状图方法一：plt.plot(kind='bar/barh')
    s.plot(kind='bar',color = 'b',grid = True,alpha = 0.5,ax = axes[0])  # ax参数 → 选择第几个子图
    # 多系列柱状图
    df = pd.DataFrame(np.random.rand(10,3), columns=['a','b','c'])
    df.plot(kind='bar',ax = axes[1],grid = True,colormap='Reds_r')
    # 多系列堆叠图
    # stacked → 堆叠
    df.plot(kind='bar',ax = axes[2],grid = True,colormap='Blues_r',stacked=True) 
    
    
    """
    plt.bar()
        x,y参数：x，y值
        width：宽度比例
        facecolor柱状图里填充的颜色、edgecolor是边框的颜色
        left-每个柱x轴左边界,bottom-每个柱y轴下边界 → bottom扩展即可化为甘特图 Gantt Chart
        align：决定整个bar图分布，默认left表示默认从左边界开始绘制,center会将图绘制在中间位置
        xerr/yerr ：x/y方向error bar
    """
    plt.figure(figsize=(10,4))
    x = np.arange(10)
    y1 = np.random.rand(10)
    y2 = -np.random.rand(10)
    plt.bar(x,y1,width = 1,facecolor = 'yellowgreen',edgecolor = 'white',yerr = y1*0.1)
    plt.bar(x,y2,width = 1,facecolor = 'lightskyblue',edgecolor = 'white',yerr = y2*0.1)
    for i,j in zip(x,y1):
        plt.text(i-0.2,j-0.15,'%.2f' % j, color = 'k')
    for i,j in zip(x,y2):
        plt.text(i-0.2,j+0.05,'%.2f' % -j, color = 'k')
    # 给图添加text
    # zip() 函数用于将可迭代的对象作为参数，将对象中对应的元素打包成一个个元组，然后返回由这些元组组成的列表。
    
    #6.3 面积图
    """
    stacked：是否堆叠，默认情况下，区域图被堆叠
    为了产生堆积面积图，每列必须是正值或全部负值！
    当数据有NaN时候，自动填充0，图标签需要清洗掉缺失值
    """
    fig,axes = plt.subplots(2,1,figsize = (8,6))
    df1 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
    df2 = pd.DataFrame(np.random.randn(10, 4), columns=['a', 'b', 'c', 'd'])
    df1.plot.area(colormap = 'Greens_r',alpha = 0.5,ax = axes[0])
    df2.plot.area(stacked=False,colormap = 'Set2',alpha = 0.5,ax = axes[1])
    
    #6.4 填图
    fig,axes = plt.subplots(2,1,figsize = (8,6))
    x = np.linspace(0, 1, 500)
    y1 = np.sin(4 * np.pi * x) * np.exp(-5 * x)
    y2 = -np.sin(4 * np.pi * x) * np.exp(-5 * x)
    axes[0].fill(x, y1, 'r',alpha=0.5,label='y1')
    axes[0].fill(x, y2, 'g',alpha=0.5,label='y2')
    # 对函数与坐标轴之间的区域进行填充，使用fill函数
    # 也可写成：plt.fill(x, y1, 'r',x, y2, 'g',alpha=0.5)
    x = np.linspace(0, 5 * np.pi, 1000) 
    y1 = np.sin(x)  
    y2 = np.sin(2 * x)  
    axes[1].fill_between(x, y1, y2, color ='b',alpha=0.5,label='area')  
    # 填充两个函数之间的区域，使用fill_between函数
    for i in range(2):
        axes[i].legend()
        axes[i].grid()
    # 添加图例、格网
    
    #6.5 饼图
    """
    plt.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=None, radius=None, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, hold=None, data=None)
    参数含义：
        第一个参数：数据
        explode：指定每部分的偏移量
        labels：标签
        colors：颜色
        autopct：饼图上的数据标签显示方式
        pctdistance：每个饼切片的中心和通过autopct生成的文本开始之间的比例
        labeldistance：被画饼标记的直径,默认值：1.1
        shadow：阴影
        startangle：开始角度
        radius：半径
        frame：图框
        counterclock：指定指针方向，顺时针或者逆时针
    """
    s = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
    plt.axis('equal')  # 保证长宽相等
    plt.pie(s,
           explode = [0.1,0,0,0],
           labels = s.index,
           colors=['r', 'g', 'b', 'c'],
           autopct='%.2f%%',
           pctdistance=0.6,
           labeldistance = 1.2,
           shadow = True,
           startangle=0,
           radius=1.5,
           frame=False)
    
    #6.6 直方图
    """
    plt.hist(x, bins=10, range=None, normed=False, weights=None, cumulative=False, bottom=None, 
    histtype='bar', align='mid', orientation='vertical',rwidth=None, log=False, color=None, label=None, 
    stacked=False, hold=None, data=None, **kwargs)
    
        bin：箱子的宽度
        normed 标准化
        histtype 风格，bar，barstacked，step，stepfilled
        orientation 水平还是垂直{‘horizontal’, ‘vertical’}
        align : {‘left’, ‘mid’, ‘right’}, optional(对齐方式)
        stacked：是否堆叠
    """
    # 直方图
    s = pd.Series(np.random.randn(1000))
    s.hist(bins = 20,
           histtype = 'bar',
           align = 'mid',
           orientation = 'vertical',
           alpha=0.5,
           normed =True)
    # 密度图
    s.plot(kind='kde',style='k--')
    
    # 堆叠直方图
    plt.figure(num=1)
    df = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),
                        'c': np.random.randn(1000) - 1, 'd': np.random.randn(1000)-2},
                       columns=['a', 'b', 'c','d'])
    df.plot.hist(stacked=True,
                 bins=20,
                 colormap='Greens_r',
                 alpha=0.5,
                 grid=True)
    # 使用DataFrame.plot.hist()和Series.plot.hist()方法绘制
    df.hist(bins=50)
    # 生成多个直方图
    
    #6.7 散点图
    """
    plt.scatter(x, y, s=20, c=None, marker='o', cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None,
    verts=None, edgecolors=None, hold=None, data=None, **kwargs)
    
    参数含义：
        s：散点的大小
        c：散点的颜色
        vmin,vmax：亮度设置，标量
        cmap：colormap
    """
    plt.figure(figsize=(8,6))
    x = np.random.randn(1000)
    y = np.random.randn(1000)
    plt.scatter(x,y,marker='.',
               s = np.random.randn(1000)*100,
               cmap = 'Reds_r',
               c = y,
               alpha = 0.8,)
    plt.grid()
    
    
    # pd.scatter_matrix()散点矩阵
    # pd.scatter_matrix(frame, alpha=0.5, figsize=None, ax=None, 
    # grid=False, diagonal='hist', marker='.', density_kwds=None, hist_kwds=None, range_padding=0.05, **kwds)
    # diagonal：({‘hist’, ‘kde’})，必须且只能在{‘hist’, ‘kde’}中选择1个 → 每个指标的频率图
    # range_padding：(float, 可选)，图像在x轴、y轴原点附近的留白(padding)，该值越大，留白距离越大，图像远离坐标原点
    
    df = pd.DataFrame(np.random.randn(100,4),columns = ['a','b','c','d'])
    pd.scatter_matrix(df,figsize=(10,6),
                     marker = 'o',
                     diagonal='kde',
                     alpha = 0.5,
                     range_padding=0.5)
    
    #6.7 箱型图¶
    '''
    
    箱型图：又称为盒须图、盒式图、盒状图或箱线图，是一种用作显示一组数据分散情况资料的统计图
    包含一组数据的：最大值、最小值、中位数、上四分位数（Q1）、下四分位数（Q3）、异常值
    ① 中位数 → 一组数据平均分成两份，中间的数
    ② 下四分位数Q1 → 是将序列平均分成四份，计算(n+1)/4与(n-1)/4两种，一般使用(n+1)/4
    ③ 上四分位数Q3 → 是将序列平均分成四份，计算(1+n)/4*3=6.75
    ④ 内限 → T形的盒须就是内限，最大值区间Q3+1.5IQR,最小值区间Q1-1.5IQR （IQR=Q3-Q1）
    ⑤ 外限 → T形的盒须就是内限，最大值区间Q3+3IQR,最小值区间Q1-3IQR （IQR=Q3-Q1）
    ⑥ 异常值 → 内限之外 - 中度异常，外限之外 - 极度异常
    plt.plot.box(),plt.boxplot()
    
    '''
    # plt.plot.box()绘制
    fig,axes = plt.subplots(2,1,figsize=(10,6))
    df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray')
    # 箱型图着色
    # boxes → 箱线
    # whiskers → 分位数与error bar横线之间竖线的颜色
    # medians → 中位数线颜色
    # caps → error bar横线颜色
    
    df.plot.box(ylim=[0,1.2],
               grid = True,
               color = color,
               ax = axes[0])
    
    df.plot.box(vert=False, 
                positions=[1, 4, 5, 6, 8],
                ax = axes[1],
                grid = True,
               color = color)
    # vert：是否垂直，默认True
    # position：箱型图占位
    
    
    df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
    plt.figure(figsize=(10,4))
    # 创建图表、数据
    f = df.boxplot(sym = 'o',  # 异常点形状，参考marker
                   vert = True,  # 是否垂直
                   whis = 1.5,  # IQR，默认1.5，也可以设置区间比如[5,95]，代表强制上下边缘为数据95%和5%位置
                   patch_artist = True,  # 上下四分位框内是否填充，True为填充
                   meanline = False,showmeans=True,  # 是否有均值线及其形状
                   showbox = True,  # 是否显示箱线
                   showcaps = True,  # 是否显示边缘线
                   showfliers = True,  # 是否显示异常值
                   notch = False,  # 中间箱体是否缺口
                   return_type='dict'  # 返回类型为字典
                  ) 
    plt.title('boxplot')
    
    for box in f['boxes']:
        box.set( color='b', linewidth=1)        # 箱体边框颜色
        box.set( facecolor = 'b' ,alpha=0.5)    # 箱体内部填充颜色
    for whisker in f['whiskers']:
        whisker.set(color='k', linewidth=0.5,linestyle='-')
    for cap in f['caps']:
        cap.set(color='gray', linewidth=2)
    for median in f['medians']:
        median.set(color='DarkBlue', linewidth=2)
    for flier in f['fliers']:
        flier.set(marker='o', color='y', alpha=0.5)
    # boxes, 箱线
    # medians, 中位值的横线,
    # whiskers, 从box到error bar之间的竖线.
    # fliers, 异常值
    # caps, error bar横线
    # means, 均值的横线,
    
    
    # plt.boxplot()绘制
    # 分组汇总
    df = pd.DataFrame(np.random.rand(10,2), columns=['Col1', 'Col2'] )
    df['X'] = pd.Series(['A','A','A','A','A','B','B','B','B','B'])
    df['Y'] = pd.Series(['A','B','A','B','A','B','A','B','A','B'])
    df.boxplot(by = 'X')
    df.boxplot(column=['Col1','Col2'], by=['X','Y'])
    # columns：按照数据的列分子图
    # by：按照列分组做箱型图

**7.seaborn的热图**

# 热图 - heatmap()
    # 简单示例
    import seaborn as sns
    df = pd.DataFrame(np.random.rand(10,15))
    # 创建数据 - 10*12图表
    sns.heatmap(df,    # 加载数据
                vmin=0, vmax=1   # 设置图例最大最小值
                )
    
    #1.热图
    # heatmap()
    # 参数设置
    flights = sns.load_dataset("flights")
    flights = flights.pivot("month", "year", "passengers") 
    #print(flights.head())
    # 加载数据         
    sns.heatmap(flights,
                annot = True,      # 是否显示数值
                fmt = 'd',         # 格式化字符串
                linewidths = 0.2,  # 格子边线宽度
                #center = 100,      # 调色盘的色彩中心值，若没有指定，则以cmap为主
                #cmap = 'Reds',     # 设置调色盘
                cbar = True,       # 是否显示图例色带
                #cbar_kws={"orientation": "horizontal"},   # 是否横向显示图例色带
                #square = True,     # 是否正方形显示图表
               )
    
    #  heatmap()
    #2.绘制半边热图
    sns.set(style="white")
    # 设置风格
    rs = np.random.RandomState(33)
    d = pd.DataFrame(rs.normal(size=(100, 26)))
    corr = d.corr()   # 求解相关性矩阵表格
    # 创建数据
    mask = np.zeros_like(corr, dtype=np.bool)
    mask[np.triu_indices_from(mask)] = True
    # 设置一个“上三角形”蒙版
    cmap = sns.diverging_palette(220, 10, as_cmap=True)
    # 设置调色盘
    sns.heatmap(corr, mask=mask, cmap=cmap, vmax=.3, center=0,
                square=True, linewidths=0.2)
    
    
    #生成半边热图
    attend = sns.load_dataset("attention")
    print(attend.head())
    # 加载数据
    g = sns.FacetGrid(attend, col="subject", col_wrap=5,   # 设置每行的图表数量
                      size=1.5)  ##取定subject列,看第五列score的走势,可以用于产看两个变量的相关性走势
    g.map(plt.plot, "solutions", "score", 
          marker="o",color = 'gray',linewidth = 2)
    # 绘制图表矩阵
    g.set(xlim = (0,4),
          ylim = (0,10),
          xticks = [0,1,2,3,4],
          yticks = [0,2,4,6,8,10]
          )
    # 设置x，y轴刻度
    
    
    #3.时间线图
    # tsplot()
    # 参数设置
    attend = sns.load_dataset("attention")
    columns=attend.columns.tolist()
    print(attend.head())
    print('数据量为：%i条' % len(attend))
    print('timepoint为0.0时的数据量为：%i条' % len(attend[attend['solutions'] == 0]))
    print('timepoint共有%i个唯一值' % len(attend['solutions'].value_counts()))
    #print(gammas['timepoint'].value_counts())  # 查看唯一值具体信息
    # 导入数据
    sns.tsplot(time="solutions",     # 时间数据，x轴
               value="score",  # y轴value
               unit="subject",       # 
               condition="attention",      # 分类
               data=attend)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 25]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 26]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 27]![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 28]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 29]  
**8.密度图**

rs = np.random.RandomState(2)  # 设定随机数种子
    df = pd.DataFrame(rs.randn(100,2),
                     columns = ['A','B'])
    sns.kdeplot(df['A'],df['B'],
               cbar = True,    # 是否显示颜色图例
               shade = True,   # 是否填充
               cmap = 'Reds',  # 设置调色盘
               shade_lowest=False,  # 最外围颜色是否显示
               n_levels = 10   # 曲线个数（如果非常多，则会越平滑）
               )
    # 两个维度数据生成曲线密度图，以颜色作为密度衰减显示
    
    sns.rugplot(df['A'], color="g", axis='x',alpha = 0.5)
    sns.rugplot(df['B'], color="r", axis='y',alpha = 0.5)
    # 注意设置x，y轴
    
    
    # 密度图 - kdeplot()
    # 两个样本数据密度分布图
    # 多个密度图
    rs1 = np.random.RandomState(2)  
    rs2 = np.random.RandomState(5)  
    df1 = pd.DataFrame(rs1.randn(100,2)+2,columns = ['A','B'])
    df2 = pd.DataFrame(rs2.randn(100,2)-2,columns = ['A','B'])
    # 创建数据
    sns.kdeplot(df1['A'],df1['B'],cmap = 'Greens',
                shade = True,shade_lowest=False)
    sns.kdeplot(df2['A'],df2['B'],cmap = 'Blues',
                shade = True,shade_lowest=False)
    # 创建图表
    #sns.rugplot(df2['A']+df1['A'], color="g", axis='x',alpha = 0.5)
    #sns.rugplot(df2['B']+df1['B'], color="r", axis='y',alpha = 0.5)
    
    
    # 矩阵散点图 - pairplot()
    sns.set_style("white")
    # 设置风格
    iris = sns.load_dataset("iris")
    print(iris.head())
    # 读取数据
    sns.pairplot(iris,
                kind = 'scatter',  # 散点图/回归分布图 {‘scatter’, ‘reg’}  
                diag_kind="hist",  # 直方图/密度图 {‘hist’, ‘kde’}
                hue="species",   # 按照某一字段进行分类
                palette="husl",  # 设置调色板
                markers=["o", "s", "D"],  # 设置不同系列的点样式（这里根据参考分类个数）
                size = 2,   # 图表大小
                )

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 30]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 31]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 32]

[https_tianchi.aliyun.com_learn_liveDetail.html_spm_5176.11510288.4851103.4.2706b7bd7jjU4d_classroomId_261]: https://tianchi.aliyun.com/learn/liveDetail.html?spm=5176.11510288.4851103.4.2706b7bd7jjU4d&classroomId=261
[https_matplotlib.org]: https://matplotlib.org/
[http_seaborn.pydata.org_examples_index.html]: http://seaborn.pydata.org/examples/index.html%EF%BC%8C
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70]: /images/20220331/86e6be2a38cc4a12be5644846edce0d8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 1]: /images/20220331/c950d08bd22f412dbeaa3fbf38048948.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 2]: /images/20220331/386369858fc44b08ab3ac80c1f9408b9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 3]: /images/20220331/2966f5fa6887445c975210fed49f6e01.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20190103113214653.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20190103113224509.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20190103113243517.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20190103113301642.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 8]: /images/20220331/b0dd2bdf008340c09797a803b8aa4641.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 9]: /images/20220331/dcdea233f46949e089b86aad827b47dc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 10]: /images/20220331/f4fa83608f9e489a92dbfaf958bddac1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 11]: /images/20220331/d11ea7e675f2443a9816cfab8f23290d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 12]: /images/20220331/c3e733edfe2941dbbd9d50710b779b69.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 13]: /images/20220331/b25b698297bb4a93bfd87b1b66f4284f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 14]: /images/20220331/eea67d96beca4f79aff7342778f1e8cb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 15]: /images/20220331/97300656169d479c884b1f24185f4429.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 16]: /images/20220331/03a48a31121a4e9a87670b8d88e5ce5b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 17]: https://img-blog.csdnimg.cn/20190103113859738.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 18]: https://img-blog.csdnimg.cn/20190103113907475.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 19]: /images/20220331/7ec8755947fd4cfe8fd48cfd479d66bc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 20]: https://img-blog.csdnimg.cn/20190103114035351.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 21]: /images/20220331/ad4d23b8cf1140e1a5a087fd3b3a5f92.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 22]: https://img-blog.csdnimg.cn/20190103114115959.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 23]: https://img-blog.csdnimg.cn/20190103114132637.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 24]: /images/20220331/d3971375fd944d74a101c53240e586a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 25]: https://img-blog.csdnimg.cn/20190103124254348.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 26]: https://img-blog.csdnimg.cn/20190103124312599.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 27]: https://img-blog.csdnimg.cn/20190103124329703.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 28]: /images/20220331/b9d6c38f96dd4188a80e4e9023837d3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 29]: /images/20220331/60ff4e2a5f034cf78f6accbe3009c191.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 30]: /images/20220331/8f463c871d2146a4b40955efdf809ce2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 31]: /images/20220331/b0357269bc0a4aa7a699072445171d41.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pwX3pob3UyNTY_size_16_color_FFFFFF_t_70 32]: /images/20220331/ff146825d8f14a9f8532d8dc67204c1f.png