數據可視化是數據科學家工作中的重要組成部分。在項目的早期階段，你通常會進行探索性數據分析（Exploratory Data Analysis，EDA）以獲取對數據的一些理解。
創建可視化方法確實有助於使事情變得更加清晰易懂，特別是對於大型、高維數據集。在項目結束時，以清晰、簡潔和引人注目的方式展現最終結果是非常重要的，因為你的受眾往往是非技術型客戶，只有這樣他們才可以理解。
Matplotlib 是一個流行的 Python 庫，可以用來很簡單地創建數據可視化方案。但每次創建新項目時，設置數據、參數、圖形和排版都會變得非常繁瑣和麻煩。
在這篇博文中，我們將著眼於 5 個數據可視化方法，並使用 Python Matplotlib 為他們編寫一些快速簡單的函數。與此同時，這裡有一個很棒的圖表，可用於在工作中選擇正確的可視化方法！
散點圖 散點圖非常適合展示兩個變量之間的關係，因為你可以直接看到數據的原始分佈。 如下面第一張圖所示的，你還可以通過對組進行簡單地顏色編碼來查看不同組數據的關係。
想要可視化三個變量之間的關係？ 沒問題！ 僅需使用另一個參數（如點大小）就可以對第三個變量進行編碼，如下面的第二張圖所示。
現在開始討論代碼。我們首先用別名 “plt” 導入 Matplotlib 的 pyplot 。要創建一個新的點陣圖，我們可調用 plt.subplots() 。
我們將 x 軸和 y 軸數據傳遞給該函數，然後將這些數據傳遞給 ax.scatter() 以繪製散點圖。我們還可以設置點的大小、點顏色和 alpha 透明度。
你甚至可以設置 Y 軸為對數刻度。
標題和座標軸上的標籤可以專門為該圖設置。這是一個易於使用的函數，可用於從頭到尾創建散點圖！ 代碼
<code> import matplotlib.pyplot as pltimport numpy as npdef scatterplot(x_data, y_data, x_label="", y_label="", title="", color = "r", yscale_log=False): # Create the plot object _, ax = plt.subplots() # Plot the data, set the size (s), color and transparency (alpha) # of the points ax.scatter(x_data, y_data, s =10, color = color, alpha = 0.75) if yscale_log == True: ax.set_yscale('log') # Label the axes and provide a title ax.set_title(title) ax.set_xlabel(x_label) ax.set_ylabel(y_label) /<code>折線圖 當你可以看到一個變量隨著另一個變量明顯變化的時候，比如說它們有一個大的協方差，那最好使用折線圖。
讓我們看一下下面這張圖。我們可以清晰地看到對於所有的主線隨著時間都有大量的變化。使用散點繪製這些將會極其混亂，難以真正明白和看到發生了什麼。
折線圖對於這種情況則非常好，因為它們基本上提供給我們兩個變量（百分比和時間）的協方差的快速總結。另外，我們也可以通過彩色編碼進行分組。
這裡是折線圖的代碼。它和上面的散點圖很相似，只是在一些變量上有小的變化。 代碼
<code> def lineplot(x_data, y_data, x_label="", y_label="", title=""): # Create the plot object _, ax = plt.subplots() # Plot the best fit line, set the linewidth (lw), color and # transparency (alpha) of the line ax.plot(x_data, y_data, lw =2, color = '#539caf', alpha = 1) # Label the axes and provide a title ax.set_title(title) ax.set_xlabel(x_label) ax.set_ylabel(y_label) /<code>
直方圖 直方圖對於查看（或真正地探索）數據點的分佈是很有用的。
查看下面我們以頻率和 IQ 做的直方圖。我們可以清楚地看到朝中間聚集，並且能看到中位數是多少。我們也可以看到它呈正態分佈。
使用直方圖真得能清晰地呈現出各個組的頻率之間的相對差別。組的使用（離散化）真正地幫助我們看到了“更加宏觀的圖形”,然而當我們使用所有沒有離散組的數據點時，將對可視化可能造成許多幹擾，使得看清真正發生了什麼變得困難。
下面是在 Matplotlib 中的直方圖代碼。
有兩個參數需要注意一下：首先，參數 n_bins 控制我們想要在直方圖中有多少個離散的組。更多的組將給我們提供更加完善的信息，但是也許也會引進干擾，使得我們遠離全局；
另一方面，較少的組給我們一種更多的是“鳥瞰圖”和沒有更多細節的全局圖。其次，參數 cumulative 是一個布爾值，允許我們選擇直方圖是否為累加的，基本上就是選擇是 PDF（Probability Density Function，概率密度函數）還是 CDF（Cumulative Density Function，累積密度函數）。
代碼
<code> def histogram(data, n_bins, cumulative=False, x_label = "", y_label = "", title = ""): _, ax = plt.subplots() ax.hist(data, n_bins = n_bins, cumulative = cumulative, color ='#539caf') ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) /<code>
想象一下我們想要比較數據中兩個變量的分佈。有人可能會想你必須製作兩張直方圖，並且把它們並排放在一起進行比較。
然而，實際上有一種更好的辦法：我們可以使用不同的透明度對直方圖進行疊加覆蓋。看下圖，均勻分佈的透明度設置為 0.5 ，使得我們可以看到他背後的圖形。
這樣我們就可以直接在同一張圖表裡看到兩個分佈。
對於重疊的直方圖，需要設置一些東西。
首先，我們設置可同時容納不同分佈的橫軸範圍。根據這個範圍和期望的組數，我們可以真正地計算出每個組的寬度。
最後，我們在同一張圖上繪製兩個直方圖，其中有一個稍微更透明一些。 代碼
<code> # Overlay 2 histograms to compare themdef overlaid_histogram(data1, data2, n_bins = 0, data1_name="", data1_color="#539caf", data2_name="", data2_color="#7663b0", x_label="", y_label="", title=""): # Set the bounds for the bins so that the two distributions are fairly compared max_nbins =10 data_range = [min(min(data1), min(data2)), max(max(data1), max(data2))] binwidth = (data_range[1] - data_range[0]) / max_nbins if n_bins == 0 bins = np.arange(data_range[0], data_range[1] + binwidth, binwidth) else: bins = n_bins # Create the plot _, ax = plt.subplots() ax.hist(data1, bins = bins, color = data1_color, alpha =1, label = data1_name) ax.hist(data2, bins = bins, color = data2_color, alpha =0.75, label = data2_name) ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) ax.legend(loc ='best') /<code>
柱狀圖 當你試圖將類別很少（可能小於10）的分類數據可視化的時候，柱狀圖是最有效的。如果我們有太多的分類，那麼這些柱狀圖就會非常雜亂，很難理解。
柱狀圖對分類數據很好，因為你可以很容易地看到基於柱的類別之間的區別（比如大小)；分類也很容易劃分和用顏色進行編碼。
我們將會看到三種不同類型的柱狀圖：常規的，分組的，堆疊的。在我們進行的過程中，請查看圖形下面的代碼。 常規的柱狀圖如下面的圖1。
在 barplot() 函數中，xdata 表示 x 軸上的標記，ydata 表示 y 軸上的杆高度。誤差條是一條以每條柱為中心的額外的線，可以畫出標準偏差。 分組的柱狀圖讓我們可以比較多個分類變量。看看下面的圖2。我們比較的第一個變量是不同組的分數是如何變化的（組是G1，G2，……等等)。
我們也在比較性別本身和顏色代碼。看一下代碼，y_data_list 變量實際上是一個 y 元素為列表的列表，其中每個子列表代表一個不同的組。然後我們對每個組進行循環，對於每一個組，我們在 x 軸上畫出每一個標記；每個組都用彩色進行編碼。
堆疊柱狀圖可以很好地觀察不同變量的分類。在圖3的堆疊柱狀圖中，我們比較了每天的服務器負載。通過顏色編碼後的堆棧圖，我們可以很容易地看到和理解哪些服務器每天工作最多，以及與其他服務器進行比較負載情況如何。
此代碼的代碼與分組的條形圖相同。我們循環遍歷每一組，但這次我們把新柱放在舊柱上，而不是放在它們的旁邊。
代碼
<code> def barplot(x_data, y_data, error_data, x_label="", y_label="", title=""): _, ax = plt.subplots() # Draw bars, position them in the center of the tick mark on the x-axis ax.bar(x_data, y_data, color ='#539caf', align = 'center') # Draw error bars to show standard deviation, set ls to'none' # to remove line between points ax.errorbar(x_data, y_data, yerr = error_data, color ='#297083', ls = 'none', lw = 2, capthick = 2) ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) def stackedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): _, ax = plt.subplots() # Draw bars, one category at a time for i in range(0, len(y_data_list)): if i ==0: ax.bar(x_data, y_data_list[i], color = colors[i], align ='center', label = y_data_names[i]) else: # For each category after the first, the bottom of the # bar will be the top of the last category ax.bar(x_data, y_data_list[i], color = colors[i], bottom = y_data_list[i -1], align = 'center', label = y_data_names[i]) ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) ax.legend(loc ='upper right') def groupedbarplot(x_data, y_data_list, colors, y_data_names="", x_label="", y_label="", title=""): _, ax = plt.subplots() # Total width for all bars at one x location total_width =0.8 # Width of each individual bar ind_width = total_width / len(y_data_list) # This centers each cluster of bars about the x tick mark alteration = np.arange(-(total_width/2), total_width/2, ind_width) # Draw bars, one category at a time for i in range(0, len(y_data_list)): # Move the bar to the right on the x-axis so it doesn't # overlap with previously drawn ones ax.bar(x_data + alteration[i], y_data_list[i], color = colors[i], label = y_data_names[i], width = ind_width) ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) ax.legend(loc ='upper right') /<code>
箱形圖 我們之前看了直方圖，它很好地可視化了變量的分佈。但是如果我們需要更多的信息呢？也許我們想要更清晰的看到標準偏差？也許中值與均值有很大不同，我們有很多離群值？如果有這樣的偏移和許多值都集中在一邊呢？ 這就是箱形圖所適合乾的事情了。
箱形圖給我們提供了上面所有的信息。實線框的底部和頂部總是第一個和第三個四分位（比如 25% 和 75% 的數據），箱體中的橫線總是第二個四分位（中位數）。像鬍鬚一樣的線(虛線和結尾的條線）從這個箱體伸出，顯示數據的範圍。
由於每個組/變量的框圖都是分別繪製的，所以很容易設置。xdata 是一個組/變量的列表。Matplotlib 庫的 boxplot() 函數為 ydata 中的每一列或每一個向量繪製一個箱體。
因此，xdata 中的每個值對應於 ydata 中的一個列/向量。我們所要設置的就是箱體的美觀。
代碼
<code> def boxplot(x_data, y_data, base_color="#539caf", median_color="#297083", x_label="", y_label="", title=""): _, ax = plt.subplots() # Draw boxplots, specifying desired style ax.boxplot(y_data # patch_artist must be True to control box fill , patch_artist = True # Properties of median line , medianprops = {'color': median_color} # Properties of box , boxprops = {'color': base_color, 'facecolor': base_color} # Properties of whiskers , whiskerprops = {'color': base_color} # Properties of whisker caps , capprops = {'color': base_color}) # By default, the tick label starts at1 and increments by 1 for # each box drawn. This sets the labels to the ones we want ax.set_xticklabels(x_data) ax.set_ylabel(y_label) ax.set_xlabel(x_label) ax.set_title(title) /<code>最後小編幫助大家整理了一套python教程，下面展示了部分，希望也能幫助對編程感興趣，想做數據分析，人工智能、爬蟲或者希望從事編程開發的小夥伴，畢竟python工資也還可以，如果能幫到你請點贊、點贊、點贊。
python視頻系列：
電子書系列：
點贊才有哦，舉手之勞，非常感謝，使用 Matplotlib 有 5 個快速簡單的數據可視化方法。將相關事務抽象成函數總是會使你的代碼更易於閱讀和使用！希望你喜歡這篇文章，並且學到了一些新的有用的技巧。
閱讀更多 程序猿老旭 的文章
