前言
Matplotlib是一個流行的Python庫，可以很容易地用於創建數據可視化。然而，設置數據、參數、圖形和繪圖在每次執行新項目時都可能變得非常混亂和繁瑣。而且由於應用不同，我們不知道選擇哪一個圖例，比如直方圖，餅狀圖，曲線圖等等。這裡有一個很棒的思維導圖，可以幫助您為工作選擇正確的可視化效果：
我們對於這張思維導圖中的主要圖例做一些解釋：
散點圖
散點圖非常適合顯示兩個變量之間的關係，因為您可以直接看到數據的原始分佈。您還可以通過如下圖所示的對組進行顏色編碼來查看不同數據組的這種關係。
想要可視化三個變量之間的關係嗎?!完全沒有異議只需使用另一個參數(如點大小)對第三個變量進行編碼，如下面的第二個圖所示，我們把這個圖叫做冒泡圖。
散點圖函數舉例：
<code>scatter(x_data,y_data,s=10,color=color,alpha=0.75)/<code>
線圖
當你能清楚地看到一個變量與另一個變量之間變化很大時，最好使用線圖。讓我們看看下面的圖來說明。我們可以清楚地看到，所有專業的百分比隨時間變化很大。用散點圖來繪製這些圖會非常雜亂，很難真正理解和看到發生了什麼。直線圖非常適合這種情況，因為它基本上可以快速總結兩個變量(百分比和時間)的協方差。同樣，我們也可以通過顏色編碼來使用分組。
線圖代碼舉例：
<code>plot(x_data, y_data, lw = 2, color = '#539caf', alpha = 1)/<code>
直方圖
直方圖對於查看(或真正發現)數據點的分佈很有用。看看下面的柱狀圖，我們繪製了頻率和智商的柱狀圖。我們可以清楚地看到向中心的濃度和中值是什麼。我們也可以看到它遵循一個高斯分佈。使用條形圖(而不是散點圖)可以讓我們清楚地看到每個箱子頻率之間的相對差異。使用箱子(離散化)真的幫助我們看到“更大的畫面”，如果我們使用所有沒有離散箱子的數據點，在可視化中可能會有很多噪音，使我們很難看到到底發生了什麼。
假設我們要比較數據中兩個變量的分佈。有人可能會認為，你必須製作兩個獨立的直方圖，把它們放在一起比較。但是，實際上有一個更好的方法:我們可以用不同的透明度覆蓋直方圖。看看下面的圖。均勻分佈的透明度設為0。5這樣我們就能看到它的背後。這允許使用直接查看同一圖上的兩個分佈。
直方圖代碼舉例：
<code>hist(data, n_bins = n_bins, cumulative = cumulative, color = '#539caf')/<code>
條形圖
當您試圖將類別很少(可能少於10個)的分類數據可視化時，條形圖是最有效的。如果我們有太多的類別，那麼圖中的條形圖就會非常混亂，很難理解。它們非常適合分類數據，因為您可以根據條形圖的大小;分類也很容易劃分和顏色編碼。我們將看到三種不同類型的條形圖:常規的、分組的和堆疊的：
常規的條形圖代碼舉例：
<code>bar(x_data, y_data, color = '#539caf', align = 'center')/<code>
分組圖代碼舉例：
<code>foriinrange(0,len(y_data_list)):
\tif i == 0:
\tbar(x_data,y_data_list[i],color=colors[i],align='center',label=y_data_names[i])
\telse:
\tbar(x_data,y_data_list[i],color=colors[i],bottom=y_data_list[i-1],align='center',label=y_data_names[i])/<code>
堆疊圖代碼舉例：
<code>for i in range(0, len(y_data_list)):
\tbar(x_data+alteration[i],y_data_list[i],color=colors[i],label=y_data_names[i],width=ind_width)/<code>
閱讀更多 機器學習與數據分析 的文章
