实现可视化的三个步骤：首先，要知道我们用哪些库来画图?
中最为基础的作图库便是, 它属于一个极为基本的可视化库哦, 通常情况下都是先从着手数据可视化开始的, 随后才会展开纵向以及横向方向上的拓展。
它是这样一个高级可视化效果库, 该库是基于特定内容的, 其针对的重点在于数据挖掘以及机器学习里的变量特征选取, 借助相对短小的代码, 能够去绘制把表述更多维度数据的可视化效果图。
其他库还包括
用于做浏览器端交互可视化的库像Bokeh, 它能实现分析师与之数据的交互, 还有处理基于地理数据引擎且可视化功能更强的工具库等等。
本篇文章主要使用进行案例分析
第一步：确定问题，选择图形
这项业务或许会显得极为 , 然而, 在经过细致剖开之后, 我们必须去寻觅出我们期望借由图形展露的实质是什么具体的问题所在。针对分析思维进行培育的话, 能够去研习《麦肯锡方法》以及《金字塔原理》当中所阐述的方式。
这是网上的一张关于图表类型选择的总结。
在中，我们可以总结为以下四种基本视觉元素来展现图形：
具体的数据之间, 存在着分布方面的状况, 有着构成的情形, 存在比较的情况, 有着联系的状态, 以及存在变化趋势那样的关系等。针对于不一样的关系, 要去选择相应的图形来进行展示。
第二步：转换数据，应用函数
做数据分析以及建模时, 会有大量编程工作, 这些工作都是基于数据准备来开展的, 数据准备涵盖加载、清理、转换以及重塑等方面。而我们在进行可视化步骤时, 同样也是需要先对数据予以整理的, 要把数据转换成我们所需要的格式, 之后再套用可视化方法来完成作图操作。
下面是一些常用的数据转换方法：
有的函数, 可用于将分类变量进行转换, 使其成为‘哑变量矩阵’, 并且, 存在这样的情况, 即在df里针对某列数据, 去获取限定值, 等等。
函数则根据第一步中选择好的图形，去找中对应的函数。
第三步：参数设置，一目了然
在原始图形绘制完成之后, 我们能够依据需求去对颜色（color）予以修改, 对线型（）进行调整, 对标记（maker）加以变动, 或者针对其他图表装饰项诸如标题（Title）、轴标签（）、轴刻度（）以及图例（）等等作出相关操作, 以此使得图形变得更为直观。
第三步, 是基于第二步, 为让图形更为清晰明白而开展的修饰工作。具体参数, 均可于制图函数里找到。
可视化作图基础
作图基础
#导入包 import numpy as np import pandas as pd import matplotlib.pyplot as plt和
图形全都处于（画布）里, 生成图像空间, 无法借助绘图, 务必凭借创建一个抑或是多个。
可以指定图像尺寸。
#创建画布 fig = plt.figure()#创建subplot，221表示这是2行2列表格中的第1个图像。 ax1 = fig.add_subplot(221) #但现在更习惯使用以下方法创建画布和图像，2,2表示这是一个2*2的画布，可以放置4个图像 fig , axes = plt.subplots(2,2,sharex=True,sharey=True) #plt.subplot的sharex和sharey参数可以指定所有的subplot使用相同的x，y轴刻度。
利用的方法可以调整间距。
subplots_adjust(left=None,bottom=None,right=None,top=None,wspace=None,hspace=None)颜色color，标记，和线型
有个plot函数, 它会接受一组X坐标以及一组Y坐标, 它还能够去吸纳一个用于表示颜色和线型的字符串缩写'g--'来呈现, 这个字符串缩写所代表的意思是, 颜色为绿色green, 而线型是'--'这种虚线形式。还能够借助参数, 以明确的方式进行指定。
线型图能够添加某些标记（）, 用以突出展示数据点的位置。标记能够放置于格式字符串里, 然而标记类型以及线型一定得放在颜色之后。
plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') []刻度，标签和图例
plt的xlim方法, 用于控制图表的范围, 刻度位置以及刻度标签。
当调用方法之际, 若不携带参数, 那么便会返回当下的参数值, 要是调用之时带有参数, 那就会设置参数值。
plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') plt.xlim() #不带参数调用，显示当前参数； #可将xlim替换为另外两个方法试试 (-1.4500000000000002, 30.45)plt.plot(np.random.randn(30),color='g',linestyle='--',marker='o') plt.xlim([0,15]) #横轴刻度变成0-15 (0, 15)设置标题，轴标签，刻度以及刻度标签
fig = plt.figure();ax = fig.add_subplot(1,1,1) ax.plot(np.random.randn(1000).cumsum()) ticks = ax.set_xticks([0,250,500,750,1000]) #设置刻度值 labels = ax.set_xticklabels(['one','two','three','four','five']) #设置刻度标签 ax.set_title('My first Plot') #设置标题 ax.set_xlabel('Stage') #设置轴标签 Text(0.5,0,'Stage')添加图例
图标元素的标识存在另外一种重要工具, 那便是图例, 添加之时能够传入label参数。
fig = plt.figure(figsize=(12,5));ax = fig.add_subplot(111) ax.plot(np.random.randn(1000).cumsum(),'k',label='one') #传入label参数，定义label名称 ax.plot(np.random.randn(1000).cumsum(),'k--',label='two') ax.plot(np.random.randn(1000).cumsum(),'k.',label='three') #图形创建完后，只需要调用legend参数将label调出来即可。 ax.legend(loc='best') #要求不是很严格的话，建议使用loc=‘best’参数来让它自己选择最佳位置注解
除去按标准的图表对象, 我们能够另外进行自定义, 去增添一些文字注解, 或者有箭头。
添加注解时, 可借由text、arrow等函数来达成。text函数能够把文本绘制于所指定的x、y坐标之处, 与此同时, 还能够开展自定义格式设置。
plt.plot(np.random.randn(1000).cumsum()) plt.text(600,10,'test ',family='monospace',fontsize=10) #中文注释在默认环境下并不能正常显示，需要修改配置文件，使其支持中文字体。具体步骤请自行搜索。保存图表到文件
借助plt.能把当下的图表存至文件之中。比如说, 若要把图表存为png文件可予以执行。
文件类型是根据拓展名而定的。其他参数还有：
plt.savefig('./plot.jpg') #保存图像为plot名称的jpg格式图像中的绘图函数
作图
身为最基础的那类绘图函数, 同时还是相对偏低级别的工具, 组装一张图表时得单独去调用各个基础组件才行, 其中存在许多基于此的高级绘图方法, 原本借助多行代码方可搞定的图表, 运用它仅需短短几行。
我们使用的就调用了中的绘图包。
import matplotlib.pyplot as plt线型图
和存在这么一个plot方法, 该方法可用于生成各类图表, 在默认情形下, 由他们所生成的是线型图。
s = pd.Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10)) s.plot() #Series对象的索引index会传给matplotlib用作绘制x轴。df = pd.DataFrame(np.random.randn(10,4).cumsum(0),columns=['A','B','C','D']) df.plot() #plot会自动为不同变量改变颜色，并添加图例.plot方法的参数
.plot方法的参数
除了中的参数外，还有一些独有的选项。
柱状图
在生成线型图对应的代码里头, 添加kind=‘bar’, 或者添加kind=‘barh’, 如此一来, 能够生成柱状图, 或者生成水平柱状图。
fig,axes = plt.subplots(2,1) data = pd.Series(np.random.rand(10),index=list('abcdefghij')) data.plot(kind='bar',ax=axes[0],rot=0,alpha=0.3) data.plot(kind='barh',ax=axes[1],grid=True)柱状图有一个非常实用的方法：
利用图形化显示或者DF中各值的出现频率。
仿佛仿佛, df.括号内的内容执行操作, plot函数调用, kind参数明确为'bar'这种类型, 进行图形绘制。
可视化的基础语法就到这里，其他图形的绘制方法大同小异。
要点在于依照三个步骤的办法去思索、挑选、运用, 频繁施行更能够娴熟。
