一、使用matplotlib绘制图像

matplotlib是一个Python的数据可视化2D图形库。matplotlib的特点是可以采用面向对象的方法，模仿MATLAB中的图形命令。matplotlib经常与numpy、pandas等库结合起来使用。
matplotlib可以采用MATLAB的命令风格使用，也可以采用面向对象的风格使用。

matplotlib的图像中各组件名称

新建图像

fig, axes = plt.subplots(2,1,figsize=(5,10)) #两行一列组成一张图，图像大小宽5高10

上面的语句创建了一个figure，由两个ax组成。把它想象成一张画布上面的两个贴画，会比较容易理解。

plt.figure()函数的前两个参数是设置figure是由几行几列的ax组成。figure(2,1)说明figure是由两行一列的ax一共两个ax组成。

后面的figsize参数设置画布的宽和高，单位为英寸。

二、使用Seaborn绘制图像

首先确定我们需要可视化的数据的结构。以iris鸢尾花数据集为例，

每一行代表一个数据对象，每一列代表数据对象的一个属性。但是现实生活的数据很多不长这样，只不过组织成一个表格的形式，内容大相径庭。因此在进行数据可视化时一定要保证你的数据也是用行代表数据对象，用列表示数据的属性。

2.1 关联图

我们是用 relplot函数进行进一步绘制。实际上，relplot 可以看作是 scatterplot 和 lineplot 的结合版本。但是relplot包装层级更加高，这意味着它更适合快速应用，不适合自定义。如果你对它的效果不满意，恐怕还是得诉诸scatterplot 和 lineplot等与matplotlib结合更紧密的api，或者直接使用matplotlib。

sns.relplot(x="sepal_length", y="sepal_width", data=iris)

x为花萼长度，y为花萼宽度。这样分x，y其实有一定道理，我们的目的是能够把不同类型的数据对象在图上区分开。因为同类花朵一般个头差不多，花萼的长度和宽度聚集在图的一部分区域。但是在上图我们是看不出来的。我们希望给不同类别添加不同颜色。

sns.relplot(x="sepal_length", y="sepal_width", hue="species", data=iris)

可以看到我们添加了hue字段，并要求按照species进行进一步分类。hue字段就是进行二次分类的参数。

如果是论文，则我们要使得读者在黑白打印的条件下也能发现区别。添加stype参数为species或许会有帮助。

sns.relplot(x="sepal_length", y="sepal_width",
            hue="species", style="species", data=iris)

不只是散点图，该方法还支持线形图，只需要指定 kind="line" 参数即可。

sns.relplot(x="sepal_length", y="sepal_width",
            hue="species", style="species", kind="line", data=iris)

上图其实就是折线图，我们使用一个与matplotlib结合更紧密的api来探究花萼长度和花瓣长度之间的关系。

sns.lineplot(x="sepal_length", y="petal_length",
             hue="species", style="species", data=iris)

2.2 类别图

懒人函数是catplot，catplot是下面几个底层函数的封装：

• 分类散点图:

  • stripplot() (kind="strip")
  • swarmplot() (kind="swarm")

• 分类分布图:

  • boxplot() (kind="box")
  • violinplot() (kind="violin")
  • boxenplot() (kind="boxen")

• 分类估计图:

  • pointplot() (kind="point")
  • barplot() (kind="bar")
  • countplot() (kind="count")

我们想知道不同类别下花萼长度的散点图。

sns.catplot(x="sepal_length", y="species", kind='strip',data=iris)

kind="swarm" 可以让散点按照 beeswarm 的方式防止重叠，可以更好地观测数据分布。

sns.catplot(x="sepal_length", y="species", kind="swarm", data=iris)

箱线图

sns.catplot(x="sepal_length", y="species", kind="box", data=iris)

变种箱线图

sns.catplot(x="species", y="sepal_length", kind="boxen", data=iris)

提琴图

sns.catplot(x="sepal_length", y="species", kind="violin", data=iris)

点线图

sns.catplot(x="sepal_length", y="species", kind="point", data=iris)

柱状图

sns.catplot(x="sepal_length", y="species", kind="bar", data=iris)

2.3 分布图

如果想看一个变量到底是正态分布、卡方分布还是指数分布，此时就要使用分布图进行可视化了。一维分布图比较常见，二维以上分布图不太直观。绘制分布图的函数有这几个：jointplot pairplot distplot kdeplot。

distplot可以方便的查看单变量的分布图。

sns.distplot(iris["sepal_length"])

图上那条曲线是根据数据拟合出来的核密度估计kde曲线（原理有待学习）。如果不想要这条线，可以在参数中设置kde=False。更可以只要kde曲线，设置hist=False即可。

jointplot绘制二元变量的分布图，比如花瓣长度和宽度的关系。

sns.jointplot(x="petal_length", y="petal_width", data=iris)

kde估计图也可以在二元变量分布图中出现。还有蜂巢图kind="hex"、回归图kind="reg"等。

sns.jointplot(x="petal_length", y="petal_width", data=iris, kind="kde")

最后注意到我们的鸢尾花数据集含有四组属性。我们想探究这四组属性两两之间的关系，就需要用到pairplot

sns.pairplot(iris, hue="species")

2.4 回归图

regplot 绘制回归图，只会绘制一组回归曲线。

sns.regplot(x="sepal_length", y="sepal_width", data=iris)

lmplot 可以引入hue变量，绘制不同类别数据的回归图

sns.lmplot(x="sepal_length", y="sepal_width", hue="species", data=iris)

2.5 矩阵图

heatmap用来画热图，数据值大的格子颜色比较深。热力图在某些场景下非常实用，例如绘制出变量相关性系数热力图。
clustermap用来画层次聚类结构图。对于iris数据集来说，这两类图没有用武之地。