本章节以及后续章节的源码，当然也可以从我的github下载，在源码中我自己加了一些中文注释。
这两天没更新，好好反思了一下自己的人生观、价值观和世界观，松懈了两天，也等于给自己打了两针强心剂。与过往做个了断，剩余的时间，去实现自己心中想过但一直搁置的事。
进入正题，主要写数据的可视化库（matplotlib）
一、matplotlib API入门
1、Figure和Subplot
matplotlib的图像都位于Figure对象中.。
对于复杂的图形必须将所有的绘图命令存在一个cell里。例如：
"k--"是一个线型选项，用于告诉matplotlib绘制黑色虚线图。那些由fig.add_subplot所返回的对象是AxesSubplot对象，直接调用它们的实例方法就可以在其它空着的格子里面画图了.
创建包含subplot网格的figure是一个非常常见的任务。
plt.subplots方法可以创建一个新的Figure，并返回一个含有已创建的subplot对象的NumPy数组。
这是非常实用的，因为可以轻松地对axes数组进行索引，就好像是一个二维数组一样，例如axes[0,1]。你还可以通过sharex和sharey指定subplot应该具有相同的X轴或Y轴。在比较相同范围的数据时，这也是非常实用的，否则，matplotlib会自动缩放各图表的界限。
pyplot.subplots的参数：
2、调整subplot周围的间距
matplotlib会在subplot外围留下一定的边距，并在subplot之间留下一定的间距。利用Figure的subplots_adjust方法可以轻而易举地修改间距。
wspace和hspace用于控制宽度和高度的百分比，可以用作subplot之间的间距。
3、颜色、标记和线型
matplotlib的plot函数接受一组X和Y坐标，还可以接受一个表示颜色和线型的字符串缩写。
常用的颜色可以使用颜色缩写，你也可以指定颜色码（例如，'#CECECE'）。你可以通过查看plot的文档字符串查看所有线型的合集。
线图可以使用标记强调数据点。标记也可以放到格式字符串中，但标记类型和线型必须放在颜色后面。
在线型图中，非实际数据点默认是按线性方式插值的。可以通过drawstyle选项修改。
因为我们传递了label参数到plot，我们可以创建一个plot图例，指明每条使用plt.legend的线。
4、刻度、标签和图例
对于大多数的图表装饰项，其主要实现方式有二：使用过程型的pyplot接口（例如，matplotlib.pyplot）以及更为面向对象的原生matplotlib API。
pyplot接口的设计目的就是交互式使用，含有诸如xlim、xticks和xticklabels之类的方法。它们分别控制图表的范围、刻度位置、刻度标签等。其使用方式有以下两种：
调用时不带参数，则返回当前的参数值（例如，plt.xlim()返回当前的X轴绘图范围）。
调用时带参数，则设置参数值（例如，plt.xlim([0,10])会将X轴的范围设置为0到10)。
所有这些方法都是对当前或最近创建的AxesSubplot起作用的。它们各自对应subplot对象上的两个方法，以xlim为例，就是ax.get_xlim和ax.set_xlim。使用subplot的实例方法在处理多个subplot时更清楚一些。
5、设置标题、轴标签、刻度以及刻度标签
要改变x轴刻度，最简单的办法是使用set_xticks和set_xticklabels。前者告诉matplotlib要将刻度放在数据范围中的哪些位置，默认情况下，这些位置也就是刻度标签。但我们可以通过set_xticklabels将任何其他的值用作标签：
等价：
6、添加图例（legend）
在添加subplot的时候传入label参数，在此之后，可以调用ax.legend()或plt.legend()来自动创建图例。
legend方法有几个其它的loc位置参数选项，loc告诉matplotlib要将图例放在哪。"best"是不错的选择，因为它会选择最不碍事的位置。要从图例中去除一个或多个元素，不传入label或传入label='_nolegend_'即可。
7、注解以及在Subplot上绘图
除标准的绘图类型，你可能还希望绘制一些子集的注解，可能是文本、箭头或其他图形等。注解和文字可以通过text、arrow和annotate函数进行添加。text可以将文本绘制在图表的指定坐标(x,y)，还可以加上一些自定义格式：
注解中可以既含有文本也含有箭头。我们根据最近的标准普尔500指数价格（来自Yahoo!Finance）绘制一张曲线图，并标出2008年到2009年金融危机期间的一些重要日期：
matplotlib有一些表示常见图形的对象。这些对象被称为块（patch）。要在图表中添加一个图形，你需要创建一个块对象shp，然后通过ax.add_patch(shp)将其添加到subplot中。
8、将图表保存到文件
利用plt.savefig可以将当前图表保存到文件。该方法相当于Figure对象的实例方法savefig。
文件类型是通过文件扩展名推断出来的。因此，如果你使用的是.pdf，就会得到一个PDF文件。发布图片时最常用到两个重要的选项是dpi（控制“每英寸点数”分辨率）和bbox_inches（可以剪除当前图表周围的空白部分）
savefig并非一定要写入磁盘，也可以写入任何文件型的对象，比如BytesIO：
9、matplotlib配置
matplotlib自带一些配色方案，以及为生成出版质量的图片而设定的默认配置信息。幸运的是，几乎所有默认行为都能通过一组全局参数进行自定义，它们可以管理图像大小、subplot边距、配色方案、字体大小、网格类型等。一种Python编程方式配置系统的方法是使用rc方法。
rc的第一个参数是希望自定义的对象，如'figure'、'axes'、'xtick'、'ytick'、'grid'、'legend'等。其后可以跟上一系列的关键字参数。一个简单的办法是将这些选项写成一个字典：
matplotlib的配置文件matplotlibrc（位于matplotlib/mpl-data目录中）。如果对该文件进行了自定义，并将其放在你自己的.matplotlibrc目录中，则每次使用matplotlib时就会加载该文件。
二、使用pandas和seaborn绘图
matplotlib实际上是一种比较低级的工具。要绘制一张图表，你组装一些基本组件就行：数据展示（即图表类型：线型图、柱状图、盒形图、散布图、等值线图等）、图例、标题、刻度标签以及其他注解型信息。
在pandas中，我们有多列数据，还有行和列标签。pandas自身就有内置的方法，用于简化从DataFrame和Series绘制图形。Seaborn简化了许多常见可视类型的创建。
1、线形图
Series和DataFrame都有一个用于生成各类图表的plot方法。默认情况下，它们所生成的是线型图：
该Series对象的索引会被传给matplotlib，并用以绘制X轴。可以通过use_index=False禁用该功能。X轴的刻度和界限可以通过xticks和xlim选项进行调节，Y轴就用yticks和ylim。
Series.plot方法的参数:
DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例:
plot的其他关键字参数会被传给相应的matplotlib绘图函数，所以要更深入地自定义图表，就必须学习更多有关matplotlib API的知识。
DataFrame还有一些用于对列进行灵活处理的选项，例如，是要将所有列都绘制到一个subplot中还是创建各自的subplot。
专用于DataFrame的plot参数:
2、柱状图
plot.bar()和plot.barh()分别绘制水平和垂直的柱状图。这时，Series和DataFrame的索引将会被用作X（bar）或Y（barh）刻度，color='k'和alpha=0.7设定了图形的颜色为黑色，并使用部分的填充透明度：
对于DataFrame，柱状图会将每一行的值分为一组，并排显示：
设置stacked=True即可为DataFrame生成堆积柱状图，这样每行的值就会被堆积在一起：
柱状图有一个非常不错的用法：利用value_counts图形化显示Series中各值的出现频率，比如s.value_counts().plot.bar()
做一张堆积柱状图以展示每天各种聚会规模的数据点的百分比。用read_csv将数据加载进来，然后根据日期和聚会规模创建一张交叉表：
通过该数据集就可以看出，聚会规模在周末会变大。
在绘制一个图形之前，需要进行合计的数据，使用seaborn可以减少工作量。用seaborn来看每天的小费比例:
seaborn的绘制函数使用data参数，它可能是pandas的DataFrame。其它的参数是关于列的名字。因为一天的每个值有多次观察，柱状图的值是tip_pct的平均值。绘制在柱状图上的黑线代表95%置信区间（可以通过可选参数配置）。
注意，seaborn已经自动修改了图形的美观度：默认调色板，图形背景和网格线的颜色。你可以用seaborn.set在不同的图形外观之间切换：
3、直方图和密度图
直方图（histogram）是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中，绘制的是各面元中数据点的数量。再以前面那个小费数据为例，通过在Series使用plot.hist方法，我们可以生成一张“小费占消费总额百分比”的直方图：
与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核（即诸如正态分布之类的较为简单的分布）。因此，密度图也被称作KDE（Kernel Density Estimate，核密度估计）图。调用plot时加上kind='kde'或使用使用plot.kde即可生成一张密度图（标准混合正态分布估计）。
seaborn的distplot方法绘制直方图和密度图更加简单，还可以同时画出直方图和连续密度估计图。
4、散布图或点图
点图或散布图是观察两个一维数据序列之间的关系的有效手段。matplotlib的scatter方法是绘制散布图的主要方法。
在探索式数据分析工作中，同时观察一组变量的散布图是很有意义的，这也被称为散布图矩阵（scatter plot matrix）。纯手工创建这样的图表很费工夫，所以pandas提供了一个能从DataFrame创建散布图矩阵的scatter_matrix函数，它支持在对角线上放置每个变量的直方图或密度图。
使用seaborn库也能实现上述功能：
5、分面网格（facet grid）和类型数据
要是数据集有额外的分组维度呢？有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn有一个有用的内置函数factorplot，可以简化制作多种分面图。
除了在分面中用不同的颜色按时间分组，我们还可以通过给每个时间值添加一行来扩展分面网格：
factorplot支持其它的绘图类型。例如，盒图（它可以显示中位数，四分位数，和异常值）就是一个有用的可视化类型
三、其它的Python可视化工具
与其它开源库类似，Python创建图形的方式非常多（根本罗列不完）。自从2010年，许多开发工作都集中在创建交互式图形以便在Web上发布。利用工具如Boken和Plotly，现在可以创建动态交互图形，用于网页浏览器。
对于创建用于打印或网页的静态图形，我建议默认使用matplotlib和附加的库，比如pandas和seaborn。
快速学习：
