特色专业网站建设模板搜索引擎推广的基本方法
常见图表
如果数据仅包含一个数值变量（一列数据）：
直方图：数据分布
条形高度统计的是频数（个数）或频率。
密度图：数据分布
箱型图：四分位数
注意：为了帮助发现数据里的异常值，
不能直接让上界=最大值，而是
上界= min{最大值，第三四分位数+1.5*四分位距}，取更靠近中位数的。
四分位距 = 第三四分位数 - 第一四分位数（箱子长度就是四分位距）
为什么是乘以1.5？因为在理想的正态分布数据中，大约 99.7% 的数据会落在均值左右 3 个标准差的范围内。而
举个例子：
同理，下界=max{最小值，第一四分位数-1.5*四分位距}
小提琴图=密度图+箱型图
置信区间：样本值有多少概率在那个区间内
如果数据仅包含2个变量（两列数据）：
散点图：变量之间的相关性
折线图：展示趋势变化
条形图（分类变量+数值变量）：各个分类对应的数值
默认情况下，条柱的高度对应所属分类下的所有值的平均值
直方图和条形图外形相似，本质不同。
直方图针对的是一个数值变量，横轴是数值范围，纵轴是切割的小范围对应的数据个数。
条形图针对的是一个数值变量和一个分类变量，横轴是类别，纵轴是对应的数值。
饼图（分类变量+数值变量）：各个分类对应的数值之间的比例
引入更多变量：
以散点图为例
引入分类变量：把点绘制成不同颜色，不同颜色代表不同分类
引入数值变量：把点绘制成不同大小，让面积大小去表示数值大小
热力图：两个分类变量组合+一个数值变量
多个图放在一起，互相对比挖掘更多信息：
如何绘制？
**两个可视化库：seaborn 和 matplotlib **
注意：seaborn 本身并没有专门的 show() 方法，需要借助 matplotlib.pyplot 的 show() 方法来显示图形。
这种设计体现了 seaborn 和 matplotlib 的分工。
seaborn以matplotlib为基础，它的主要目的是提供简洁、美观的统计图形绘制接口，让用户可以更方便地创建各种统计图表；
而 matplotlib 作为基础的绘图库，负责图形的底层绘制、管理和显示等操作。
这样的分工使得 seaborn 专注于统计可视化的高级功能，同时又能借助 matplotlib 的强大功能来实现图形的显示和进一步定制。
pip install matplotlib
pip install seaborn
import matplotlib.pyplot as plt（因为大部分功能都在子模块pyplot下）
import seaborn as sns（按惯例写成sns）
假设s1是Series
单数值变量
直方图（Histogram——hist）
sns.histplot(data = s1)
plt.show()
密度图（Kernel Density Plot——kde）
sns.kdeplot(s1)
箱型图（Box Plot——box）
sns.boxplot(s1)
小提琴图（Violin Plot——violin）
sns.violinplot(s1)
假设传入的是DataFrame df1，可以添加参数x，指定为x轴对应数据的列名
一些标签：
设置标题：
plt.title（标题字符串）
设置坐标轴标签：
plt.xlabel（标签字符串）
plt.ylabel（标签字符串）
注意：需要在plt.show()之前设置好
二变量
散点图（Scatter Plot——scatter）
sns.scatterplot（df1，x=“列名1”，y=“列名2”）
也可以写成sns.scatterplot（x=Series1，y=Series2），可以方便联系不同表格的列。
轴标签会自动用列名表示。
折线图（Line Plot——line）
sns.lineplot（df1，x=“列名1”，y=“列名2”）
条形图（Bar Plot——bar）
sns.barplot（df1，x=“分类变量对应的列名”，y=“数值变量对应的列名”）
默认情况下，条柱的高度是所属分类下的所有值的平均值。
若想更改为显示最大值，可以令参数estimator=np.max，赋值为对应的求值函数名。
补充：计数图
sns.countplot（df1，x=“分类变量对应的列名”）
饼图（Pie Plot）
假设有个最喜欢的水果的投票数据，想展示各水果获得票数的比例：
plt.pie（Series1，labels=Series2，
autopct=“%.1f%%”）
注意：传入的是需要计算比例的Series，而不是传入DataFrame，因为这个方法不是Seaborn的，而是Matplotlib的。Seaborn才支持传入整个DataFrame后在指定变量。
labels=Series2，和Series1对应，按顺序展示标签。
autopct="%.1f%%"设置比例数字的格式，
%表示是展示格式的字符串， .1f表示小数点后保留一位小数，%%表示真正的%符号，以此为结尾。（“pct” 是 “percent”（百分比）的缩写）
.0f：整数
更美观的配色：
设置颜色：
color=“blue”，也可以赋值为颜色对应的编码，
比如"#c287c7"
更换色盘（一整套颜色主题）：
sns.set_palette（“…”）
pastel——更加清新的彩色粉笔色
crest——青绿色主题的山色
…
多变量
引入分类变量（加颜色）
注意：这里的颜色不应该用color参数（只能改成固定的颜色），而要用hue（色调）。
把hue赋值为分类变量列名，图表就会根据不同变量把点或线或条柱画成不同颜色。
引入数值变量（颜色深浅或点变气泡）
颜色
把hue赋值为数值变量列名：
气泡
**把size参数赋值为一个数值变量，**比如用点的大小表示花瓣长度：
修改图例位置
plt.legend( bbox_to_anchor=(1,1) )
legend（图例），
元组（1，1）表示把图例放在右上位置。
元组第一个数字表示横向位置，0左1右；
第二个数字表示纵向位置，0：顶部和下边框对齐，1：顶部和上边框对齐
热力图（Heat Map）
sns.heatmap(glue, annot=True)
把annot（annotation，标注）参数赋值为True，还能让格子里显示出对应具体数值。
多个图放在一起
以直方图为例，就是调用多次histplot。
因为原本是按照各个图合适的粗细画的，所以需要统一条柱的粗细：bidwidth=0.1，指定每个条柱的宽度。
加图例：label=“…”
还要调用一下plt.legend()才能真正把图例画出来。
对于箱型图和小提琴图，因为横轴并不是表示数值，所以它们会挤在同一条纵线上，
如何解决？把分类变量作为x轴的变量
一行放多个图
绘制子图：
fig, axes = plt.subplots（行数，列数，figsize=(宽，高)）
fig对应整个大图，axes对应一系列子图，figsize是对于大图而言的；
在相应的绘图函数中加入参数ax=axes[0]，就是表示把该图作为第一个子图。
配对图（Pair Plot）：一次性探索变量分布和变量之间的关系
sns.pairplot(DataFrame)
把DataFrame数值变量之间所有的两两关系都绘制出来。
（各变量分布用直方图绘制，不同变量之间的关系用散点图绘制）
增加分类变量：
