数据可视化可以让我们很直观的发现数据中隐藏的规律，察觉到变量之间的互动关系，可以帮助我们更好的给他人解释现象，做到一图胜千文的说明效果。

常见的数据可视化库有：

  1. matplotlib 是最常见的2维库，可以算作可视化的必备技能库，由于matplotlib是比较底层的库，api很多，代码学起来不太容易。
  2. seaborn 是建构于matplotlib基础上，能满足绝大多数可视化需求。更特殊的需求还是需要学习matplotlib。
  3. pyecharts 上面的两个库都是静态的可视化库，而pyecharts有很好的web兼容性，可以做到可视化的动态效果。

但是在数据科学中，几乎都离不开pandas数据分析库，而pandas可以做：

  • 数据采集：如何批量采集网页表格数据？
  • 数据读取：pd.read_csv/pd.read_excel
  • 数据清洗（预处理）：理解pandas中的apply和map的作用和异同
  • 可视化，兼容matplotlib语法(今天重点)

londonweather.csv 链接: https://pan.baidu.com/s/1yZrsWG_-RytDAwIJMs3OtA 提取码: wn54

london2018.xlsx 链接: https://pan.baidu.com/s/1Jfb082DTQb1htPTp3Dl9pg 提取码: ga3c 

import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_excel('london2018.xlsx')
print(df)

# plot最简单的图 Month作为横坐标 Tmax作为纵坐标
# 横坐标轴参数x传入的是df中的列名Month 纵坐标轴参数y传入的是df中的列名Tmax
df.plot(x='Month', y='Tmax')
plt.show()

"""
上面的图就是折线图，折线图语法有三种
    df.plot(x='Month', y='Tmax')
    df.plot(x='Month', y='Tmax', kind='line')
    df.plot.line(x='Month', y='Tmax')
"""

# grid绘制格线
df.plot(x='Month', y='Tmax', kind='line', grid='True')
plt.show()

# 多个y值  上面的折线图中只有一条线， 如何将多个y绘制到一个图中，比如Tmax， Tmin
df.plot(x='Month', y=['Tmax', 'Tmin'])
plt.show()

# 条形图
df.plot(x='Month', y='Rain', kind='bar')
# 或者  df.plot.bar(x='Month', y='Rain')
plt.show()

# 水平条形图 将kind中bar替换为barh
df.plot(x='Month', y='Rain', kind='barh')
plt.show()

# 多个变量的条形图
df.plot(x='Month', y=['Tmax', 'Tmin'], kind='bar')
plt.show()

# 散点图
df.plot(kind='scatter', x='Month', y='Sun')
plt.show()

# 饼图
df.plot(kind='pie', y='Sun')
plt.show()
"""
上面的饼图绘制有两个小问题：
    legend图例不应该显示
    月份的显示用数字不太正规
"""
df.index = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun', 'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
df.plot(kind='pie', y='Sun', legend=False)
plt.show()

# 更多数据进行操作
df2 = pd.read_csv('londonweather.csv')
print(df.head())

# 共748条记录，62年的记录
print(df2.Rain.describe())

# 箱型图
df2.plot.box(y='Rain')
# df2.plot(y='Rain', kind='box')
plt.show()

# 直方图
df2.plot(y='Rain', kind='hist')
# df2.plot.hist(y='Rain')
plt.show()

# 纵坐标的刻度可以通过bins来设置
df2.plot(y='Rain', kind='hist', bins=[0, 25, 50, 75, 100, 125, 150, 175, 200])
# df2.plot.hist(y='Rain')
plt.show()

# 多图并存
df.plot(kind='line',
        y=['Tmax', 'Tmin', 'Rain', 'Sun'],  # 4个变量可视化
        subplots=True,  # 多子图并存
        layout=(2, 2),  # 子图排列两行两列
        figsize=(20, 10))  # 图布的尺寸
plt.show()

df.plot(kind='bar',
        y=['Tmax', 'Tmin', 'Rain', 'Sun'],  # 4个变量可视化
        subplots=True,  # 多子图并存
        layout=(2, 2),  # 子图排列2行2列
        figsize=(20, 10))  # 图布的尺寸
plt.show()

# 加标题

df.plot(kind='bar',
        y=['Tmax', 'Tmin'],  # 2个变量可视化
        subplots=True,  # 多子图并存
        layout=(1, 2),  # 子图排列1行2列
        figsize=(20, 5),  # 图布的尺寸
        title='The Weather of London')  # 标题
plt.show()

# 存储为图片
df.plot(kind='pie', y='Rain', legend=False, figsize=(10, 5), title='Pie of Weather inLondon')
plt.savefig('pie.png')
plt.show()

"""
 df.plot更多参数
    df.plot(x, y, kind, figsize, title, grid, legend, style)
    - x 只有dataframe对象时，x可用。横坐标
    - y 同上，纵坐标变量
    - kind 可视化图的种类，如line,hist, bar, barh, pie, kde, scatter
    - figsize 画布尺寸
    - title 标题
    - grid 是否显示格子线条
    - legend  是否显示图例
    - style 图的风格
"""

# 查看plot参数可以使用help
# help(pd.DataFrame.plot)