([,
  ,
  ,
  ,
  ],
 [Text(1.075962358309037, 0.22870287165240302, ‘销售1部‘),
  Text(0.5499999702695115, 0.9526279613277875, ‘销售2部‘),
  Text(-0.5500000594609755, 0.9526279098330699, ‘销售3部‘),
  Text(-1.004899951743044, -0.44741042342219545, ‘技术1部‘),
  Text(0.8698699721849806, -0.9660881075196512, ‘技术2部‘)])

散点图 / 气泡图

散点图适合于用来显示与比较数据的分布状态。

• marker 点的标记。
• s 点的大小。
• color 点的颜色。

说明：

• color与s参数可以统一设置，也可以为每一个点单独设置。

# 散点图/气泡图适合于表示数据的分布情况。
# 散点图用来表示两个维度的数据，如果数据维度超过2维，我们可以使用气泡图表示。【增加气泡的大小，颜色，多表示两个维度】

plt.scatter(np.random.randint(0, 100, 100), np.random.randint(0, 100, 100), marker="o", s = 30, c="g")
# plt.scatter([1, 5, 8], [8,2, 6], s=[30, 100, 60], c=["r", "g", "b"])

直方图

直方图（histogram）可以看成是一种特殊的柱形图，用来将连续的数据频率（数量）进行离散化显示。在直方图中，数据被分割成若干区间，然后统计每个区间数据出现的频率（数量）。
我们可以通过plt.hist来绘制直方图。

• bins：设置分割区间的数量。
• normed：进行归一化显示。（概率密度)

• # 直方图适用于将连续型变量（多离散型）切分成离散型表示。
  
  
  # x = np.random.randint(0, 101, 200)
  # 默认情况下，直方图会划分成10等分区间。
  # 区间的划分原则：左闭右开原则。（包含起始点，不包含终止点。）例外：最后一个区间，双闭区间。（包含起始点，也包含终止点。）
  # plt.hist(x)
  # 如果需要自定义区间数量（等分数量：桶的数量），我们可以通过bins进行控制。
  # plt.hist(x, bins=5)
  # bins参数，除了指定一个标量（区间桶的数量）之外，我们也可以传递一个数组。数组指定我们自定义划分的界限。
  # plt.hist(x, bins=[0, 10, 50, 100])
  
  # 正态分布
  x = np.random.randn(200)
  plt.hist(x, bins=8)

  (array([ 6., 14., 17., 48., 51., 36., 19.,  9.]),
   array([-2.89321226, -2.25176974, -1.61032721, -0.96888469, -0.32744217,
           0.31400035,  0.95544287,  1.5968854 ,  2.23832792]),
   )

   

  

   

   

  箱线图
  

  箱线图也称盒须图。通过极值与Q1,Q2,Q3值来描述数据。

  通过箱线图，我们可以发现数据中的离群（异常）值。 箱线图的离群点定义为：Q3+1.5IQR和Q1－1.5IQR。其中IQR为两个四分位之间的距离。

  # 使用箱线图能够方便我们进行离群点的检测。（发现可能的异常值。）
  
  a = [2, 3, 5, 1, 4, 2, 6]
  # df = pd.DataFrame(a)
  # display(df)
  # df.describe()
  plt.boxplot([2, 3, 5, 1, 4, 2, 9])

  {‘whiskers‘: [,
    ],
   ‘caps‘: [,
    ],
   ‘boxes‘: [],
   ‘medians‘: [],
   ‘fliers‘: [],
   ‘means‘: []}

   

  

   

   

  Series与DataFrame图形绘制

  Series与DataFrame类型的对象也支持图形绘制，使用对象的plot方法即可。
  如果我们需要绘制图形的数据就存在Series或者DataFrame对象中，我们就可以直接绘制，而无需使用plt.plot。

   

  其他类型图形

  plot默认绘制的是线形图，我们可以通过调整其kind参数的值来绘制其他类型的图形。

  • line：线形图
  • bar：柱形图
  • barh：条形图
  • hist：直方图
  • kde / density：核密度图
  • pie：饼图
  • box：箱线图
  • area：面积图

  参数：

  • color
  • alpha
  • stacked：是否堆叠。

  说明： plot(kind="类型")也可以通过plot."类型"来进行绘制。

   

  # s = pd.Series([1, 3, 8, 10, 12])
  # s.plot(kind="line", marker="o", color="g")
  # s.plot.line()
  # s.plot(kind="bar")
  # s.plot(kind="barh")
  # s.plot.barh()
  # s.plot(kind="hist")
  # s.plot(kind="kde")
  # s.plot(kind="density")
  # s.plot(kind="pie")
  # s.plot(kind="box")
  # s.plot(kind="area", alpha=0.5)
  df = pd.DataFrame({"A":[10, 5, 8, 7], "B":[12, 11, 3, 6]})
  display(df)
  # df.plot(kind="line")
  # 进行堆叠
  # df.plot(kind="bar", stacked=True)
  # df.plot(kind="barh", stacked=True)
  # df.plot(kind="hist")
  # df.plot(kind="kde")
  # DataFrame在绘制饼图的时候，需要指定y或subplots=True。
  # y指定列索引。（要绘制哪一个列）
  # df.plot(kind="pie", y="B")
  # 如果DataFrame中的每个列都需要绘制饼图，可以使用subplots=True，这样，就可以将每个列在各自的子绘图区域中绘制饼图。
  # df.plot(kind="pie", subplots=True)
  # 每个列绘制一个箱线图。
  # df.plot(kind="box")
  df.plot(kind="area")