下载文档原格式
Python数据可视化库Matplotlib的使用随着数据的不断增加和呈现方式的多样化，数据可视化变得越来越重要。
当我们处理大量数据时，可视化图表是一个非常好的选择，它们可以帮助我们更好地理解和分析数据。
Matplotlib是一个广泛使用的Python数据可视化库，它可以用来创建各种图表，比如线图、散点图、柱状图等。
本文将介绍Matplotlib的基本知识，包括安装、常用函数和创建不同类型的图表等。
一、Matplotlib的安装Matplotlib需要安装在Python环境中才能使用。
安装Matplotlib的方法有很多，最简单的方法是使用pip命令。
在命令行中输入以下命令：pip install matplotlib当然，Matplotlib也可以通过Anaconda等Python发行版来安装。
二、Matplotlib的基本知识Matplotlib提供了丰富的接口来创建图表，支持各种类型的图表。
在使用Matplotlib之前，我们需要了解Matplotlib的核心对象：Figure、Axes和Axis。
Figure是最上层的容器，代表整个图形窗口。
在Matplotlib中，我们可以在Figure上添加一个或多个Axes来绘制图表。
Axes是绘图区域，它是Figure的一个子类。
在Axes内可以添加坐标轴（Axis）、文字（Text）、网格（Grid）和数据（Data）等。
Axis是数据的基本轴。
在Matplotlib中，我们可以创建一个或多个Axis对象，以及为每个Axis对象设置其属性和样式。
三、Matplotlib的基本用法1.绘制曲线图在Matplotlib中，我们可以使用plot()函数来绘制曲线图。
plot()函数的参数包括x轴和y轴的数据，以及设置曲线的样式和颜色等。
例如，我们可以使用以下代码来绘制一个简单的曲线图：import matplotlib.pyplot as pltx = np.linspace(-np.pi, np.pi, 256, endpoint=True)y = np.sin(x)plt.plot(x, y)plt.show()在这个例子中，我们使用numpy库中的linspace()函数生成一个区间内的等差数列，并使用numpy库中的sin()函数生成对应的sin曲线。
使用Python进行数据可视化的基本技术数据可视化是数据分析和数据处理的重要环节。
通过将数据转化为易于理解的图形和图表，数据可视化可以帮助人们更好地理解数据，从而做出更明智的决策。
Python是一种非常流行的编程语言，不仅广泛用于数据科学和机器学习，而且也被广泛用于数据可视化。
本文将介绍如何使用Python进行数据可视化的基本技术。
1. MatplotlibMatplotlib是Python中最流行的数据可视化库之一。
该库提供了丰富的绘图工具，使用户可以创建各种图表。
Matplotlib中的最基本的图表是线图和散点图。
我们可以通过Matplotlib的plot（）函数来创建这些图形，如下所示：```import matplotlib.pyplot as pltx = [1, 2, 3, 4, 5, 6]y = [2, 4, 6, 8, 10, 12]plt.plot(x, y)```这个简单的代码段将创建一个带有线条的图形，其中x轴和y 轴分别是x和y值。
Matplotlib还提供了许多其他绘图类型，包括柱状图、饼图和热图等。
2. SeabornSeaborn是一个基于Matplotlib的Python可视化库，用于创建漂亮的、复杂的统计图形。
Seaborn的优势是它提供了很多预定义的数据可视化模板，使用户不用自己编写代码也能创建漂亮的图形。
我们可以使用Seaborn创建散点图、折线图、箱线图等图表。
下面是一个使用Seaborn创建散点图的示例：```import seaborn as snsimport pandas as pdiris = sns.load_dataset("iris")sns.scatterplot(x="sepal_length", y="petal_length", data=iris)```这段代码将从Seaborn的数据集加载鸢尾花数据，并创建一个散点图，其中x轴是萼片长度，y轴是花瓣长度。
Pythonmatplotlib绘图可视化知识点整理（⼩结）⽆论你⼯作在什么项⽬上，IPython都是值得推荐的。
利⽤ipython --pylab，可以进⼊PyLab模式，已经导⼊了matplotlib库与相关软件包（例如Numpy和Scipy)，额可以直接使⽤相关库的功能。
本⽂作为学习过程中对matplotlib⼀些常⽤知识点的整理，⽅便查找。
这样IPython配置为使⽤你所指定的matplotlib GUI后端（TK/wxPython/PyQt/Mac OS X native/GTK)。
对于⼤部分⽤户⽽⾔，默认的后端就已经够⽤了。
Pylab模式还会向IPython引⼊⼀⼤堆模块和函数以提供⼀种更接近MATLAB的界⾯。
import matplotlib.pyplot as pltlabels='frogs','hogs','dogs','logs'sizes=15,20,45,10colors='yellowgreen','gold','lightskyblue','lightcoral'explode=0,0.1,0,0plt.pie(sizes,explode=explode,labels=labels,colors=colors,autopct='%1.1f%%',shadow=True,startangle=50)plt.axis('equal')plt.show()matplotlib图标正常显⽰中⽂为了在图表中能够显⽰中⽂和负号等，需要下⾯⼀段设置：import matplotlib.pyplot as pltplt.rcParams['font.sas-serig']=['SimHei'] #⽤来正常显⽰中⽂标签plt.rcParams['axes.unicode_minus']=False #⽤来正常显⽰负号matplotlib inline和pylab inline可以使⽤ipython --pylab打开ipython命名窗⼝。
Python数据分析与可视化实战Python是当前最热门的编程语言之一，其出色的可读性和易学性让它成为很多程序员的首选。
越来越多的企业和组织也开始采用Python，应用于数据科学的多个领域。
本文将介绍Python数据分析的基本理论和实用技能，并借助实战案例来展示如何运用Python进行数据分析和可视化。
一、Python数据分析的基本理论1. 数据分析的基本流程数据分析的基本流程由数据收集、数据清洗、数据转换、数据建模和数据可视化五个环节组成。
首先，数据分析人员需要收集大量的数据，这些数据可以来自于公共数据库、自身采集和第三方数据提供商等渠道。
然后，对收集到的数据进行清洗，删除错误数据和过期数据，确保数据的准确性和完整性。
接着，需要对数据进行转换和处理，将数据整理成可用的结构形式，以便下一步的建模。
在数据建模中，可以利用Python中的数据分析库对数据进行建模和预测。
最后，通过数据可视化的方式，将分析结果以直观的形式展示出来，以便更好地理解和应用分析结果。
2. Python数据分析的基本环境Python数据分析涉及多个工具和库，如Python编程语言、NumPy、Pandas、Matplotlib、Scikit-Learn和Jupyter Notebook等。
其中，Python编程语言是数据分析的核心，NumPy和Pandas库用于数据处理和转换，Matplotlib库用于数据可视化和统计分析结果的图表制作，Scikit-Learn库则提供了多个常用的数据建模算法。
Jupyter Notebook是一个开源的Web应用程序，可以创建和共享可交互的文档、代码和数据分析结果。
二、Python数据分析实用技能1. 数据清洗和转换数据清洗和转换是数据分析的第一步，也是最重要的步骤之一。
在数据清洗时，需要识别和删除数据中存在的错误、重复、未定义的值和空白行等问题。
在数据转换时，需要将数据整理成可用的结构形式，以便下一步的数据建模。
Python数据可视化教程之Matplotlib实现各种图表实例前⾔数据分析就是将数据以各种图表的形式展现给领导，供领导做决策⽤，因此熟练掌握饼图、柱状图、线图等图表制作是⼀个数据分析师必备的技能。
Python有两个⽐较出⾊的图表制作框架，分别是Matplotlib和Pyechart。
本⽂主要讲述使⽤Matplotlib制作各种数据图表。
Matplotlib是最流⾏的⽤于绘制2D数据图表的Python库，能够在各种平台上使⽤，可以绘制散点图、柱状图、饼图等。
1、柱状图是⼀种以长⽅形或长⽅体的⾼度为变量的表达图形的统计报告图，由⼀系列⾼度不等的纵向条纹表⽰数据分布的情况，⽤来⽐较两个或以上的价值（不同时间或者不同条件），只有⼀个变量，通常利⽤于较⼩的数据集分析。
柱状图可以⽤来⽐较数据之间的多少，可以⽤来观察某⼀事件的变化趋势，柱状图亦可横向排列，或⽤多维⽅式表达。
实现代码：# 导⼊绘图模块import matplotlib.pyplot as plt# 构建数据sales = [7125,12753,13143,8635]# 中⽂乱码的处理，rcParams也可以⽤于设置图的分辨率，⼤⼩等信息plt.rcParams['font.sans-serif'] =['SimHei']plt.rcParams['axes.unicode_minus'] = False# 绘图,第⼀个参数是x轴的数据，第⼆个参数是y轴的数据，第三个参数是柱⼦的⼤⼩，默认值是1（值在0到1之间），color是柱⼦的颜⾊，alpha是柱⼦的透明度plt.bar(range(4), sales, 0.4,color='r', alpha = 0.8)# 添加轴标签plt.ylabel('销量')# 添加标题plt.title('⽔果2018年度销量')# 添加刻度标签plt.xticks(range(4),['苹果','⾹蕉','梨','猕猴桃'])# 设置Y轴的刻度范围plt.ylim([5000,15000])# 为每个条形图添加数值标签for x,y in enumerate(sales):plt.text(x,y+100,'%s' %y,ha='center')# 显⽰图形plt.show()效果图：只需绘制柱状图的函数bar()改成barh()就可以将柱状图长⽅形或长⽅体从垂直⽅向变为⽔平⽅向。
matplotlib用法Matplotlib 是一个 Python 的绘图库，广泛应用于数据可视化。
它可以用于创建各种类型的图表，包括线图、散点图、柱状图、饼图、直方图等。
Matplotlib的使用非常灵活，可以满足各种绘图需求。
1. 安装Matplotlib：在使用Matplotlib之前，需要先安装这个库。
可以通过以下命令在终端中安装最新版本的Matplotlib：```pip install matplotlib```2. 导入Matplotlib：在开始使用Matplotlib之前，需要先导入这个库。
一般将其导入为`plt`：```import matplotlib.pyplot as plt```3.创建图像：在Matplotlib中，图像作为一个整体存在，可以在图像上绘制不同种类的图表。
使用`plt.figure(`函数可以创建一个图像对象：```fig = plt.figure```4.创建子图：在图像上可以创建多个子图，用于绘制不同类型的图表。
使用`fig.add_subplot(`函数可以创建一个子图：```ax = fig.add_subplot(nrows, ncols, index)````nrows`表示子图的行数，`ncols`表示子图的列数，`index`表示子图的索引。
5.绘制线图：绘制线图可以使用`plt.plot(`函数。
可以传入x和y坐标的列表，也可以只传入一个参数（此时默认使用索引作为x坐标）：```x=[1,2,3,4,5]y=[2,4,6,8,10]plt.plot(x, y)plt.show```6.绘制散点图：散点图可以使用`plt.scatter(`函数绘制。
通过传入x和y坐标的列表，可以将数据点绘制在图上：```x=[1,2,3,4,5]y=[2,4,6,8,10]plt.scatter(x, y)plt.show```7.绘制柱状图：柱状图可以使用`plt.bar(`函数绘制。
附录A 教学大纲课程名称：Python数据分析与机器学习适用专业：计算机科学与技术、智能科学与技术相关专业先修课程：高等数学、线性代数、概率论与数理统计、Python程序设计语言总学时：66学时授课学时：34学时实验（上机）学时：32学时一、课程简介本课程可作为计算机科学与技术、智能科学与技术相关专业的必修课，也可作为其它本科专业的选修课，或者其它专业低年级研究生的选修课。
数据分析与机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、算法复杂度理论等多门学科，研究如何从数据中获得信息，通过学习人类识别事物的基本规律，让“机器”能够自动进行模式识别的原理和方法。
本书包括两部分内容，第一部分重点介绍了与Python语言相关的数据分析内容，包括Numpy、Pandas、Matplotlib、Scipy、Seaborn和Sklearn等。
第二部分与Python语言相关的机器学习内容，包括数据预处理、特征工程、指标评价、K近邻算法、决策树、线性模型、朴素贝叶斯、支持向量机、Kmeans算法和文本分析示例。
二、课程内容及要求第1章 Python与数据分析（2学时）主要内容：1. python特点2. 数据分析流程3. 数据分析库4. Python编辑器基本要求：了解数据分析的基本概念；了解数据分析流程、数据分析库、python编辑器的安装和使用。
重点：数据分析流程、数据分析库、掌握Anaconda的安装、配置方法。
难点：数据分析流程、数据分析库、python编辑器。
第2章Numpy-数据分析基础工具（4学时）主要内容：1.ndarray对象2.创建ndarray对象3.数组变换4.索引和切片5.线性代数基本要求：掌握Numpy数值计算方法，主要包括数组和矩阵运算。
重点：掌握ndarray对象、创建数组变换、索引和切片、线性代数难点：掌握ndarray对象、创建数组变换、索引和切片、线性代数第3章Matplotlib-数据可视化工具（4学时）主要内容：1.绘图步骤2. 子图基本操作3.各类图4. 概率分布基本要求：掌握Matplotlib数据可视化绘图基础，参数设置及常用绘图。
Python中的数据可视化技术Python是一种高级通用编程语言，它具有简单易学，可扩展性强、可移植性强等优点。
除了数据处理和分析外，它在数据可视化方面也表现出色。
这篇文章将会介绍Python中的数据可视化技术，具体内容包括以下几个方面。
一、MatplotlibMatplotlib是Python中最流行的数据可视化工具，它是一个功能强大而又灵活的绘图库，可以创建各种二维图形，如折线、散点、柱状图等。
色彩、线型、字体大小等都可以自定义，而且它可以集成到Python程序中，并且与NumPy、SciPy等科学计算库很好地协同。
以下是使用Matplotlib绘制line plot的示例代码：```pythonimport matplotlib.pyplot as pltimport numpy as np# 创建数据x = np.linspace(-5,5,100)# 计算函数值y = np.sin(x)# 绘制图形plt.plot(x, y)# 显示图形plt.show()```二、SeabornSeaborn是基于Matplotlib的数据可视化库，它提供了各种高级统计图表，如分布图、分类图、热力图等，同时还支持在Matplotlib图表中使用更好的颜色、标签和标度等。
它的界面更加友好，使用起来更加方便。
以下是使用Seaborn绘制heatmap的示例代码：```pythonimport numpy as npimport seaborn as sns# 创建数据data = np.random.randn(10, 15)# 绘制图形sns.heatmap(data, cmap="RdBu")# 显示图形plt.show()```三、PlotlyPlotly是一款交互式的数据可视化库，可以生成各种静态和动态的图表，并支持在线保存和分享。
它支持Python和其他编程语言，可以制作3D图表、动态散点图、地图等。
Matplotlib案例：分析股票价格趋势背景股票市场是一个复杂而波动的市场，投资者需要对股票价格的历史趋势进行分析，以便做出更明智的投资决策。
Matplotlib是一个强大的Python数据可视化库，可以用于绘制各种类型的图表，包括股票价格趋势图。
本案例将介绍如何使用Matplotlib分析股票价格趋势，以提供投资者更好的决策支持。
过程1. 数据获取和准备首先，我们需要获取股票价格数据，并对数据进行预处理。
假设我们选择分析某只股票在过去一年的价格趋势。
我们可以使用pandas库来获取和处理股票价格数据。
以下是获取数据的示例代码：import pandas as pd# 从CSV文件中读取股票价格数据data = pd.read_csv('stock_prices.csv')# 将日期列转换为日期时间格式data['Date'] = pd.to_datetime(data['Date'])# 设置日期列为数据的索引data.set_index('Date', inplace=True)2. 绘制折线图接下来，我们可以使用Matplotlib绘制股票价格的折线图，以直观地展示价格的趋势。
以下是绘制折线图的示例代码：import matplotlib.pyplot as plt# 创建一个新的图形plt.figure(figsize=(10, 6))# 绘制股票价格的折线图plt.plot(data.index, data['Close'], label='Close')# 添加图例和标签plt.legend()plt.xlabel('Date')plt.ylabel('Price')# 显示图形plt.show()该代码将绘制股票价格的折线图，横轴表示日期，纵轴表示价格。
Python中的matplotlib库是一个功能强大的数据可视化工具，可以帮助用户创建各种类型的图表和图形。
在使用matplotlib库时，一些常用的函数可以帮助用户更高效地实现数据可视化的目标。
本文将介绍一些常用的matplotlib函数，帮助读者更好地掌握数据可视化技巧。
1. plt.plot()plt.plot()函数是matplotlib中最常用的函数之一，用于绘制折线图。
该函数可以接受多个参数，包括x轴数据，y轴数据以及线条样式等。
我们可以使用plt.plot(x, y, color='r', linestyle='-', linewidth=2)来绘制一条红色实线并设置线宽为2的折线图。
这个函数非常灵活，可以满足各种折线图的需求。
2. plt.scatter()plt.scatter()函数用于绘制散点图，可以展示变量之间的关系以及离群点的分布情况。
该函数接受x轴数据和y轴数据作为参数，并可以指定点的颜色，大小和形状等样式。
使用plt.scatter(x, y, c='b', s=50, marker='o')可以绘制出蓝色的点，大小为50，并且形状为圆形的散点图。
3. plt.bar()plt.bar()函数用于绘制条形图，可以展示不同类别之间的数量或大小对比情况。
该函数接受x轴数据和y轴数据作为参数，并可以指定条形的宽度，颜色和透明度等样式。
使用plt.bar(x, y, width=0.5,color='g', alpha=0.5)可以绘制出绿色、宽度为0.5并且透明度为0.5的条形图。
4. plt.pie()plt.pie()函数用于绘制饼图，可以展示不同类别占比的情况。
该函数接受一个数据列表作为参数，并可以指定饼图的颜色，标签和旋转角度等样式。
使用plt.pie(data, colors=['r', 'g', 'b'], labels=['A', 'B', 'C'], startangle=90)可以绘制出红绿蓝三种颜色的饼图，并且指定起始角度为90度。
matplotlib数据可视化基础实验报告实验目的：掌握Matplotlib库在数据可视化方面的基础知识，能够使用Matplotlib绘制简单的数据图表。
实验原理：Matplotlib是一个数据可视化库，用于创建各种静态、动态、交互式的图表。
通过Matplotlib，我们可以将数据以可视化的方式展现出来，帮助我们更好地理解数据。
实验步骤：
1. 安装Matplotlib库：使用pip install Matplotlib命令安装Matplotlib库。
2. 导入Matplotlib库：在Python脚本中使用import matplotlib.pyplot as plt语句导入Matplotlib库。
3. 创建图表：使用plt.figure(函数创建一个图表对象。
4. 绘制图表：使用plt.plot(函数绘制图表，传入相应的数据和参数。
6. 显示图表：使用plt.show(函数显示图表。
实验结果：
下面是一个简单的实验结果，以绘制折线图为例：
```python
import matplotlib.pyplot as plt
#创建一个图表对象
plt.figure。
#输入数据
某=[1,2,3,4,5]
y=[1,4,9,16,25]
#绘制折线图
plt.plot(某, y)
plt.title("Square Numbers") plt.某label("某")
plt.ylabel("y")
#显示图表
plt.show。
```。
一、课程概况课程名称：Python数据分析、挖掘与可视化课程编号：课程性质：限制性选修考核方式：考查建议学时：48+16前导课程：线性代数、高等数学适用专业：计算机科学与技术、数据科学、统计、金融、管理等理工科和商科专业二、教学目的和要求通过本课程的学习，使得学生能够理解Python的编程模式，熟练运用Python 内置函数与运算符、列表、元组、字典、集合等基本数据类型以及相关列表推导式、切片、序列解包等语法来解决实际问题，熟练掌握Python分支结构、循环结构、函数设计以及类的设计与使用，掌握numpy数组运算和矩阵运算、pandas 基本数据结构以及数据分析与处理、机器学习基本算法原理以及sklearn实现、matplotlib数据可视化与科学计算可视化。
能够根据问题性质和特点选择合适的机器学习算法，能够根据数据特点选择合适的可视化方式。
三、教学内容以及重点、难点第1章 Python开发环境搭建与编码规范1.1 Python开发环境搭建与使用教学内容：在Python官方网站下载安装包并安装，下载并安装Anaconda3，IDLE、Jupyter Notebook、Spyder简单使用，使用pip和conda命令安装扩展库。
重点、难点：系统环境变量path的设置，安装扩展库。
1.2 Python编码规范教学内容：缩进对业务逻辑的影响，变量命名规则。
重点、难点：缩进的作用。
1.3 标准库、扩展库对象的导入与使用教学内容：导入标准库与扩展库对象的几种形式及其区别，导入标准库和扩展库的顺序。
重点、难点：导入标准库与扩展库对象的几种形式及其区别。
第2章数据类型、运算符与内置函数2.1 常用内置数据类型教学内容：整数、实数、复数、列表、元组、字典、集合、字符串等常用数据类型。
重点、难点：数字大小没有限制，实数计算会有误差，字典的键和集合中的元素不允许重复并且必须为不可变类型的数据，包含一个元素的元组必须有逗号。
matplotlib的中文书籍（原创版）目录1.Matplotlib 简介2.Matplotlib 的中文书籍推荐3.Matplotlib 的书籍资源及学习建议正文Matplotlib 是一个用于创建二维图形的 Python 库。
它可以生成各种图形，如折线图、散点图、柱状图等，并支持多种硬拷贝和跨平台的交互式环境。
Matplotlib 以其强大的功能和易于使用的接口而受到广泛欢迎，是数据可视化的重要工具之一。
对于想要学习 Matplotlib 的中文读者，有很多优秀的中文书籍可以参考。
以下是一些推荐的 Matplotlib 中文书籍：1.《Python 数据可视化：Matplotlib 实战》：该书详细介绍了 Matplotlib 的基本概念和常用功能，通过实例教授如何使用 Matplotlib 进行数据可视化。
书中包含大量的代码示例和图表，可以帮助读者深入理解 Matplotlib 的使用方法。
2.《Python 可视化编程：基于 Matplotlib 的图形与界面设计》：该书从Python 编程的角度出发，介绍了如何使用 Matplotlib 库进行数据可视化和界面设计。
书中包含了大量的实例和技巧，可以帮助读者快速掌握 Matplotlib 的高级功能。
除了上述书籍，还有许多其他的 Matplotlib 中文书籍资源可供选择。
读者可以根据自己的需求和水平选择适合自己的书籍进行学习。
对于学习 Matplotlib，除了阅读书籍，还有许多其他的资源可供利用。
例如，Matplotlib 官方网站提供了详细的文档和教程，可以帮助读者深入理解Matplotlib 的使用方法。
同时，一些在线课程和视频教程也是学习的好选择。
此外，通过参与 Matplotlib 的社区活动，可以与其他使用者交流经验和解决问题，提高自己的技能水平。
总的来说，Matplotlib 是一个强大的数据可视化工具，学习它可以帮助我们更好地理解和分析数据。
matplotlib总结与体会1. 引言Matplotlib是一个强大的数据可视化库，为我们提供了丰富的绘图功能，使得我们能够通过图表更好地理解数据的特征和关系。
在使用Matplotlib的过程中，我深刻体会到了它的灵活性、易用性和广泛的应用领域。
本文将就Matplotlib的安装与基本用法、常用图表绘制、图表美化以及Matplotlib在数据分析中的应用等几个方面进行总结与体会。
2. Matplotlib的安装与基本用法安装Matplotlib十分简单，只需要使用pip命令即可完成安装。
安装完成后，我们可以通过import语句导入Matplotlib模块，并使用它的各种函数和方法进行图表的绘制。
Matplotlib的基本用法包括创建图表对象、绘制图形、设置图表属性和显示图表等。
通过这些基本用法，我们可以实现简单的数据可视化。
3. 常用图表绘制Matplotlib提供了丰富的图表绘制方法，包括折线图、柱状图、散点图、饼图等。
这些图表都有各自的特点和适用场景。
折线图适用于展示数据的趋势和变化规律，柱状图适用于比较不同数据之间的差异，散点图适用于展现变量之间的相关关系，饼图适用于展示数据的占比情况等。
在实际应用中，我们可以根据需要选择合适的图表进行绘制，以更好地展示数据的特征。
3.1 折线图折线图是Matplotlib中最常用的一种图表类型，可以用于展示数据的趋势和变化。
折线图的绘制只需要提供对应的横轴数据和纵轴数据，Matplotlib会自动将数据连接起来，形成一条折线。
通过设置折线的颜色、线型和标签等属性，我们可以对折线图进行定制化。
3.2 柱状图柱状图是用于比较不同类别或不同组的数据之间差异的图表类型。
柱状图的绘制需要提供对应类别或组的名称和数据，Matplotlib会根据数据的大小自动绘制柱状图。
通过调整柱子的宽度、颜色和排列方式等属性，我们可以使柱状图更加清晰地展示数据之间的差异。
3.3 散点图散点图用于展示两个变量之间的关系，可以通过散点的分布规律来判断变量之间是否存在相关性。
Python实操：手把手教你用Matplotlib把数据画出来导读：获取数据之后，而不知道如何查看数据，用途还是有限的。
幸好，我们有Matplotlib！Matplotlib 是基于 NumPy 数组构建的多平台数据可视化库。
它是John Hunter 在2002年构想的，原本的设计是给 IPython 打补丁，让命令行中也可以有交互式的 MATLAB 风格的画图工具。
在近些年，已经出现了更新更好的工具最终替代了Matplotlib （比如 R 语言中的ggplot和ggvis），但 Matplotlib 依旧是一个经过良好测试的、跨平台的图形引擎。
作者：迈克尔·贝耶勒（Michael Beyeler）如需转载请联系大数据（ID：hzdashuju）01 引入 Matplotlib如果已安装Anaconda Python版本，就已经安装好了可以使用的Matplotlib。
否则，可能要访问官网并从中获取安装说明：正如使用np作为 NumPy 的缩写，我们将使用一些标准的缩写来表示 Matplotlib 的引入：In [1]: import matplotlib as mplIn [2]: import matplotlib.pyplot as plt在本书中，plt接口会被频繁使用。
02 生成一个简单的绘图让我们创建第一个绘图。
假设想要画出正弦函数sin(x)的线性图。
得到函数在x坐标轴上0≤x＜10内所有点的值。
我们将使用 NumPy 中的 linspace 函数来在x坐标轴上创建一个从0到10的线性空间，以及100个采样点：In [3]: import numpy as npIn [4]: x = np.linspace(0, 10, 100)可以使用NumPy 中的sin函数得到所有x点的值，并通过调用plt中的plot函数把结果画出来：In [5]: plt.plot(x, np.sin(x))你亲自尝试了吗？发生了什么吗？有没有什么东西出现？实际情况是，取决于你在哪里运行脚本，可能无法看到任何东西。
