Python绘图总结(Matplotlib篇)

官方教程：https://matplotlib.org/gallery/index.html
大鹏教程：https://www.kesci.com/home/project/5cf7a5a8e727f8002c1925c8

fig, axes = plt.subplots(23)：即表示一次性在figure上创建成2*3的网格，使用plt.subplot()只能一个一个的添加.
官方帮助文档：https://matplotlib.org/api/_as_gen/matplotlib.pyplot.subplots.html
python使用matplotlib:subplot绘制多个子图https://blog.csdn.net/gatieme/article/details/61416645

1.1基础知识篇

Python常见的可视化图表分类如下：

（1） 用于比较的图标类型：“基于类别”、“基于时间”；
基于类别：
 不等宽的柱形图（两个变量：高度/宽度）
 矩阵图表、条形图、柱状图（一个变量：高度）
基于时间：
 雷达图、折线图、柱状图（多周期/少周期）
（2） 用于分布的图表类型：“单个变量”、“多个变量”
单个变量：
 直方图、密度图、箱型图
多个变量：
 散点图、多维密度图
（3） 用于构成的图表类型：“静态”、“基于时间”
静态：
 饼图、瀑布图、堆积图
基于时间：
 堆积图、面积图（相对差异/绝对差异）
（4） 用于关系的图表类型：“2个变量”，“多个变量”
2个变量：散点图
多个变量：气泡图
主类 次类 用途
折线图 折线图 用于反映和时间相关的数据变化（趋势）
面积图 用于反映主次之间的基于时间的对比
柱状图 柱状图 分类项目的数量比较，也可能反映趋势
分类项目的数量比较

1.2代码篇
1.2.1 Matplotlib模块的导入和基本配置：

import matplotlib.pyplot as plt    #导入matplotlib模块
from matplotlib.font_manager import *  #解决中文显示问题
%matplotlib notebook    #使用该魔法，不用写plt.show()，以及可以边写边运行
plt.rcParams['font.sans-serif']=['SimHei']          #用于正常显示中文标签
plt.rcParams['axes.unicode_minus']=False            #用于正常显示负号

1.2.2 基本绘图命令：
常见的python绘图包括画布的设置、标题、颜色及样式
#一般字体统一用一个字典来控制
font={‘family’:‘Times New Roman’,
‘style’:‘italic’,
‘weight’:‘normal’,
‘size’: 30,
‘color’:‘White’
}
1.2.2.1绘制柱状图
ax=df.plot(kind=‘bar’) #绘制柱状图
图表格式的设置

绘图背景网格设置

ax.grid(True, linestyle=’-.’)

坐标轴颜色、标题大小的设置

ax.tick_params(axis=‘both’,labelcolor=‘r’, labelsize=‘medium’, width=3)

ax.tick_params(axis=‘x’,labelcolor=‘gold’, labelsize=‘medium’, width=3)
ax.tick_params(axis=‘y’,labelcolor=‘r’, labelsize=‘medium’, width=2)

X，Y轴标签名称、字体颜色、样式的设置

plt.xlabel(‘Items’,font)
plt.ylabel(‘Price’,font)
plt.title(‘Most ordered Chipotle’s Items’,font)
#show the plot
plt.show()

画图中图名、图例、轴标签、轴边界、轴刻度的设置

matplotlib相关设置

df = pd.DataFrame(np.random.rand(10,2), columns = ['A','B'])
fig = df.plot(figsize = (10,6))  #创建图表对象，并复制给fig
plt.figure(figsize=(8, 4)) # 创建了一个绘图对象，图片尺寸长8英寸，宽4英寸，dpi可以指定每英寸多少像素，默认80. 
plt.title('标题',fontproperties=myfont)
plt.xlabel('x轴坐标',fontproperties=myfont)
plt.ylabel('y轴坐标',fontproperties=myfont)
plt.legend(loc = 'upper right')  #设置图例放置的位置（upper right：右上角，upper left：左上角，lower left：左下角，lower right：右下角，此外还包括：right、center left、center right、lower center、upper center、center）
plt.xlim([0,12])  # x轴边界
plt.ylim([0,1.5])  # y轴边界
plt.xticks(range(12))  # 设置x刻度
plt.yticks([0,0.2,0.4,0.6,0.8,1.0,1.2])  # 设置y刻度
fig.set_xticklabels("%.1f" %i for i in range(12))    # x轴刻度标签
fig.set_yticklabels("%.1f" %i for i in [0,0.2,0.4,0.6,0.8,1.0,1.2])  # y轴刻度标签
plt.grid(True,linestyle = "--",color = 'gray' ,linewidth = '0.5',axis='both')   # 显示网格（linestyle : 线型，color：颜色，linewidth ：线宽，axis = x,y,both,显示x/y/两者的格网）
plt.tick_params(bottom = 'on',top = 'off',left = 'on',right = 'off')  # 刻度显示（刻度分为上下左右四个地方，on为显示刻度，off不显示刻度）
plt.axis('off')  #关闭坐标轴
plt.savefig(name) 和 plt.show() # 保存、显示创建的所有绘图对象

Seaborn 相关设置

ax.set_xlabel("产品分类")

matplotlib下手动修改横坐标和纵坐标上的刻度(ticks)

在用matplotlib画二维图像时，如果默认的X轴、Y轴显示的刻度值达不到自己的需求，需要借助xticks()和yticks()分别对横坐标x-axis和纵坐标y-axis进行设置。
xticks()中有3个参数：
语法格式：

xticks(locs, [labels], **kwargs)  # Set locations and labels

参数说明：
locs参数——数组参数(array_like, optional)，表示x-axis的刻度线显示标注的地方，即ticks放置的地方，上述例子中，如果希望显示1到12所有的整数，就可以将locs参数设置为range(1,13,1)；
[labels]参数——也是数组参数(array_like, optional)，可以不添加该参数，表示在locs数组表示的位置添加的标签，labels不赋值，在这些位置添加的数值即为locs数组中的数。
应用实例：

plt.xticks(range(0,400,15),fontsize=20,rotation=45)  # X轴范围0-400，刻度间隔为15，标签旋转45°
plt.xticks(np.linspace(-10,400,20),fontsize=15)   # X轴范围-10-400，显示20项刻度，标签字体大小为15

参考链接：
https://blog.csdn.net/Poul_henry/article/details/82590392
https://www.cnblogs.com/xiaoliyustyle/p/9588715.html

matplotlib画图，x轴标签旋转

matplotlib画条形图的时候，x坐标轴标签默认是垂直的。
调整x轴标签，从垂直变成水平或者任何你想要的角度，只需要改变rotation的数值。

for tick in ax1.get_xticklabels(): 
	tick.set_rotation(360)

或者

import pylab as pl
pl.xticks(rotation=360)

或者
通过调用plt.setp函数配置多个Line2D对象的颜色和属性。

cp_nj=sf_df_fahuo[['产品分类','年龄分级','订单编号']].groupby(['产品分类','年龄分级'],as_index=False).count()
f,ax=plt.subplots(1,1,figsize=(30,15))  #设置图幅的大小和数量
# for label in ax.xaxis.get_ticklabels():   #此种方法旋转后标签与刻度对不齐
#     label.set_rotation(45)
#     label.set_fontsize(30)
#     ax.grid(True,linestyle='-')
sns.barplot(x='产品分类', y='订单编号', hue="年龄分级",data=cp_nj,ci=0)  #绘制条形图
plt.legend(loc = 'upper right')  #设置图例放置的位置为右上角
plt.setp(ax.get_xticklabels(), rotation=45, ha="right",
         rotation_mode="anchor")   # 旋转刻度标签并设置其对齐方式。
#或者
plt.setp([tick.label1 for tick in ax.xaxis.get_major_ticks()], rotation=45,
         ha="right", va="center", rotation_mode="anchor")   #  旋转刻度标签并设置其对齐方式
#ha有三个选择：right,center,left,va有四个选择：'top', 'bottom', 'center', 'baseline'，ha有三个选择：right,center,left,va有四个选择：'top', 'bottom', 'center', 'baseline'
# tick.label1 表示第一个图的label设置，若改为tick.label2则会报错。
# [x.get_text() for x in axis.get_ticklabels()]# 获得主刻度的文本字符串
# axis刻度包括主刻度和副刻度，分别通过get_major_ticks()和get_minor_ticks()方法获得。每个刻度线都是一 个XTick或YTick对象，它包括实际的刻度线和刻度标签。

plt.setp函数的用法：通过调用plt.setp函数配置多个Line2D对象的颜色和属性。
语法：matplotlib.pyplot.setp(obj, *args, **kwargs)[source]
实用典例：

plt.setp(ax.get_xticklabels(), rotation=45)    #X轴坐标旋转45°，标签与刻度不对齐
plt.setp([tick.label1 for tick in ax.xaxis.get_major_ticks()], rotation=45, ha="right", va="center", rotation_mode="anchor")  #X轴坐标旋转45°，标签与刻度对齐

实例：

# 例1
import matplotlib.pyplot as plt
line,=plt.plot([1,2,3])  #
plt.setp(line,linestyle='--')  # 设置线型为“虚线”
# plt.setp(line,"linestyle")  #如果要了解有效的参数类型，可以提供要设置的属性的名称而不使用值：
>>>
linestyle: {'-', '--', '-.', ':', '', (offset, on-off-seq), ...}

setp（）在单个实例或可迭代的实例上运行。 如果您处于查询模式内省可能的值，则仅使用序列中的第一个实例。 实际设置值时，将设置所有实例。 例如，假设您有两行的列表，以下将使两行变粗和变红：

# 例2
import matplotlib.pyplot as plt
import numpy as np
x=np.arange(0,1.0,0.01)
y1=np.sin(2*np.pi*x)
y2=np.sin(4*np.pi*x)
lines=plt.plot(x,y1,x,y2)
plt.setp(lines,linewidth=2,color='r')  # setp函数，设置线型粗细和颜色

Matplotlib画图的参考链接：
https://blog.csdn.net/pipisorry/article/details/37742423
https://www.douban.com/note/567787081/
https://matplotlib.org/api/_as_gen/matplotlib.pyplot.setp.html

python画heatmap图，x轴标签旋转

利用matplo或seaborn绘制热力图 correlation heatmap X,Y 坐标轴字体重叠显示问题,将字体进行旋转，此时可以使用plt.xticks(rotation=45)进行X轴标签的旋转。

Correlation=sf_df_last[['激活与否','性别','年龄分级','号码归属省','产品分类','交易周期']]

colormap = plt.cm.viridis
plt.figure(figsize=(20,20))
plt.title('Pearson Correlation of Features', y=1.05, size=20)
sns.heatmap(Correlation.astype(float).corr(),linewidths=0.1,vmax=1.0,
            square=True, cmap=colormap, linecolor='white', annot=True)
plt.xticks(rotation=45)    # 将字体进行旋转(seaborn和matplotlib模式下X轴旋转的方式不同)

按某一列聚合再排序，然后画条形图

#按“年龄分级”聚合，之后排序，最后在画条形图
nj_jh=sf_df_fahuo[['年龄分级','激活与否']].groupby(['年龄分级'],as_index=False).mean()
nj_jh.set_index('年龄分级',inplace=True)
print(nj_jh)   #查看数据
>>>
          激活与否
年龄分级	
不惑	       0.76
少年	       0.58
弱冠	       0.69
知命	       0.85
老年	       0.84
而立	       0.73
花甲	       0.91
#绘制条形图
nj_jh.sort_values("激活与否",ascending=False).plot.bar()
import pylab as pl
pl.xticks(rotation=45)    #matplotlib画图，x轴标签旋转45度
# nj_jh.label.set_rotation(45)
# nj_jh.set_title("年龄分级与激活与否的分布关系")

Matplotlib中指定图片大小和像素

plt.rcParams['figure.figsize'] = (8.0, 4.0) # 设置figure_size尺寸
plt.rcParams['image.interpolation'] = 'nearest' # 设置 interpolation style
plt.rcParams['image.cmap'] = 'gray' # 设置 颜色 style

#figsize(12.5, 4) # 设置 figsize
plt.rcParams['savefig.dpi'] = 300 #图片像素
plt.rcParams['figure.dpi'] = 300 #分辨率
# 默认的像素：[6.0,4.0]，分辨率为100，图片尺寸为 600&400
# 指定dpi=200，图片尺寸为 1200*800
# 指定dpi=300，图片尺寸为 1800*1200
# 设置figsize可以在不改变分辨率情况下改变比例

绘制直方图（hist）

首先要理清楚一个概念，直方图与条形图。
直方图与条形图的区别：

条形图是用条形的长度表示各类别频数的多少，其宽度（表示类别）则是固定的；
直方图是用面积表示各组频数的多少，矩形的高度表示每一组的频数或频率，宽度则表示各组的组距，因此其高度与宽度均有意义。
由于分组数据具有连续性，直方图的各矩形通常是连续排列，而条形图则是分开排列。
条形图主要用于展示分类数据，而直方图则主要用于展示数据型数据。
函数：

matplotlib.pyplot.hist(x,bins=None,range=None, density=None,   bottom=None, histtype='bar', align='mid', log=False, color=None, label=None, stacked=False, normed=None)

关键参数
x: 数据集，最终的直方图将对数据集进行统计
bins: 统计的区间分布
range: tuple, 显示的区间，测试发现添加range并没有达到想要的效果，即显示指定区间统计结果，如果有小伙伴知道，欢迎评论，谢谢
density: bool，默认为false，显示的是频数统计结果，为True则显示频率统计结果，这里需要注意，频率统计结果=区间数目/(总数*区间宽度)，和normed效果一致，官方推荐使用density
histtype: 可选{‘bar’, ‘barstacked’, ‘step’, ‘stepfilled’}之一，默认为bar，推荐使用默认配置，step使用的是梯状，stepfilled则会对梯状内部进行填充，效果与bar类似
align: 可选{‘left’, ‘mid’, ‘right’}之一，默认为’mid’，控制柱状图的水平分布，left或者right，会有部分空白区域，推荐使用默认
log: bool，默认False,即y坐标轴是否选择指数刻度
stacked: bool，默认为False，是否为堆积状图

import matplotlib.pyplot as plt
import numpy as np

x=np.random.randint(0,100,100)#生成【0-100】之间的100个数据,即 数据集
bins=np.arange(0,101,10)#设置连续的边界值，即直方图的分布区间[0,10],[10,20]...
#直方图会进行统计各个区间的数值
plt.hist(x,bins,color='fuchsia',alpha=0.5)#alpha设置透明度，0为完全透明

plt.xlabel('scores')
plt.ylabel('count')
plt.xlim(0,100)#设置x轴分布范围

plt.show()

用Python为直方图绘制拟合曲线的两种方法

直方图是用于展示数据的分组分布状态的一种图形，用矩形的宽度和高度表示频数分布，通过直方图，用户可以很直观的看出数据分布的形状、中心位置以及数据的离散程度等。
在python中一般采用matplotlib库的hist来绘制直方图，至于如何给直方图添加拟合曲线（密度函数曲线），一般来说有以下两种方法。
方法一：采用matplotlib中的mlab模块

mlab模块是Python中强大的3D作图工具，立体感效果极佳。在这里使用mlab可以跳出直方图二维平面图形的限制，在此基础上再添加一条曲线。在这里，我们以鸢尾花iris中的数据为例，来举例说明。

import numpy as np
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
import pandas
# Load dataset
url =
"https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['sepal-length', 'sepal-width','petal-length', 'petal-width', 'class']
dataset = pandas.read_csv(url, names=names)
print(dataset.head(10))
# descriptions
print(dataset.describe())
x = dataset.iloc[:,0] #提取第一列的sepal-length变量
mu =np.mean(x) #计算均值
sigma =np.std(x)
mu,sigma

以上为通过python导入鸢尾花iris数据，然后提取第一列的sepal-length变量为研究对象，计算出其均值、标准差，接下来就绘制带拟合曲线的直方图

num_bins = 30 #直方图柱子的数量

n, bins, patches = plt.hist(x, num_bins,normed=1, facecolor='blue', alpha=0.5)
#直方图函数，x为x轴的值，normed=1表示为概率密度，即和为一，绿色方块，色深参数0.5.返回n个概率，直方块左边线的x值，及各个方块对象
y = mlab.normpdf(bins, mu, sigma)#拟合一条最佳正态分布曲线y 
plt.plot(bins, y, 'r--') #绘制y的曲线
plt.xlabel('sepal-length') #绘制x轴
plt.ylabel('Probability') #绘制y轴
plt.title(r'Histogram : $\mu=5.8433$,$\sigma=0.8253$')#中文标题 u'xxx' 

plt.subplots_adjust(left=0.15)#左边距 
plt.show() 

以上命令主要采用mlab.normpdf基于直方图的柱子数量、均值、方差来拟合曲线，然后再用plot画出来，这种方法的一个缺点就是画出的正态分布拟合曲线（红色虚线）并不一定能很好反映数据的分布情况。
方法二：采用seaborn库中的distplot绘制
Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib的补充，而不是替代物。

import seaborn as sns 
sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
sns.distplot(x,color="r",bins=30,kde=True)
plt.show()

在这里主要使用sns.distplot（增强版dist），柱子数量bins也设置为30，kde=True表示是否显示拟合曲线，如果为False则只出现直方图。
在这里注意一下它与前边mlab.normpdf方法不同的是，拟合曲线不是正态的，而是更好地拟合了数据的分布情况，如上图，因此比mlab.normpdf更为准确。
进一步设置sns.distplot，可以采用kde_kws（拟合曲线的设置）、hist_kws（直方柱子的设置），可以得到：

import seaborn as sns 
import matplotlib as mpl 
sns.set_palette("hls") 
mpl.rc("figure", figsize=(6,4)) 
sns.distplot(x,bins=30,kde_kws={"color":"seagreen", "lw":3 }, hist_kws={ "color": "b" }) #其中，lw为曲线粗细程度。
plt.show()

sns.set_palette("hls") #设置所有图的颜色，使用hls色彩空间
mpl.rc("figure", figsize=(30,10)) 
sns.distplot(jy_jh['交易周期'],color="r",bins=200,kde_kws={"color":"seagreen", "lw":5 },
             hist_kws=dict(edgecolor='k',color='b'))  #edgecolor设置柱子边界线，color设置柱子颜色
plt.xlabel('交易周期')
plt.ylabel('订单量')
plt.xlim(-10,400)#设置x轴分布范围

python详解pandas.DataFrame.plot( )画图函数

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None,figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None,
                xerr=None,secondary_y=False, sort_columns=False, **kwds)

参数详解如下：

Parameters:
x : label or position, default None#指数据框列的标签或位置参数

y : label or position, default None

kind : str

‘line’ : line plot (default)#折线图
‘bar’ : vertical bar plot#条形图
‘barh’ : horizontal bar plot#横向条形图
‘hist’ : histogram#柱状图
‘box’ : boxplot#箱线图
‘kde’ : Kernel Density Estimation plot#Kernel 的密度估计图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : area plot#不了解此图
‘pie’ : pie plot#饼图
‘scatter’ : scatter plot#散点图
‘hexbin’ : hexbin plot#不了解此图

ax : matplotlib axes object, default None#一个图片切成不同片段，子图对象

subplots : boolean, default False#判断图片中是否有子图

sharex : boolean, default True if ax is None else False#如果有子图，子图共x轴刻度，标签

sharey : boolean, default False#如果有子图，子图共y轴刻度，标签

layout : tuple (optional)#子图的行列布局
layout : tuple (optional)#子图的行列布局
(rows, columns) for the layout of subplots

figsize : a tuple (width, height) in inches#图片尺寸大小

use_index : boolean, default True#默认用索引做x轴
Use index as ticks for x axis

title : string#图片的标题用字符串
Title to use for the plot

grid : boolean, default None (matlab style default)#图片是否有网格
Axis grid lines

legend : False/True/’reverse’#子图的图例，添加一个subplot图例(默认为True)
Place legend on axis subplots

style : list or dict#对每列折线图设置线的类型
matplotlib line style per column

logx : boolean, default False #设置x轴刻度是否取对数
Use log scaling on x axis
logy : boolean, default False #设置x轴刻度是否取对数
Use log scaling on y axis

loglog : boolean, default False#同时设置x，y轴刻度是否取对数
Use log scaling on both x and y axes

xticks : sequence#设置x轴刻度值，序列形式（比如列表）
Values to use for the xticks

yticks : sequence#设置y轴刻度，序列形式（比如列表）
Values to use for the yticks

xlim : 2-tuple/list#设置坐标轴的范围，列表或元组形式
ylim : 2-tuple/list

rot : int, default None#设置轴标签（轴刻度）的显示旋转度数
Rotation for ticks (xticks for vertical, yticks for horizontal plots)

fontsize : int, default None#设置轴刻度的字体大小
Font size for xticks and yticks

colormap : str or matplotlib colormap object, default None#设置图的区域颜色
Colormap to select colors from. If string, load colormap with that name from matplotlib.

colorbar : boolean, optional #图片柱子
If True, plot colorbar (only relevant for ‘scatter’ and ‘hexbin’ plots)

position : float
Specify relative alignments for bar plot layout. From 0 (left/bottom-end) to 1 (right/top-end). Default is 0.5 (center)

layout : tuple (optional) #布局
(rows, columns) for the layout of the plot

table : boolean, Series or DataFrame, default False #如果为正，则选择DataFrame类型的数据并且转换匹配matplotlib的布局。
If True, draw a table using the data in the DataFrame and the data will be transposed to meet matplotlib’s default layout. If a Series or DataFrame is passed, use passed data to draw a table.

yerr : DataFrame, Series, array-like, dict and str
See Plotting with Error Bars for detail.

xerr : same types as yerr.

stacked : boolean, default False in line and
bar plots, and True in area plot. If True, create stacked plot.

sort_columns : boolean, default False # 以字母表顺序绘制各列，默认使用前列顺序

secondary_y : boolean or sequence, default False ##设置第二个y轴（右y轴）
原文链接：
https://blog.csdn.net/sinat_24395003/article/details/60364345
https://blog.csdn.net/brucewong0516/article/details/80524442
参考链接：
https://www.jianshu.com/p/65395b00adbc

brewer2mpl的用法

set1 = brewer2mpl.get_map('PuBu', 'sequential', 9, reverse=True).mpl_colors  
turnstile_day.plot(ax=ax,kind='bar',color=set1)

set1 = brewer2mpl.get_map('PuBu', 'sequential', 9, reverse=True).mpl_colors 中的参数仅表示图片的配色效果，无任何其他含义，常见的配色效果参数如下：

set1 = brewer2mpl.get_map('Set1', 'qualitative',3).mpl_colors
set1 = brewer2mpl.get_map('Set1', 'Qualitative', 9).mpl_colors
set2 = brewer2mpl.get_map('Set2', 'Qualitative', 8).mpl_colors
set2 = brewer2mpl.get_map('Set2', 'Qualitative', 8).mpl_colors
bmap = brewer2mpl.get_map('Paired', 'Qualitative', 5, reverse=True)
"set3 = brewer2mpl.get_map('Set3', 'qualitative', 6).mpl_colors
par['axes.color_cycle'] = brewer2mpl.get_map('Pastel2', 'Qualitative', 7).mpl_colors
bmap2 = brewer2mpl.get_map('Oranges','Sequential',5) 
bmap_r = brewer2mpl.get_map('Greens', 'Sequential', 8, reverse=True)
cmap = brewer2mpl.get_map('RdPu', 'Sequential', 9,reverse=True).mpl_colormap
cmap = brewer2mpl.get_map('OrRd', 'Sequential', 9,reverse=True).mpl_colormap
gmap = brewer2mpl.get_map('Greys', 'Sequential',6)
bmap = brewer2mpl.get_map('PiYG', 'Diverging',11)
'brewer_qual_1': brewer2mpl.get_map('Set1', 'qualitative', 9).mpl_colors + brewer2mpl.get_map('Dark2', 'qualitative', 8).mpl_colors

参考链接：https://github.com/search?p=8&q=brewer2mpl.get_map&type=Code

seaborn画核密度图

seaborn中的kdeplot可用于对单变量和双变量进行核密度估计并可视化
https://www.cnblogs.com/feffery/p/11128113.html
Seaborn绘制核密度曲线实例详解
https://www.bobobk.com/263.html
seaborn中文帮助文档
https://www.cntofu.com/book/172/docs/25.md

从np.random.normal()到正态分布的拟合

np.random.normal(size,loc,scale)

参数的意义为：
loc：float
此概率分布的均值（对应着整个分布的中心centre）
scale：float
此概率分布的标准差（对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高）
size：int or tuple of ints
输出的shape（控制样本量的大小/规模，size越大，结果越接近正态分布），默认为None，只输出一个值

np.random.seed(42)
data = pd.Series(np.random.normal(loc=180, scale=40, size=600))
data.hist()
pass

【数据可视化】Pandas画直方图
https://blog.csdn.net/ChenVast/article/details/81563561

matplot设置xy轴范围

plt.xlim(x1,x2)
plt.ylim(y1,y2)

相关性分析

2.data.corr()给出了任意两个变量之间的相关系数

data.corr() #相关系数矩阵，即给出了任意两个变量之间的相关系数
data.corr()[u'好'] #只显示“好”与其他感情色彩的相关系数
data[u'好'].corr(data[u'哭']) #两个感情色彩的相关系数