python中常用的两个画图库是Matplotlib和Seaborn，直接pip安装即可。
常玩吃鸡的小伙伴应该很熟悉雷达图，游戏结束后会出现一张评价雷达图，我们可以用Matplotlib库来制作
雷达图
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.font_manager import FontProperties
labels = np.array([u" 生存 ", u" 伤害 ", u" 击败 ", u" 支援 ", u" 物资 "])
stats = [100.0, 95.0, 95.8, 62.8, 96.8]
angles = np.linspace(0, 2*np.pi, len(labels), endpoint=False)
stats = np.concatenate((stats, [stats[0]]))
angles = np.concatenate((angles, [angles[0]]))
fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, stats, 'o-', linewidth=2)
ax.fill(angles, stats, alpha=0.25)
# 设置中文字体
font = FontProperties(fname=r"C:\Windows\Fonts\simhei.ttf", size=14)
ax.set_thetagrids(angles * 180/np.pi, labels, FontProperties=font)
plt.show()
成对关系
我们用 Seaborn 自带的 iris 数据集，什么是 Iris 数据集呢？这里引用下百度百科的解释：Iris 数据集是常用的分类实验数据集，由 Fisher, 1936 收集整理。Iris 也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含 150 个数据集，分为 3 类，每类 50 个数据，每个数据包含 4 个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
import matplotlib.pyplot as plt
import seaborn as sn
iris = sn.load_dataset('iris')
sn.pairplot(iris)
plt.show()
热力图
热力图是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示。
数据用 seaborn 中自带的 flights 航班数据，记录了 1949 年到 1960 年期间的每个月航班乘客的数量。颜色越浅表示乘客越多。
import matplotlib.pyplot as plt
import seaborn as sn
flights = sn.load_dataset("flights")
data = flights.pivot('year', 'month', 'passengers')
sn.heatmap(data)
plt.show()
饼图：饼图常用于统计学模块，用于显示各块的比例。
import matplotlib.pyplot as plt
nums = [12, 45, 29, 46, 30]
labels = ['A', 'B', 'C', 'D', 'E']
plt.pie(x=nums, labels=labels)
plt.show()
现在对比一下Matplotlib和Seaborn这两个库画图的不同之处
首先导入我们需要用到的库：
import matplotlib.pyplot as plt
import seaborn as sn
import numpy as np
import pandas as pd
1.直方图：一种二维统计图表，用图形表示数据的分布情况
直方图matplotlib：
x = np.random.randn(100)
y = pd.Series(x)
plt.hist(y)
plt.show()
直方图seaborn :
x = np.random.randn(200)
y = pd.Series(x)
# sn.distplot(y, kde=False)#Seaborn 画直方图，当参数 kde=False 时，和 上面 Matplotlib 画的直方图基本一样
sn.distplot(y)#当 kde 参数默认不填或者设置当参数 kde=True 时，在上图基础上，会显示核密度估计，这可以帮助我们估计概率密度。
plt.show()
2.条形图：条形图是用宽度相同的条形的高度或长短来表示数据多少的图形。
条形图matplotlib：
x = ["a", "b", "c", "d", "e", "f"]
y = [30, 47, 88, 25, 93, 101]
plt.bar(x, y)
plt.show()
条形图seaborn ：
x = ["a", "b", "c", "d", "e", "f"]
y = [30, 47, 88, 25, 93, 101]
sn.barplot(x, y)
plt.show()
通过生成的效果图可以看出，Seaborn 生成的条形图默认颜色不一样，视觉效果更好些。
3.折线图：可以显示随时间而变化的连续数据，因此非常适用于显示在相等时间间隔下数据的趋势。
折线图matplotlib：
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
y = [50, 25, 70, 200, 170, 160, 190, 300, 320, 350]
plt.plot(x, y)
plt.show()
折线图seaborn：
x = [2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019]
y = [50, 25, 70, 200, 170, 160, 190, 300, 320, 350]
df = pd.DataFrame({'x': x, 'y': y})
sn.lineplot(x="x", y="y", data=df)
plt.show()
这两个库的效果几乎一样，只是 seaborn 库画的图标注了 x 和 y 坐标的位置。
4.散点图：散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势，据此可以选择合适的函数对数据点进行拟合。
散点图matplotlib：
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
plt.scatter(x, y, marker='x')
plt.show()
散点图seaborn：
N = 1000
x = np.random.randn(N)
y = np.random.randn(N)
df = pd.DataFrame({'x': x, 'y': y})
sn.jointplot(x="x", y="y", data=df, kind='scatter')
plt.show()
matplotlib库画的图默认是长方形，seaborn 库画图默认是正方形，不仅画出了散点图，还给出了他们的分布情况.
5.箱型图：是一种用作显示一组数据分散情况资料的统计图
生成 0-1 之间的 10*5 维度数据
箱型图matplotlib：
data=np.random.normal(size=(10, 5))
lables = ["a", "b", "c", "d", "e"]
plt.boxplot(data, labels=lables)
plt.show()
箱型图seaborn:
data=np.random.normal(size=(10, 5))
lables = ["a", "b", "c", "d", "e"]
df = pd.DataFrame(data, columns=lables)
sn.boxplot(data=df)
plt.show()
Seaborn 生成的箱型图也是彩色的，视觉效果好。