数据可视化几种方法：
import matplotlib.plot as plt;
1)利用matplotlib自身基础组件
不难看出，matplotlib实际上是一种比较低级的工具。要组装一张图标，你得用它的各种基础组件才行：数据展示（即图表类型：线性图、柱状图、盒形图、散步图、等值线图等 ）、图例、标题、刻度标签以及其他注解性信息。这是因为要根据数据制作一张完整图表通常都需要用到多个对象。在pandas中，我们有行标签、列标签以及分组信息，这也就是说，要制作一张完整的图表，原本需要一大堆的matplotlib代码，现在只需要一两条简洁的语句就可以了。
2）利用Series和DataFrame的plot的方法
今天的任务中大多数都用的这种方法。
Series和DataFrame都有一个用于生成各类图表的plot方法，默认情况下，他们生成的是线型图。
Series.plot方法的参数：
label：用于图例上标签；ax：要在其上进行绘制的matplotlib subplot对象，如果没有设置，则使用当前matplotlib subplot对象；style：将要传给matplotlib的风格字符串（如：‘ko--’）；alpha：图表的填充不透明度（0到1之间）；kind：可以是‘line’‘bar’‘barh’‘kde’；logy：在Y轴上使用对数标尺；use_index：将对象的索引用作刻度标签；rot：旋转刻度标签（0到360度）；xticks：用作X轴刻度的值；yticks：用作Y轴刻度的值；xlim：X轴的界限（例如【0，10】）；ylim：Y轴的界限；grid：显示网格线（默认打开）
DataFrame还有一些用于对列进行灵活处理的选项，例如，是要将所有列都绘制到一个subplot中还是创建各自的subplot，详细参数参加下面：
subplots：将各个DataFrame列绘制到单独的subplot中
sharex：如果subplot=True，则共用同一个X轴，包括刻度和界限；
sharey：如果subplot=True，则共用同一个Y轴，包括刻度和界限；
figsize：表示图像大小的元组；
title：表示图像标题的字符串；
legend：添加一个subplot图例（默认为True）；
sort_columns：以字母表顺序绘制各列，默认使用当前列顺序
df.plot(kind='bar',stacked=True,alpha =0.5) # 设置stacked=True即可为DataFrame生成堆积柱状图，这个每行的值就会被堆积在一起。
text.groupby(['Sex','Survived'])['Survived'].count().unstack().plot(kind='bar',stacked='True')
# text.groupby(['Sex','Survived'])['Survived'].count()
Sex Survived
female 0 81
1 233
male 0 468
1 109
#text.groupby(['Sex','Survived'])['Survived'].count().unstack()；通过unstack（）将花括号转为DataFrame
Survived 0 1
Sex
female 81 233
male 468 109
far_sur = text.groupby(['Fare'])['Survived'].value_counts().sort_values(ascending=False)
text.groupby(['Fare'])#通过Fare列进行分组，形成多个子DataFrame
text.groupby(['Fare'])['Survived']# 取Survived列的值
text.groupby(['Fare'])['Survived'].value_counts().sort_values(ascending=False)# 对应Survived列中不同值的数量，然后降序排列
Fare Survived
8.0500 0 38
7.8958 0 37
13.0000 0 26
7.7500 0 22
26.0000 0 16
..
20.2500 1 1
0 1
18.7875 1 1
0 1
15.0500 0 1
3）利用seaborn
import seaborn as sns
sns.countplot(x='Pclass',hue='Survived',data=text)
同上面两种方法相比，非常简单！！！
知乎上的文档：
import seaborn as sns
import matplotlib.plot as plt
%matplotlib inline
titanic = sns.load_dataset('titanic')
sns.barplot(x='class',y='survived',data=titanic)
下面进行解释：
titanic = sns.load_dataset('titanic')#seaborn内置很多数据，内置数据就可用这种方式进行导入
sns.barplot(x='class',y='survived',data=titanic)#barplot是输出条形图，还有countplot、boxplot、violinplot、regplot、Implot、heatmap等多种图形方法可以使用。
1、displot直方图
通常我们在分析一组数据时，首先要看的就是变量的分布规律，而直方图则提供了简单快速的方式，在seaborn中可以用distplot（）实现。
age= titanic['age'].dropna()
sns.distplot(age)
同时我们可以调节其中的一些参数，来控制输出的图形：‘kde’控制密度估计曲线的参数，默认True，‘bins’控制分布矩形数量的参数，通常我们可以增加其数量，来看更为丰富的信息，‘rug’参数用于控制直方图中边际毛毯，通过控制‘reg’是实现毛毯是否显示。
sns.distplot(age,kde=False,bins=30)
2、barplot条形图
barplot利用矩阵条的高度反应数值变量的集中趋势，以及使用errorbar功能（差棒图）来估计变量之间的差值统计（置信区间）。需要提醒的是barplot（）默认展示的是某种变量分布的平均值（？）（可以通过参数修改为max、median等）
3、countplot计数图
可以将它认为一种应用到分类变量的直方图，也可以认为i它是用于比较类别间计数差。当年想要显示每个类别中的具体观察数量时，countplot很容实现。
4、stripplot/swarmplot散点图
在seaborn中有两种不同的分类散点图。stripplot（）使用的方法是用少量的随机“抖动”调整分类轴上的点的位置，swarmplot表示的是带分布属性的散点图。
5、boxplot箱线图
boxplot是一种用作显示一组数据分散情况的统计图。他能显示出一组数据的最大值、最小值、中位数及上下四分位数。因其形状如箱子而得名，这意味着箱线图中每个值对应于数据中的实际观察值。可以通过‘order’和‘hue_order’参数，我们可以控制x轴展示的顺序，通过linewidth参数控制线条的粗细。
6、violinplot小提琴图
其实是箱线图与核密度图的结合，箱线图展示了分为数的位置，小提琴图则展示了任意位置的密度，通过小提琴图可以知道哪些位置的密度较高。
7、regplot/Implot回归线
seaborn中利用regplot（）和lmplot（）来进行回归，确定线性关系，他们密切相关，共享核心功能，但也有明显不同。
lmplot（）可以设置hue，进行多个类别的显示，而regplot（）是不支持的。这里我们通过设置hue=‘species’，来进行分类别地展示。‘col’参数对不同类别分开绘制，‘fit_reg’参数可以控制是否显示拟合的直线，‘ci’参数控制是否显示置信区间。
8、heatmap热力图
热力图通常用来表示特征之间的相关性，一般通过颜色的深浅来表示数值的大小或者相关性的高低。