Learn专题三——数据可视化：由非Coder变为Coder

本专题的内容比较简单，总结下来就是用seaborn包画各种小图图，主要由以下几种。

线形图：sns.lineplot(data=my_data)

线状图

柱状图：sns.barplot(x=my_data.index,y=my_data['yyy'])

柱状图

热    图：sns.heatmap(data=my_data,annot=True)

热图

点状图1：sns.scatterplot(x=my_data['xxx'],y=my_data['yyy'])

点状图

回归图1：sns.regplot(x=insurance_data['bmi'],y=insurance_data['charges'])

回归图

点状图2：sns.scatterplot(x=insurance_data['bmi'],y=insurance_data['charges'],hue=insurance_data['smoker'])

点状图2

回归图2：sns.lmplot(x="bmi",y="charges",hue="smoker",data=insurance_data)

回归图2

蜂巢图：sns.swarmplot(x=insurance_data['smoker'],y=insurance_data['charges'])

蜂巢图

直方图：sns.distplot(a=iris_data['Petal Length (cm)'],kde=False)

直方图

核密度估计图（KDE图）：sns.kdeplot(data=iris_data['Petal Length (cm)'],shade=True)

核密度估计图

**kdeplot可以由lineplot实现，但是lineplot容易出现陡增陡降的情形。同时，二元kdeplot的绘制非常耗时，慎用，可以用六角图代替。**

二维核密度估计图：sns.jointplot(x=iris_data['Petal Length (cm)'],y=iris_data['Sepal Width (cm)'],kind="kde")

2D 核密度估计图

如何选择做哪种图？

作图指南