数据可视化可以让我们很直观的发现数据中隐藏的规律，察觉到变量之间的互动关系，帮助我们更好地解释现象和发现数据价值，做到一图胜千文的说明效果。

python数据分析的可视化库有:

• matplotlib 是可视化的必备技能库，比较底层，api很多，学起来不太容易。

• seaborn 是建构于matplotlib基础上，能满足绝大多数可视化需求。

• matplotlib和seabron是静态可视化库，pyecharts有很好的web兼容性，可以进行可视化动态效果。

seaborn是一个面向对象可视化库，本次使用seaborn自带的tips（餐厅小费）数据集进行数据的分布探索，在遇到新的数据集合时候，分析问题不至于无从下手；

Seaborn通过sns.set()方法实现主题风格更改，可以设置5种风格的图表背景：darkgrid, whitegrid, dark, white, ticks，通过参数style设置，默认情况下为darkgrid风格：

import seaborn as sns

1、分布图（连续性变量）：distplot()

# 1、分布图（连续性变量）：distplot()

2、数量统计图(离散变量)：countplot()

# 2、数量统计图(离散变量)：countplot()

# countplot() 中x和y只能指定一个，指定x轴则y轴展示数量，指定y轴则x轴展示数量

3、两个变量的散点图：scatterplot()

# 3、两个变量的散点图：scatterplot()

4、根据属性值域绘制散点图：relplot()

# 4、根据属性值域绘制散点图：relplot()

5、两个变量的联合分布图jointplot()

# 5、两个变量的联合分布图jointplot()

6、箱线图：boxplot()

# 6、箱线图：boxplot()

7、不重叠散点图：swarmplot()

# 7、不重叠散点图：swarmplot()

8、有个变量属性的重叠散点图：stripplot()

# 8、有个变量属性的重叠散点图：stripplot() 

# 一般swarmplot(),stripplot() 同boxplot()和violinplot()一同使用，既可以观察总体分布，也能看个体分布情况

9、小提琴图跟boxplot()用途一样

# 9、小提琴图跟boxplot()用途一样

10、绘制条件关系的多图网格：FacetGrid()

# 10、绘制条件关系的多图网格：FacetGrid()

# 比较随性的绘图方法，很灵活

11、barplot()函数

若输出的值域是离散值，我们可以将其转换成1/0的连续性，然后看特征属性的贡献度；

# 11、barplot()函数，直观绘制曲线图

一般掌握以上的绘图方法就能够确保够用，主要是熟能生巧，能够快速找到数据之间的关系，筛选有价值的数据字段，快速完成特征工程。