注：很早之前就打算专门写一篇与Python数据可视化相关的博客，对一些基本概念和常用技巧做一个小结。今天终于有时间来完成这个计划了！

0. Python中常用的可视化工具

Python在数据科学中的地位，不仅仅是因为numpy, scipy, pandas, scikit-learn这些高效易用、接口统一的科学计算包，其强大的数据可视化工具也是重要组成部分。在Python中，使用的最多的数据可视化工具是matplotlib，除此之外还有很多其他可选的可视化工具包，主要包括以下几大类：

• matplotlib以及基于matplotlib开发的工具包：pandas中的封装matplotlib API的画图功能，seaborn，networkx等；
• 基于JavaScript和d3.js开发的可视化工具：plotly等，这类工具可以显示动态图且具有一定的交互性；
• 其他提供了Python调用接口的可视化工具：OpenGL, GraphViz等，这一类工具各有特点且在特定领域应用广泛.

对于数据科学，用的比较多的是matplotlib和seaborn，对数据进行动态或交互式展示时会用到plotly.

1. matplotlib与MATLAB

Matplotlib是建立在NumPy数组基础上的多平台数据可视化程序库，John Hunter在2002年提出了matplotlib的初步构想——在Python中画出类似MATLAB风格的交互式图形。鉴于此种渊源，类似MATLAB风格的画图接口是matplotlib的两种画图接口之一。这类接口直观、便捷，许多语法与MATLAB类似，也是初学者常用的方式。

这种接口最重要的特性是有状态的（stateful）：它会持续跟踪"当前的"图形和坐标轴，所有plt命令都可以应用。可以用plt.gcf()（获取当前图形）和plt.gca()（获取当前坐标轴）来查看具体信息。

matplotlib画图的基本设置：

1 import matplotlib as mpl 2 import matplotlib.pyplot as plt 3 mpl.rcParams['axes.linewidth'] = 1.5 #set the value globally, 设置坐标轴线宽4 import seaborn as sns 5 sns.set()  # 使用seaborn设置绘图风格

更多自定义设置可以参考官方文档：Customizing matplotlib

下面使用MATLAB风格画图，对一组分类变量（categorical variables）进行可视化

 1 names = ['group_a', 'group_b', 'group_c']  # 不同分类的名称 2 values = [1, 10, 100]  # 不同分类对应的值 3  4 plt.figure(1, figsize=(9, 3))  # 设置图片大小 5  6 plt.subplot(131)  # 1x3, 第一个子图 7 plt.bar(names, values)  # 柱状图 8 plt.subplot(132)  # 1x3, 第二个子图 9 plt.scatter(names, values)  # 散点图10 plt.subplot(133)  # 1x3, 第三个子图11 plt.plot(names, values)