python可视化
这里介绍一些经典python可视化库，并附带了自己的主观评价，希望各位酌情使用。待补充
matplotlib
基本功能介绍
Matplotlib是Python中最常用的绘图库之一。首先是
它提供了各种绘图功能和工具，可以用于生成各种类型的图表，如：
- 折线图：用于展示数据随时间或其他连续变量的变化趋势。
- 散点图：用于展示两个变量之间的关系和分布情况。
- 条形图：用于展示不同类别或组之间的数量或比例。
- 直方图：用于展示连续数据的分布情况。
- 饼图：用于展示不同类别或组之间的数量或比例，通常用于显示占比。
- 热图：用于展示二维数据的热度和颜色映射，通常用于显示矩阵或数据矩阵的聚类和分布情况。
- 箱线图：用于展示数据的分布情况和异常值。
- 地图：用于展示地理空间数据和统计数据的空间分布情况。
- 3D图：用于展示三维数据的分布和形态。
- 动画：用于展示数据的变化和演化过程。
此外，Matplotlib还可以生成许多其他类型的图表，如极坐标图、子图、轮廓图、极地图等。
Matplotlib可以操纵很多方面，包括： - 图形属性和外观：Matplotlib可以控制图形的大小、分辨率、颜色、线型、标记、字体、标签、注释等。
- 坐标系和刻度：Matplotlib可以调整坐标系的位置、大小、范围、标度、标签等。
- 数据和统计分析：Matplotlib可以处理和可视化各种数据类型，如时间序列、多维数组、分类数据、连续数据等，并支持统计分析和数据预处理。
- 交互性和动态性：Matplotlib可以实现交互式控制和动态更新，如使用鼠标或键盘事件控制绘图，动态修改数据或属性等。
- 保存和输出：Matplotlib可以将图形输出到多种格式，如PNG、PDF、SVG、EPS等，并支持高质量输出。
- 嵌入和扩展：Matplotlib可以嵌入到GUI应用程序和Web应用程序中，也可以扩展和自定义绘图功能和样式。
最简单的作图方法
折线图
知道Matplotlib能做到的事后，我们完全可以有需求时再查找相关文档。下面说一些常规操作。
首先是引用，大伙都习惯这么用（照顾下萌新）：
import matplotlib.pyplot as plt
然后是简单的作图：
# 创建数据(np是numpy)
x = np.arange(0, 10, 0.1)
y = np.sin(x)
# 绘制折线图
plt.plot(x, y)
我们可以得到：
散点图
# 创建数据
x = np.random.rand(50)
y = np.random.rand(50)
# 绘制散点图
plt.scatter(x, y)
条形图
# 创建数据
labels = ['A', 'B', 'C', 'D', 'E']
values = [20, 35, 30, 25, 40]
# 绘制条形图
plt.bar(labels, values)
直方图
data = np.random.randn(1000)
# 绘制直方图
plt.hist(data)
饼图
# 创建数据
lab = ['A', 'B', 'C', 'D', 'E']
values = [20, 35, 30, 25, 40]
# 绘制饼图
plt.pie(values, labels=lab)
注意这里必须加“labels=”，否则报错。
热图
# 创建数据
data = np.random.rand(10, 10)
# 绘制热图
plt.imshow(data)
箱线图
# 创建数据
data = np.random.randn(100)
# 绘制箱线图
plt.boxplot(data)
除3D图之外的感觉用处已经不大且还需要其他辅助，这里不再赘述，3D后面再说。到目前为止，常见的作图类型已经全部介绍完毕，后面将不再把做出来的图插入文中，大伙想要什么图直接对着简图确定好之后再去后面找就行了。
进阶一点的作图
画布与结果显示
首先是如下两个操作：
plt.figure(figsize=(8, 6), dpi=100, facecolor='lightgray',edgecolor='red')
#figsize为大小，dpi为像素，facecolor为背景色，edgecolor为边缘色
# 我们也可如此组创建fig = plt.figure(figsize=(8, 6), dpi=100, facecolor='lightgray')，其便于我们在后续代码中操作这个figure
plt.show()
在Matplotlib中，使用plt.plot等函数时，如果没有提前创建Figure对象，Matplotlib会自动创建一个Figure对象，并将绘图结果显示在该Figure对象上。所以，如果只需要简单的绘图，可以不用显式地创建Figure对象。
虽然Matplotlib会自动创建Figure对象，但是在实际应用中，建议显式地创建Figure对象，并使用Figure对象的方法来控制图形的大小、分辨率等属性。另外，如果需要绘制多个子图或设置复杂的图形布局，也需要使用Figure对象和Axes对象。
至于plt.show，该函数的作用是显示绘图结果，并且该函数会一直阻塞程序，直到关闭绘图窗口为止。比如若我们同时执行两个
plt.boxplot(data)
plt.plot(x, y)
由于figure还是同一个（默认顺序），按照先后，后面的图会画到前面那个图的上方，如下：
但如果改成
plt.boxplot(data)
plt.show()
plt.plot(x, y)
两个图就能成功分开，其原因是show使得plt.boxplot做出来的图不再变动就放在那里，于是python只好新做一个figure。
plt.show()之后还可使用plt.close关闭。根据前面plt.figure的用法，应该已经能够控制多次作图了。
坐标系和刻度
Matplotlib可以调整坐标系的位置、大小、范围、标度、标签等。
折线图坐标轴范围、标签、标度
# 绘制折线图，并调整坐标轴范围
plt.plot(x, y)
plt.xlim([0, 10])
plt.ylim([-1, 1])
## 控制坐标轴标度
plt.xscale('log')
plt.yscale('log')
#设置坐标轴标签
plt.xlabel('x', fontsize=12)
plt.ylabel('y', fontsize=12)
Matplotlib 中可以使用 plt.xscale() 和 plt.yscale() 函数将坐标轴设置为对数坐标轴，常用的对数坐标包括：'linear'（线性坐标）、'log'（以10为底的对数坐标）、'symlog'（对数坐标加上一些线性部分）。
而plt.xlabel() 函数可以设置以下参数：
- xlabel：字符串，用于设置 x 轴标签的文本。
- fontdict：字典，用于设置 x 轴标签的字体属性。
- labelpad：标量，用于设置 x 轴标签与 x 轴之间的距离，单位为点（pt）。默认值为 None。
- fontsize 参数，用于设置 x 轴标签的字体大小。
plt.xlabel('X Label', fontdict={'size': 16, 'weight': 'bold', 'color': 'red'})
# 设置 x 轴标签与 x 轴之间的距离
plt.xlabel('X Label', labelpad=10)
plt.xlabel('X LAbel',fontsize=12)
散点图坐标轴范围、标签
与上面是一样的。
条形图
我们还可使用 plt.xticks() 和 plt.yticks() 函数来设置坐标轴的刻度标签：
- ticks：数组，用于设置 x 轴刻度的位置。
- labels：数组，用于设置 x 轴刻度的标签文本。
- fontdict：字典，用于设置 x 轴刻度的字体属性。
- rotation：标量，用于设置 x 轴刻度标签的旋转角度，单位为度。默认值为 None。
- color：颜色，用于设置 x 轴刻度标签的颜色。默认值为 None。如下：
# 设置旋转角度
plt.xticks(x, ['Apple', 'Banana', 'Cherry', 'Durian', 'Eggplant'], rotation=30)
# 设置 x 轴刻度的位置和标签文本
plt.xticks([0, 2, 4, 6, 8, 10], ['0', '2π/5', '4π/5', '6π/5', '8π/5', '2π'])
# 设置 x 轴刻度的字体属性
plt.xticks([0, 2, 4, 6, 8, 10], fontdict={'size': 16, 'weight': 'bold', 'color': 'red'})
常用的基本都写在这里了，剩下一些比较少用的就没写了。
各种图本身的设置
axes对象操作
小众一点作图法（可能有意想不到的效果）
3.30，剩下的慢慢更
