如果你想要用Python進行數據分析，就需要在項目初期開始進行探索性的數據分析，這樣方便你對數據有一定的了解。其中最直觀的就是採用數據可視化技術，這樣，數據不僅一目了然，而且更容易被解讀。同樣在數據分析得到結果之後，我們還需要用到可視化技術，把最終的結果呈現出來。
按照數據之間的關係，我們可以把可視化視圖劃分為4類，它們分別是比較、聯繫、構成和分布。我來簡單介紹下這四種關係的特點：
比較：比較數據間各類別的關係，或者是它們隨著時間的變化趨勢，比如折線圖。
聯繫：查看兩個或兩個以上變量之間的關係，比如散點圖。
構成：每個部分佔整體的百分比，或者是隨著時間的百分比變化，比如餅圖。
分布：關注單個變量，或者多個變量的分布情況，比如直方圖。
同樣，按照變量的個數，我們可以把可視化視圖劃分為單變量分析和多變量分析。
可視化的視圖可以說是分門別類，多種多樣，今天我主要介紹常用的5種視圖，包括了散點圖、折線圖、直方圖、熱力圖、成對關係。
散點圖的英文叫做scatter plot，它將兩個變量的值顯示在二維坐標中，非常適合展示兩個變量之間的關係。當然，除了二維的散點圖，我們還有三維的散點圖。
在Matplotlib中，我們經常會用到pyplot這個工具包，它包括了很多繪圖函數，類似Matlab的繪圖框架。在使用前你需要進行引用：
import matplotlib.pyplot as plt在工具包引用後，畫散點圖，需要使用plt.scatter(x, y, marker=None)函數。x、y 是坐標，marker代表了標記的符號。比如「x」、「>」或者「o」。選擇不同的marker，呈現出來的符號樣式也會不同，你可以自己試一下。
除了Matplotlib外，你也可以使用Seaborn進行散點圖的繪製。在使用Seaborn前，也需要進行包引用：
在引用seaborn工具包之後，就可以使用seaborn工具包的函數了。如果想要做散點圖，可以直接使用sns.jointplot(x, y, data=None, kind='scatter')函數。其中x、y是data中的下標。data就是我們要傳入的數據，一般是DataFrame類型。kind這類我們取scatter，代表散點的意思。當然kind還可以取其他值，這個我在後面的視圖中會講到，不同的kind代表不同的視圖繪製方式。
好了，讓我們來模擬下，假設我們的數據是隨機的1000個點。
我們運行一下這個代碼，就可以看到下面的視圖（第一張圖為Matplotlib繪製的，第二張圖為Seaborn繪製的）。其實你能看到Matplotlib和Seaborn的視圖呈現還是有差別的。Matplotlib默認情況下呈現出來的是個長方形。而Seaborn呈現的是個正方形，而且不僅顯示出了散點圖，還給了這兩個變量的分布情況。
在Matplotlib中，我們可以直接使用plt.plot()函數，當然需要提前把數據按照X軸的大小進行排序，要不畫出來的折線圖就無法按照X軸遞增的順序展示。
在Seaborn中，我們使用sns.lineplot (x, y, data=None)函數。其中x、y是data中的下標。data就是我們要傳入的數據，一般是DataFrame類型。
這裡我們設置了x、y的數組。x數組代表時間（年），y數組我們隨便設置幾個取值。下面是詳細的代碼。
然後我們分別用Matplotlib和Seaborn進行畫圖，可以得到下面的圖示。你可以看出這兩個圖示的結果是完全一樣的，只是在seaborn中標記了x和y軸的含義。
直方圖是比較常見的視圖，它是把橫坐標等分成了一定數量的小區間，這個小區間也叫作「箱子」，然後在每個「箱子」內用矩形條（bars）展示該箱子的箱子數（也就是y值），這樣就完成了對數據集的直方圖分布的可視化。
在Matplotlib中，我們使用plt.hist(x, bins=10)函數，其中參數x是一維數組，bins代表直方圖中的箱子數量，默認是10。
在Seaborn中，我們使用sns.distplot(x, bins=10, kde=True)函數。其中參數x是一維數組，bins代表直方圖中的箱子數量，kde代表顯示核密度估計，默認是True，我們也可以把kde設置為False，不進行顯示。核密度估計是通過核函數幫我們來估計概率密度的方法。
我們創建一個隨機的一維數組，然後分別用Matplotlib和Seaborn進行直方圖的顯示，結果如下，你可以看出，沒有任何差別，其中最後一張圖就是kde默認為Ture時的顯示情況。
熱力圖，英文叫heat map，是一種矩陣表示方法，其中矩陣中的元素值用顏色來代表，不同的顏色代表不同大小的值。通過顏色就能直觀地知道某個位置上數值的大小。另外你也可以將這個位置上的顏色，與數據集中的其他位置顏色進行比較。
我們一般使用Seaborn中的sns.heatmap(data)函數，其中data代表需要繪製的熱力圖數據。
這裡我們使用Seaborn中自帶的數據集flights，該數據集記錄了1949年到1960年期間，每個月的航班乘客的數量。
通過seaborn的heatmap函數，我們可以觀察到不同年份，不同月份的乘客數量變化情況，其中顏色越淺的代表乘客數量越多，如下圖所示：
如果想要探索數據集中的多個成對雙變量的分布，可以直接採用sns.pairplot()函數。它會同時展示出DataFrame中每對變量的關係，另外在對角線上，你能看到每個變量自身作為單變量的分布情況。它可以說是探索性分析中的常用函數，可以很快幫我們理解變量對之間的關係。
pairplot函數的使用，就好像我們對DataFrame使用describe()函數一樣方便，是數據探索中的常用函數。
這裡我們使用Seaborn中自帶的iris數據集，這個數據集也叫鳶尾花數據集。鳶尾花可以分成Setosa、Versicolour和Virginica三個品種，在這個數據集中，針對每一個品種，都有50個數據，每個數據中包括了4個屬性，分別是花萼長度、花萼寬度、花瓣長度和花瓣寬度。通過這些數據，需要你來預測鳶尾花卉屬於三個品種中的哪一種。
這裡我們用seaborn中的pairplot函數來對數據集中的多個雙變量的關係進行探索，如下圖所示。從圖上你能看出，一共有sepal_length、sepal_width、petal_length和petal_width4個變量，它們分別是花萼長度、花萼寬度、花瓣長度和花瓣寬度。
下面這張圖相當於這4個變量兩兩之間的關係。比如矩陣中的第一張圖代表的就是花萼長度自身的分布圖，它右側的這張圖代表的是花萼長度與花萼寬度這兩個變量之間的關係。