請(qǐng)關(guān)注+私信回復(fù)：“學(xué)習(xí)”就可以拿到一份我為大家準(zhǔn)備的Python學(xué)習(xí)資料！

image

- 為什么用 Seaborn -

Seaborn 是基于 Python 且非常受歡迎的圖形可視化庫(kù)，在 Matplotlib 的基礎(chǔ)上，進(jìn)行了更高級(jí)的封裝，使得作圖更加方便快捷。即便是沒(méi)有什么基礎(chǔ)的人，也能通過(guò)極簡(jiǎn)的代碼，做出具有分析價(jià)值而又十分美觀的圖形。

Seaborn 可以實(shí)現(xiàn) Python 環(huán)境下的絕大部分探索性分析的任務(wù)，圖形化的表達(dá)幫助你對(duì)數(shù)據(jù)進(jìn)行分析，而且對(duì) Python 的其他庫(kù)（比如 Numpy/Pandas/Scipy）有很好的支持。

那么現(xiàn)在開(kāi)始，十分鐘的時(shí)間，你就可以了解 Seaborn 中常用圖形的繪制方法，以及進(jìn)階的可視化分析技巧。

- Seaborn 繪圖上手 -

如果你還沒(méi)有安裝 Python 環(huán)境，那么推薦你安裝 Anaconda，對(duì)于上手 Python 來(lái)說(shuō)更加簡(jiǎn)單，不容易出差錯(cuò)。Anaconda 的安裝教程網(wǎng)上很多，找到對(duì)應(yīng)版本客戶端安裝即可。

安裝好后，即可在終端（cmd）安裝核心庫(kù) Seaborn 和 Matplotlib。

安裝 Matplotlib

python -m pip install matplotlib

安裝 Seaborn

pip install seaborn

然后打開(kāi) Jupyter Notebook（安裝好 Anaconda 后，Jupyter 也已裝好，在應(yīng)用窗口中可以找到），我們就可以直接上手了。

先來(lái)一段基本的代碼：

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

titanic=sns.load_dataset('titanic')

sns.barplot(x='class',y='survived',data=titanic)

image

通過(guò)以上代碼，我們就繪制出了基本的條形圖，是不是超級(jí)簡(jiǎn)單。這也是用 Seaborn 實(shí)現(xiàn)一個(gè)圖形的基本模式，接下來(lái)我們把上面的代碼拆開(kāi)來(lái)看。

1.導(dǎo)入繪圖模塊

import seaborn as sns

import matplotlib.pyplot as plt

這里我們導(dǎo)入 Seaborn 和 Matplotlib.pyplot 模塊，分別命名為 sns 和 plt，原則上這個(gè)簡(jiǎn)稱是可以隨意寫(xiě)的，但為了規(guī)范，盡量寫(xiě)成這樣。這里引入 Matplotlib.pyplot ，是為了通過(guò) Matplotlib 的參數(shù)去進(jìn)行更好的控制。

2.提供顯示條件

%matplotlib inline

這里的 “%matplot inline” 是為了在 Jupyter 中正常顯示圖形，若沒(méi)有這行代碼，圖形顯示不出來(lái)的。

3.導(dǎo)入數(shù)據(jù)

titanic=sns.load_dataset('titanic')

這里我們用 Seaborn 的 load_dataset() 方法導(dǎo)入數(shù)據(jù) ‘titanic’，這是泰坦尼克號(hào)的相關(guān)數(shù)據(jù)，內(nèi)置于 Seaborn（內(nèi)置數(shù)據(jù)都可以用此方法導(dǎo)入）。當(dāng)然 Seaborn 還提供了其他的內(nèi)置數(shù)據(jù)，可以直接調(diào)用：

image

地址：https://github.com/mwaskom/seaborn-data

4.輸出圖形

sns.barplot(x='class',y='survived',data=titanic)

這是圖形輸出的直接代碼，barplot 表示輸出條形圖，同樣的還有 Seaborn 中還有 countplot、boxplot、violinplot、regplot、lmplot、heatmap 等多種圖形方法可以使用，我們?cè)诮酉聛?lái)會(huì)詳細(xì)說(shuō)明。

barplot() 括號(hào)里的是需要設(shè)置的具體參數(shù)，涉及到數(shù)據(jù)、顏色、坐標(biāo)軸、以及具體圖形的一些控制變量，一般比較固定的是 'x'、'y'、'data'，分別表示x軸，y軸，以及選擇的數(shù)據(jù)集。

- Seaborn 圖形可視化 -

01 distplot

直方圖

通常我們?cè)诜治鲆唤M數(shù)據(jù)時(shí)，首先要看的就是變量的分布規(guī)律，而直方圖則提供了簡(jiǎn)單快速的方式，在 Seaborn 中可以用 distplot() 實(shí)現(xiàn)。

我們首先導(dǎo)入數(shù)據(jù)集 'titanic'，并查看隨機(jī)的10行數(shù)據(jù)，對(duì)數(shù)據(jù)集有一個(gè)初步的印象：

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

#導(dǎo)數(shù)數(shù)據(jù)集'titanic'

titanic=sns.load_dataset('titanic')

#查看數(shù)據(jù)集的隨機(jī)10行數(shù)據(jù)，用sample方法

titanic.sample(10)

image

通過(guò)觀察數(shù)據(jù)，我們對(duì)'age'進(jìn)行直方圖展示。但在繪圖之前，我們觀測(cè)到'age'字段中存在缺失值，需要先用 dropna() 方法刪掉存在缺失值的數(shù)據(jù)，否則無(wú)法繪制出圖形。

#去除'age'中的缺失值，distplot不能處理缺失數(shù)據(jù)

age1=titanic['age'].dropna()

sns.distplot(age1)

image

在上圖中，矩形表示在不同年齡段的數(shù)量分布，并且 distplot() 默認(rèn)擬合出了密度曲線，可以看出分布的變化規(guī)律。

同時(shí)我們可以調(diào)節(jié)其中的一些參數(shù)，來(lái)控制輸出的圖形。

'kde' 是控制密度估計(jì)曲線的參數(shù)，默認(rèn)為 True，不設(shè)置會(huì)默認(rèn)顯示，如果我們將其設(shè)為 False，則不顯示密度曲線。

#去掉擬合的密度估計(jì)曲線，kde參數(shù)設(shè)為False

sns.distplot(age1,kde=False)

image

'bins'是控制分布矩形數(shù)量的參數(shù)，通常我們可以增加其數(shù)量，來(lái)看到更為豐富的信息。

# 通過(guò)'bins'參數(shù)設(shè)定數(shù)據(jù)片段的數(shù)量

sns.distplot(age1,bins=30,kde=False)

image

'reg' 參數(shù)用于控制直方圖中的邊際毛毯，通過(guò)控制'reg'是實(shí)現(xiàn)毛毯是否顯示。

#創(chuàng)建一個(gè)一行2列的畫(huà)布,主要方便對(duì)比

fig,axes=plt.subplots(1,2)

#設(shè)置'reg'參數(shù)，加上觀測(cè)數(shù)值的邊際毛毯

#需要用axes[]表示是第幾張圖，從0開(kāi)始

sns.distplot(age1,ax=axes[0]) #左圖

sns.distplot(age1,rug=True,ax=axes[1]) #右圖

image

當(dāng)然，除了控制矩形分布、密度曲線及邊際毛毯是否顯示，還可以通過(guò)更豐富的參數(shù)控制他們展示的細(xì)節(jié)，這些通過(guò)參數(shù) 'hist_kws' 、'kde_kws' 、'reg_kws' 來(lái)進(jìn)行設(shè)置，因?yàn)槠渲猩婕暗蕉鄠€(gè)參數(shù)，參數(shù)間用逗號(hào)隔開(kāi)，參數(shù)外面用大括號(hào)括住。

#可以分別控制直方圖、密度圖的關(guān)鍵參數(shù)

fig,axes=plt.subplots(1,2)

sns.distplot(age1,rug=True,ax=axes[0])

sns.distplot(age1,rug=True,

hist_kws={'color':'green','label':'hist'},

kde_kws={'color':'red','label':'KDE'},

ax=axes[1])

image

02 barplot

條形圖

barplot() 利用矩陣條的高度反映數(shù)值變量的集中趨勢(shì)，以及使用errorbar功能（差棒圖）來(lái)估計(jì)變量之間的差值統(tǒng)計(jì)（置信區(qū)間）。需要提醒的是 barplot() 默認(rèn)展示的是某種變量分布的平均值（可通過(guò)參數(shù)修改為 max、median 等）。

這里我們?nèi)匀灰?#39;titanic'數(shù)據(jù)集作為展示，將'class'設(shè)為x軸，'survived'設(shè)為y軸。

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

#導(dǎo)入數(shù)據(jù)集'titanic'，命名為'titanic'

titanic=sns.load_dataset('titanic')

#將'class'設(shè)為x軸，'survived'為y軸，傳入'titanic'數(shù)據(jù)

sns.barplot(x='class',y='survived',data=titanic)

image

我們可以通過(guò)設(shè)置'hue'參數(shù)，對(duì)x軸的數(shù)據(jù)進(jìn)行細(xì)分，細(xì)分的條件就是'hue'的參數(shù)值，比如這里我們的x軸是'class'（倉(cāng)位等級(jí)），我們將其按'sex'（性別）再進(jìn)行細(xì)分。

sns.barplot(x='class',y='survived',hue='sex',data=titanic)

image

換一組數(shù)據(jù)試試，將x軸設(shè)為'embarked'，y軸設(shè)為'survived'，并用'class'進(jìn)行細(xì)分。

sns.barplot(x='embarked',y='survived',

hue='class',data=titanic)

image

03 countplot

計(jì)數(shù)圖

countplot 故名思意，計(jì)數(shù)圖，可將它認(rèn)為一種應(yīng)用到分類變量的直方圖，也可認(rèn)為它是用以比較類別間計(jì)數(shù)差。當(dāng)你想要顯示每個(gè)類別中的具體觀察數(shù)量時(shí)，countplot 很容易實(shí)現(xiàn)，比較類似我們?cè)?Excel 等軟件中應(yīng)用的條形圖。

同樣，我們以數(shù)據(jù)集'titanic'為例子，首先探索'deck'字段下的類別計(jì)數(shù)。

image

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

titanic=sns.load_dataset('titanic')

sns.countplot(x='deck',data=titanic)

image

由此可見(jiàn)，我們選定某個(gè)字段，countplot() 會(huì)自動(dòng)幫我們統(tǒng)計(jì)該字段下各類別的數(shù)目。當(dāng)然，我們也可以再傳入'hue'參數(shù)，進(jìn)行細(xì)分，這里我們加入'sex'分類。

sns.countplot(x='deck',hue='sex',data=titanic)

image

如果我們希望調(diào)換橫縱坐標(biāo)，也就是類別放于縱坐標(biāo)，計(jì)數(shù)值橫坐標(biāo)顯示，將x軸換為y軸即可。

sns.countplot(y='deck',hue='who',data=titanic)

image

04 stripplot/swarmplot

散點(diǎn)圖

在seaborn中有兩種不同的分類散點(diǎn)圖。stripplot() 使用的方法是用少量的隨機(jī)“抖動(dòng)”調(diào)整分類軸上的點(diǎn)的位置，swarmplot() 表示的是帶分布屬性的散點(diǎn)圖。

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

titanic=sns.load_dataset('titanic')

sns.stripplot(x='embarked',y='fare',data=titanic)

image

這里我們可以通過(guò)設(shè)置'jitter'參數(shù)控制抖動(dòng)的大小。

sns.stripplot(x='embarked',y='fare',

data=titanic,jitter=1)

image

swarmplot() 方法使用防止它們重疊的算法沿著分類軸調(diào)整點(diǎn)。它可以更好地表示觀測(cè)的分布，它適用于相對(duì)較小的數(shù)據(jù)集。

sns.swarmplot(x='embarked',y='fare',data=titanic)

image

可以通過(guò)'hue'參數(shù)，對(duì)散點(diǎn)圖添加更多細(xì)分的維度，Seaborn 中會(huì)以顏色來(lái)進(jìn)行區(qū)分。

sns.stripplot(x='embarked',y='age',hue='who',jitter=1,data=titanic)

image

sns.swarmplot(x='embarked',y='age',hue='who',data=titanic)

image

05 boxplot

箱線圖

boxplot（箱線圖）是一種用作顯示一組數(shù)據(jù)分散情況的統(tǒng)計(jì)圖。它能顯示出一組數(shù)據(jù)的最大值、最小值、中位數(shù)及上下四分位數(shù)。因形狀如箱子而得名。這意味著箱線圖中的每個(gè)值對(duì)應(yīng)于數(shù)據(jù)中的實(shí)際觀察值。

image

以'titanic'數(shù)據(jù)集為例，我們首先來(lái)探索不同的'class'（船艙）下的乘客的'age'（年齡）情況。

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

titanic=sns.load_dataset('titanic')

sns.boxplot(x='class',y='age',data=titanic)

image

同樣的，可以通過(guò)傳入'hue'的參數(shù)，來(lái)對(duì)x軸的字段進(jìn)行細(xì)分，這里我們通過(guò)'who'來(lái)進(jìn)行分類觀察。

sns.boxplot(x='class',y='age',hue='who',data=titanic)

image

與上述類似，我們也可以通過(guò)調(diào)換x/y軸，實(shí)現(xiàn)箱線圖的橫向顯示。

sns.boxplot(x='age',y='class',hue='who',data=titanic)

image

調(diào)節(jié)'order' 和 'hue_order' 參數(shù)，我們可以控制x軸展示的順序。

fig,axes=plt.subplots(1,2)

sns.boxplot(x='class',y='age',hue='who',

data=titanic,ax=axes[0])

sns.boxplot(x='class',y='age',hue='who',data=titanic,

order=['Third','Second','First'],

hue_order=['child','woman','man'],ax=axes[1])

image

可以通過(guò)'linewidth'參數(shù)，控制線條的粗細(xì)。我們把'linewidth'參數(shù)設(shè)為1，就可以看到整體圖形的線條變細(xì)，你可以根據(jù)自己的需要調(diào)節(jié)。

sns.boxplot(x='class',y='age',hue='who',

linewidth=1,data=titanic)

image

06 violinplot

小提琴圖

小提琴圖其實(shí)是箱線圖與核密度圖的結(jié)合，箱線圖展示了分位數(shù)的位置，小提琴圖則展示了任意位置的密度，通過(guò)小提琴圖可以知道哪些位置的密度較高。

在圖中，白點(diǎn)是中位數(shù)，黑色盒型的范圍是下四分位點(diǎn)到上四分位點(diǎn)，細(xì)黑線表示須。外部形狀即為核密度估計(jì)。

與箱線圖進(jìn)行對(duì)比，同樣以'titanic'數(shù)據(jù)集為例，我們來(lái)探索不同的'class'（船艙）下乘客的'age'（年齡）情況。

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

titanic=sns.load_dataset('titanic')

sns.violinplot(x='class',y='age',data=titanic)

image

同樣，可以設(shè)置'hue'參數(shù)，對(duì)字段進(jìn)行細(xì)分。

sns.violinplot(x='class',y='age',hue='who',data=titanic)

image

當(dāng)hue參數(shù)只有兩個(gè)級(jí)別時(shí)，也可以通過(guò)設(shè)置'split'參數(shù)為T(mén)rue，“拆分”小提琴，提琴兩邊分別表示兩個(gè)分類的情況，這樣可以更有效地利用空間。

sns.violinplot(x='class',y='age',hue='alive',

data=titanic,split=True)

image

我們可以在小提琴內(nèi)部添加圖形來(lái)幫助我們進(jìn)行分析，這里就需要控制'inner'參數(shù)。

sns.violinplot(x='class',y='age',hue='alive',

data=titanic,split=True,inner='stick')

image

我們甚至可以把上面提到的散點(diǎn)圖加入小提琴圖中。

sns.violinplot(x='class',y='age',data=titanic,inner=None)

sns.swarmplot(x='class',y='age',data=titanic,color='white')

image

07 regplot/lmplot

回歸圖

Seaborn 中利用 regplot() 和 lmplot() 來(lái)進(jìn)行回歸，確定線性關(guān)系，它們密切相關(guān)，共享核心功能，但也有明顯的不同。

這里我們使用 Seaborn 自帶的數(shù)據(jù)集'iris'來(lái)繪制回歸相關(guān)的圖形。首先我們導(dǎo)入收據(jù)來(lái)看看數(shù)據(jù)集的大概情況：

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

#導(dǎo)入數(shù)據(jù)集'iris'

iris=sns.load_dataset('iris')

#隨機(jī)查看數(shù)據(jù)集的10行數(shù)據(jù)

iris.sample(10)

image

數(shù)據(jù)集非常簡(jiǎn)單，總共是5個(gè)字段，我們首先來(lái)看 'sepal_length' 和 'petal_length' 之間的線性關(guān)系。

sns.regplot(x='sepal_length',y='petal_length',data=iris)

image

圖中的點(diǎn)表示實(shí)際的數(shù)據(jù)點(diǎn)，Seaborn 根據(jù)這些數(shù)據(jù)擬合出直線，表示x軸和y軸對(duì)應(yīng)字段之間的線性關(guān)系，直線周圍的陰影表示置信區(qū)間。

關(guān)于置信區(qū)間，可以通過(guò)設(shè)置'ci'參數(shù)控制是否顯示。

sns.regplot(x='sepal_length',y='petal_length',data=iris,ci=None)

image

可以通過(guò)'color'和'marker'參數(shù)來(lái)控制圖形的顏色以及數(shù)據(jù)點(diǎn)的形狀。

fig,axes=plt.subplots(1,2)

sns.regplot(x='sepal_length',y='petal_length',data=iris,

color='r',marker='+',ax=axes[0])

sns.regplot(x='sepal_length',y='petal_length',data=iris,

color='g',marker='*',ax=axes[1])

image

lmplot() 可以設(shè)置hue，進(jìn)行多個(gè)類別的顯示，而 regplot() 是不支持的。這里我們通過(guò)設(shè)置hue='species'，來(lái)進(jìn)行分類別地展示。

sns.lmplot(x='sepal_length',y='petal_length',

hue='species',data=iris)

image

同樣的，我們也可以更改數(shù)據(jù)點(diǎn)的形狀，來(lái)進(jìn)行區(qū)分。

sns.lmplot(x='sepal_length',y='petal_length',hue='species',

data=iris,markers=['*','o','+'])

image

設(shè)置'fit_reg'參數(shù)，可以控制是否顯示擬合的直線。

sns.lmplot(x='sepal_length',y='petal_length',hue='species',

data=iris,markers=['*','o','+'],fit_reg=False)

image

如果要對(duì)不同的類別分開(kāi)繪制，用'col'參數(shù)代替'hue'。

sns.lmplot(x='sepal_length',y='petal_length',

col='species',data=iris)

image

08 heatmap

熱力圖

熱力圖通常用來(lái)表示特征之間的相關(guān)性，一般通過(guò)顏色的深淺來(lái)表示數(shù)值的大小或者相關(guān)性的高低。

這里我們導(dǎo)入 Seaborn 自帶的另一個(gè)數(shù)據(jù)集'flights'，來(lái)繪制熱力圖。先查看數(shù)據(jù)前10行的情況：

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

flights = sns.load_dataset('flights')

flights.head(10)

image

我們以'year'為縱軸，'month'為橫軸，'passengers'的值為標(biāo)準(zhǔn)繪制熱力圖。

f=flights.pivot('year','month','passengers')

sns.heatmap(f)

image

如果要顯示具體的數(shù)值，可以通過(guò)'annot'參數(shù)來(lái)控制。

sns.heatmap(f, annot=True,fmt='d')

image

通過(guò) Seaborn 的調(diào)色板控制熱力圖顯示的顏色，調(diào)色板在后續(xù)會(huì)有詳細(xì)的說(shuō)明，這里只做演示，示例熱力圖的顏色調(diào)節(jié)機(jī)制。

cmap = sns.diverging_palette(200,20,sep=20,as_cmap=True)

sns.heatmap(f,cmap=cmap)

image

- 圖形控制的藝術(shù) -

前面我們利用 Seaborn 繪制了各種類型的圖形，對(duì)于基本的快速分析，其實(shí)已經(jīng)足夠，但是在細(xì)節(jié)的調(diào)節(jié)、顏色、美觀度等方面我們還可以進(jìn)行精細(xì)化的控制。

首先我們利用 Numpy 創(chuàng)建一組數(shù)據(jù)（20行6列的隨機(jī)數(shù)），然后利用 Seaborn 創(chuàng)建一個(gè)箱線圖來(lái)進(jìn)行展示。

import numpy as np

import seaborn as sns

import matplotlib.pyplot as plt

%matplotlib inline

#創(chuàng)建一個(gè)20行6列的數(shù)據(jù)

data = np.random.normal(size=(20, 6)) + np.arange(6) / 2

sns.boxplot(data=data)

image

圖形背景

Seaborn 中有 white / whitegrid / dark / darkgrid / ticks 幾種樣式，用 set_style() 函數(shù)控制，分別如下：

whitegrid 白色網(wǎng)格背景

white 白色背景（默認(rèn)）

darkgrid 黑色網(wǎng)格背景

dark 黑色背景

ticks 四周帶有刻度的白色背景

# 設(shè)為白色網(wǎng)格背景

sns.set_style('whitegrid')

sns.boxplot(data=data)

image

# 設(shè)為黑色網(wǎng)格背景

sns.set_style('darkgrid')

sns.boxplot(data=data)

image

調(diào)色板

seaborn 中的分類色板，主要用 color_palette() 函數(shù)控制，color_palette() 不寫(xiě)參數(shù)則顯示為 Seaborn 默認(rèn)顏色。如果需要設(shè)置所有圖形的顏色，則用 set_palette() 函數(shù)定義。

Seaborn 中6個(gè)默認(rèn)的顏色循環(huán)主題分別為： deep, muted, pastel, bright, dark, colorblind，下面我們列舉演示。

# 設(shè)置顏色模式為'deep'

sns.boxplot(data=data,palette=sns.color_palette('deep'))

image

# 設(shè)置顏色模式為'pastel'

sns.boxplot(data=data,palette=sns.color_palette('pastel'))

image

需要注意的是，除了默認(rèn)的顏色模式有10中顏色外，其他的顏色模式只有6種顏色，如果需要更多顏色，那么則需要采用hls色彩空間。

#創(chuàng)建一個(gè)20行10列的數(shù)據(jù)'data2'

data2 = np.random.normal(size=(20, 10)) + np.arange(10) / 2

#利用hls色彩空間進(jìn)行調(diào)色

sns.boxplot(data=data2, palette=sns.color_palette('hls', 10))

image

我們也可以通過(guò)簡(jiǎn)單的設(shè)置，得到單色漸變的效果，默認(rèn)顏色由淺到深。

#可以嘗試 Reds/Greens，默認(rèn)顏色由淺到深

sns.boxplot(data=data,palette=sns.color_palette('Blues'))

image

顯示中文

Seaborn 對(duì)中文的顯示不太友好，如果在遇到亂碼問(wèn)題時(shí)，可以加入下面的代碼。

# 指定默認(rèn)字體

mpl.rcParams['font.sans-serif'] = ['SimHei']

# 解決保存圖像是負(fù)號(hào)'-'顯示為方塊的問(wèn)題

mpl.rcParams['axes.unicode_minus'] = False

保存圖片

畫(huà)出的圖形我們需要保存，可以先建立一個(gè)畫(huà)布，設(shè)置我們圖像的大小，然后將這個(gè)畫(huà)布保存下來(lái)。

#設(shè)置一個(gè)（12，6）的畫(huà)布

plt.figure(figsize=(12, 6))

#圖形繪制代碼

sns.boxplot(data=data,palette=sns.color_palette('Blues'))

#將畫(huà)布保存為'xiang.png'，還可以保存為jpg、svg格式圖片

plt.savefig('xiang.png')

image

關(guān)于 Seaborn，基本的圖形繪制到這里就差不多了，雖然只是最常規(guī)的圖形，但是足夠讓你開(kāi)始嘗試探索數(shù)據(jù)，快速繪圖并獲得分析結(jié)果。

當(dāng)然，這絕對(duì)不是 Seaborn 的全部，如果進(jìn)行更精細(xì)化的參數(shù)設(shè)置，如何做出信息更多、更加美觀的圖形，還有很多需要去了解的細(xì)節(jié)。

探索性數(shù)據(jù)分析的路很長(zhǎng)，但開(kāi)始足夠簡(jiǎn)單，去創(chuàng)造屬于你的圖形吧。

下面是為初學(xué)者們準(zhǔn)備的python電子書(shū)籍資料和python入門(mén)教程！