数据可视化 指的是通过可视化表示来探索数据，它与数据挖掘 紧密相关，而数据挖掘指的是使用代码来探索数据集的规律和关联。数据集可以是用一行代码就能表
示的小型数字列表，也可以是数以吉字节的数据。
绘制简单的折线图
下面来使用matplotlib绘制一个简单的折线图，再对其进行定制，以实现信息更丰富的数据可视化。我们将使用平方数序列1、4、9、16和25来绘制这个图表。
只需向matplotlib提供如下数字，matplotlib就能完成其他的工作：
import matplotlib.pyplot as plt
squares = [1, 4, 9, 16, 25]
plt.plot(squares)
plt.show()我们首先导入了模块pyplot ，并给它指定了别名plt ，以免反复输入pyplot 。在线示例大都这样做，因此这里也这样做。模块pyplot 包含很多用于生成图表的函数。
我们创建了一个列表，在其中存储了前述平方数，再将这个列表传递给函数plot() ，这个函数尝试根据这些数字绘制出有意义的图形。plt.show() 打开matplotlib查看器，并
显示绘制的图形，如图15-1所示。查看器让你能够缩放和导航图形，另外，单击磁盘图标可将图形保存起来。
修改标签文字和线条粗细
图形表明数字是越来越大的，但标签文字太小，线条太细。所幸matplotlib让你能够调整可视化的各个方面。
下面通过一些定制来改善这个图形的可读性，如下所示：
import matplotlib.pyplot as plt
squares = [1, 4, 9, 16, 25]
❶ plt.plot(squares, linewidth=5)
# 设置图表标题，并给坐标轴加上标签
❷ plt.title("Square Numbers", fontsize=24)
❷ plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
# 设置刻度标记的大小
❹ plt.tick_params(axis='both', labelsize=14)
plt.show()参数linewidth （见❶）决定了plot() 绘制的线条的粗细。函数title() （见❷）给图表指定标题。在上述代码中，出现了多次的参数fontsize 指定了图表中文字的大
小。
函数xlabel() 和ylabel() 让你能够为每条轴设置标题（见❸）；而函数tick_params() 设置刻度的样式（见❹），其中指定的实参将影响x 轴和y 轴上的刻度
（axes='both' ），并将刻度标记的字号设置为14（labelsize=14 ）。
最终的图表阅读起来容易得多了，如图15-2所示：标签文字更大，线条也更粗。
校正图形
图形更容易阅读后，我们发现没有正确地绘制数据：折线图的终点指出4.0的平方为25！下面来修复这个问题。
当你向plot() 提供一系列数字时，它假设第一个数据点对应的 x 坐标值为0，但我们的第一个点对应的 x 值为1。为改变这种默认行为，我们可以给plot() 同时提供输入值和
输出值：
import matplotlib.pyplot as plt
input_values = [1, 2, 3, 4, 5]
squares = [1, 4, 9, 16, 25]
plt.plot(input_values, squares, linewidth=5)
# 设置图表标题并给坐标轴加上标签
--snip--现在plot() 将正确地绘制数据，因为我们同时提供了输入值和输出值，它无需对输出值的生成方式作出假设。最终的图形是正确的，如图所示。
使用plot() 时可指定各种实参，还可使用众多函数对图形进行定制。本章后面处理更有趣的数据集时，将继续探索这些定制函数。
使用scatter() 绘制散点图并设置其样式
有时候，需要绘制散点图并设置各个数据点的样式。例如，你可能想以一种颜色显示较小的值，而用另一种颜色显示较大的值。绘制大型数据集时，你还可以对每个点都设置同
样的样式，再使用不同的样式选项重新绘制某些点，以突出它们。
要绘制单个点，可使用函数scatter() ，并向它传递一对 x 和 y 坐标，它将在指定位置绘制一个点：
import matplotlib.pyplot as plt
plt.scatter(2, 4)
plt.show()下面来设置输出的样式，使其更有趣：添加标题，给轴加上标签，并确保所有文本都大到能够看清：
import matplotlib.pyplot as plt
❶ plt.scatter(2, 4, s=200)
# 设置图表标题并给坐标轴加上标签
plt.title("Square Numbers", fontsize=24)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis='both', which='major', labelsize=14)
plt.show()在❶处，我们调用了scatter() ，并使用实参s 设置了绘制图形时使用的点的尺寸。如果此时运行scatter_squares.py，将在图表中央看到一个点，如图所示。
使用scatter() 绘制一系列点
要绘制一系列的点，可向scatter() 传递两个分别包含x 值和y 值的列表，如下所示：
import matplotlib.pyplot as plt
x_values = [1, 2, 3, 4, 5]
y_values = [1, 4, 9, 16, 25]
plt.scatter(x_values, y_values, s=100)
# 设置图表标题并给坐标轴指定标签
--snip--列表x_values 包含要计算其平方值的数字，而列表y_values 包含前述每个数字的平方值。将这些列表传递给scatter() 时，matplotlib依次从每个列表中读取一个值来绘制
一个点。要绘制的点的坐标分别为 (1, 1)、(2, 4)、(3, 9)、(4, 16)和(5, 25)，最终的结果如图所示。
自动计算数据
手工计算列表要包含的值可能效率低下，需要绘制的点很多时尤其如此。可以不必手工计算包含点坐标的列表，而让Python循环来替我们完成这种计算。下面是绘制1000个点的代
码：
import matplotlib.pyplot as plt
❶ x_values = list(range(1, 1001))
y_values = [x**2 for x in x_values]
❷ plt.scatter(x_values, y_values, s=40)
# 设置图表标题并给坐标轴加上标签
--snip--
# 设置每个坐标轴的取值范围
❸ plt.axis([0, 1100, 0, 1100000])
plt.show()我们首先创建了一个包含 x 值的列表，其中包含数字1~1000（见❶）。接下来是一个生成 y 值的列表解析，它遍历 x 值（for x in x_values ），计算其平方值（x**2 ），
并将结果存储到列表y_values 中。然后，将输入列表和输出列表传递给scatter() （见❷）。
由于这个数据集较大，我们将点设置得较小，并使用函数axis() 指定了每个坐标轴的取值范围（见❸）。函数axis() 要求提供四个值：x 和 y 坐标轴的最小值和最大值。在
这里，我们将 x 坐标轴的取值范围设置为0~1100，并将 y 坐标轴的取值范围设置为0~1 100 000。结果如图所示。
删除数据点的轮廓
matplotlib允许你给散点图中的各个点指定颜色。默认为蓝色点和黑色轮廓，在散点图包含的数据点不多时效果很好。但绘制很多点时，黑色轮廓可能会粘连在一起。要删除数据
点的轮廓，可在调用scatter() 时传递实参edgecolor='none' ：
plt.scatter(x_values, y_values, edgecolor='none', s=40)将相应调用修改为上述代码后，如果再运行scatter_squares.py，在图表中看到的将是蓝色实心点。
自定义颜色
要修改数据点的颜色，可向scatter() 传递参数c ，并将其设置为要使用的颜色的名称，如下所示：
plt.scatter(x_values, y_values, c='red', edgecolor='none', s=40)你还可以使用RGB颜色模式自定义颜色。要指定自定义颜色，可传递参数c ，并将其设置为一个元组，其中包含三个0~1之间的小数值，它们分别表示红色、绿色和蓝色分量。例
如，下面的代码行创建一个由淡蓝色点组成的散点图：
plt.scatter(x_values, y_values, c=(0, 0, 0.8), edgecolor='none', s=40)值越接近0，指定的颜色越深，值越接近1，指定的颜色越浅。
使用颜色映射
颜色映射 （colormap）是一系列颜色，它们从起始颜色渐变到结束颜色。在可视化中，颜色映射用于突出数据的规律，例如，你可能用较浅的颜色来显示较小的值，并使用较深
的颜色来显示较大的值。
模块pyplot 内置了一组颜色映射。要使用这些颜色映射，你需要告诉pyplot 该如何设置数据集中每个点的颜色。下面演示了如何根据每个点的 y 值来设置其颜色：
import matplotlib.pyplot as plt
x_values = list(range(1001))
y_values = [x**2 for x in x_values]
plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues,
edgecolor='none', s=40)
# 设置图表标题并给坐标轴加上标签
--snip--我们将参数c 设置成了一个 y 值列表，并使用参数cmap 告诉pyplot 使用哪个颜色映射。这些代码将 y 值较小的点显示为浅蓝色，并将 y 值较大的点显示为深蓝色，生成的图形
如图所示。
自动保存图表
要让程序自动将图表保存到文件中，可将对plt.show() 的调用替换为对plt.savefig() 的调用：
plt.savefig('squares_plot.png', bbox_inches='tight')第一个实参指定要以什么样的文件名保存图表，这个文件将存储到scatter_squares.py所在的目录中；第二个实参指定将图表多余的空白区域裁剪掉。如果要保留图表周围多余的空
白区域，可省略这个实参。