plt.plot(x, y, 'b')

plt.xlabel('X Axis')

plt.ylabel('Y Axis')

plt.title('Sample Plot')

在上面的代码中，我们将数据传递到 matplotlib 函数（x 和 y）中，以创建带有蓝线的简单线图。此外，我们使用上面的代码控制轴标签和标题。

让我们尝试使用子图函数创建一个多 matplotlib 图。

plt.subplot(1,2,1)

plt.plot(x, y, 'b--')

plt.title('Subplot 1')

plt.subplot(1,2,2)

plt.plot(x, y, 'r')

plt.title('Subplot 2')

在上面的代码中，我们并排创建了两个图。 子图功能控制出图位置;例如plt.subplot（1，2，1）意味着我们将在一行（第一个参数）和两列（第二个参数）中有两个图。 第三个参数是控制我们现在引用的图。 所以plt.subplot（1，2，1）表示单行双列图的第一个图。

这是Matplotlib函数的基础，但是如果我们想要更多地控制Matplotlib可视化，我们需要使用面向对象方法（OOM）。 使用OOM，我们将直接从图形对象生成可视化，并从指定对象调用任何属性。

下面这个是一个Matplotlib OOM的可视化示例。

#create figure instance (Canvas)

fig = plt.figure()



#add the axes to the canvas

ax = fig.add_axes([0.1, 0.1, 0.7, 0.7]) #left, bottom, width, height (range from 0 to 1)



#add the plot to the axes within the canvas

ax.plot(x, y, 'b')

ax.set_xlabel('X label')

ax.set_ylabel('Y label')

ax.set_title('Plot with OOM')

结果与我们创建的图类似，但代码更复杂。 起初，它似乎适得其反，但使用OOM允许我们通过可视化控制几乎所有的事情。 例如，在上面的图中，我们可以控制坐标轴在画布中的位置。

为了了解使用OOM与使用普通绘图函数的区别，让我们将两个绘图的轴彼此重叠。

fig = plt.figure(figsize = (8,4), dpi =100)

fig.savefig('visualization.jpg')

plt.scatter(x,y)

直方图

直方图可视化了箱中表示的数据分布。

plt.hist(y, bins = 5)

箱线图

箱线图是一种可视化技术，表示数据分布为四分位数。

plt.boxplot(x)

饼状图

饼状图是一个圆形图，表示分类图的数字比例，例如，数据中分类值的频率。

freq = [2,4,1,3]

fruit = ['Apple', 'Banana', 'Grape', 'Pear']

plt.pie(freq, labels = fruit)

pip install seaborn

import seaborn as sns



tips = sns.load_dataset('tips')

tips.head()

sns.displot(data = tips, x = 'tip')

sns.displot(data = tips, x = 'tip', kind = 'kde', hue = 'smoker')

sns.boxplot(data = tips, x = 'time', y = 'tip')