全文共 3576字，预计学习时长 10分钟或更长
Seaborn和Matplotlib是Python最强大的两个可视化库。Seaborn其默认主题让人惊讶，而Matplotlib可以通过其多个分类为用户打造专属功能。
Python提供了各种用于绘制数据的包。本教程将使用以下两种包来演示Python的绘图功能：
· Matplotlib
· Seaborn
Matplotlib
importmatplotlib.pyplot as plt
%matplotlib inline
import numpy as np在上面的代码块中，将Pyplot模块调整为plt格式并导入Matplotliib库。这样做可以简化执行命令的过程，具体内容会在本篇教程中看到。PyPlot包含创建和编辑绘图所需的一系列命令。操作时同时运行%matplotlibinline，那么绘图下方就能自动显示代码块，否则用户每次绘图时都需要输入plt.show()来创建新图。此功能是Jupyter Notebook / IPython独有的。Matplotlib拥有定制的代码块结构，这使得它比其他绘图库更先进。接下来看看如何使用matploblib生成散点图。
提示：当使用matplotlib时，文本输出无法带来视觉上的吸引力。为了解决这个问题，我们在执行代码块生成图片时会在每一行代码末端添加分号“；”。
我们使用的数据库是UCI机器学习库中的共享单车数据集。
Matplotlib: 散点图
散点图是各种示意图中影响力最广、信息量最大、功能最多的一类图。它可以直接向用户传递信息，无需太多额外工作(如下图所示)。
· plt.scatter()将输入的散点图上的数据作为初始参数，其中temp指x轴，cnt指y轴。
· c指的是不同数据点的颜色。输入一个字符串“季节”，它也表示数据帧中的一列，不同颜色对应不同季节。该方法用可视化方法对数据分组，十分简单便捷。
plt.scatter('temp','cnt', data=day, c='season')
plt.xlabel('NormalizedTemperature', fontsize='large')
plt.ylabel('Countof Total Bike Rentals', fontsize='large');
图上信息显示：
· 某些时间点的自行车租赁量超过8000辆。
· 标准温度超过0.8。
· 自行车租赁量与温度或季节无关。
· 自行车租赁量与标准温度之间含有正线性关系。
这个图的确含有大量信息，然而图表并不能产生图例，因此我们很难对各组季节数据进行破译。这是因为用散点图绘图时，Matplotlib无法根据绘图制作图例。下一节中，我们将会看到该图如何隐藏信息，甚至误导读者。
看看经过彻底编辑后的绘图。该图旨在根据不同组别绘制图例，并进行破译。
plt.rcParams['figure.figsize']= [15, 10]
fontdict={'fontsize':18,
'weight' : 'bold',
'horizontalalignment': 'center'}
fontdictx={'fontsize':18,
'weight' : 'bold',
'horizontalalignment': 'center'}
fontdicty={'fontsize':16,
'weight' : 'bold',
'verticalalignment': 'baseline',
'horizontalalignment': 'center'}
spring =plt.scatter('temp', 'cnt', data=day[day['season']==1], marker='o',color='green')
summer =plt.scatter('temp', 'cnt', data=day[day['season']==2], marker='o', color='orange')
autumn =plt.scatter('temp', 'cnt', data=day[day['season']==3], marker='o',color='brown')
winter =plt.scatter('temp', 'cnt', data=day[day['season']==4], marker='o',color='blue')
plt.legend(handles=(spring,summer,autumn,winter),
labels=('Spring', 'Summer','Fall/Autumn', 'Winter'),
title="Season
