利用Matpoltlib库初步接触数据可视化（仍然先从最简单的做起）
有人说，前几篇文章写的过于细了，好多都是可有可无的。我这里是为了自己的学生能够慢慢理解感受基于Python语言的数据可视化方法而写的，并不是为了博眼球。我的学生我懂，再说本人水平有限，这也算是互相促进，在教学生的同时也在巩固自己的所学所思。
这节课，不打算基于上一篇文章直接利用导入之后的数据进行可视化操作，原因如下：
（1）利用pandas读取到的数据需要进一步变换，才能用于Matpoltlib绘制，转换讲得一多，我亲爱的学生们就懵了
（2）基于numpy，利用简单的数组数据读入，进行绘图，先让大家直观了解到Matpoltlib绘制过程究竟是什么样子的
注：基于这些，到下节课，我们就可以做这样一个思维的联系
既然数组中的数据能够被绘制出来，是不是将pandas库导入的数据“变成”数组中的数据，也就可以利用Matpoltlib库进行绘制了！？~
答案当然是肯定的，我希望大家能够慢慢有这种思维方式，活学活用，不仅是课堂，也可以应用到生活的方方面面去看待问题，解决问题。
导入Matpoltlib库，创建画布
import matplotlib.pyplot as plt
fig = plt.figure()
plt.show()
第一行代码：导入Matpoltlib库，并将其简称为plt
第二行代码：创建了一个空白画布
第三行代码：展示画布及在画布上绘制的内容
因为，我们只是创建了一个空白画布，故运行之后，结果如下图所示
以二维数据为例，进行数据可视化构建（基于plot函数的折线图绘制）
（1）人为创建一组数据（以数组形式创建）：
x = [2, 4, 6, 8, 10]
y = [2.1, 3.8, 1.1, 5.6, 6.1]
x代表二维平面横轴坐标的存储数组，y代表二维平面纵轴坐标的存储数组
（2）画出折线图
import matplotlib.pyplot as plt
fig = plt.figure()
plt.plot(x, y, color = 'r', linestyle = '-')
plt.show()
这里解释一下plt.plot（）中的各参数含义：
x与y代表上面传入的横纵坐标值，color代表线条颜色，linestyle代表线条风格
（3）运行代码，直观感受一下
在这里，我们可以看到绘制了一个红色折线段，两个端点+三个折点刚好就是刚才创建的数组中数的个数，每一个点即（x, y）按数组位置传入的值组合而成的
附完整代码（有些同学基础差，慢慢照猫画虎）
import matplotlib.pyplot as plt
x = [2, 4, 6, 8, 10]
y = [2.1, 3.8, 1.1, 5.6, 6.1]
fig = plt.figure()
plt.plot(x, y, color = 'r', linestyle = '-')
plt.show()
有些理解了的同学肯定要问了，color和linestyle这两个参数还能传入其他值么？让我画的折线与众不同，我喜欢不一样的人生！~下面的风格设置拿走不谢
对于常用color参数（相应颜色对应的英文单词自己查，懒得查的自己挨个画图试= =|||）
b代表blue c代表cyan g代表green k代表black
m代表magenta r代表red w代表white y代表yellow
还有一种是通用的16进制颜色表示方法，百度上一堆，我就不赘述了，例如：#FF00FF表示一种紫色
对于常用linestyle参数
- 表示实线 -- 表示短线 -. 表示短点相间线 : 表示虚点线
再演示一个和上面color和linestyle参数不同的，其他大家动手试试
import matplotlib.pyplot as plt
x = [2, 4, 6, 8, 10]
y = [2.1, 3.8, 1.1, 5.6, 6.1]
fig = plt.figure()
plt.plot(x, y, color = '#FF00FF', linestyle = ':')
plt.show()
以二维数据为例，进行数据可视化构建（基于scatter函数的散点图绘制）
（1）人为创建一组数据（以数组形式创建）：
x = [2, 4, 6, 8, 10]
y = [2.1, 3.8, 1.1, 5.6, 6.1]
（2）画出散点图
import matplotlib.pyplot as plt
fig = plt.figure()
plt.scatter(x, y, color='k', marker='*')
plt.show()
这里解释一下plt.plot（）中的各参数含义：
x，y以及color同plot函数，不再赘述。marker代表点的标记风格
（3）运行代码，直观感受一下
附完整代码（有些同学基础差，慢慢照猫画虎）
import matplotlib.pyplot as plt
x = [2, 4, 6, 8, 10]
y = [2.1, 3.8, 1.1, 5.6, 6.1]
fig = plt.figure()
plt.scatter(x, y, color='k', marker='*')
plt.show()
对于常用marker参数（本来有很多，都不错，我放几个常用的，其他不赘述）
. 表示 Point marker o 表示 Circle marker 1 表示 Tripod down marker
s 表示 Square marker p 表示 Pentagon marker * 表示 Star marker
+ 表示 Plus marker x 表示 Cross (x) marker
接下来是统计中比较常用的饼图，柱状图
这里我就不再复述上面已有的知识点，大家要学会举一反三，慢慢理解，不能只等着喂
（1）饼图---pie（）函数
import matplotlib.pyplot as plt
y = [1.3, 2.4, 0.6, 3.6, 5.3]
plt.figure()
plt.pie(y)
plt.title('PIE')
plt.show()
上面代码中plt.pie(y)意思是以y传入的值构建饼图
这里新加入一个知识点：在上面几张可视化图中，大家有没有发现，绘制的图表没有名称，让使用图表的人不知道该图是做什么的。
我们能否自己定义图表名字呢？让人能直观知道我这图表是干嘛的。答案是肯定的！
plt.title('PIE')
这句代码的意思是定义图表名字为PIE
直接上图，直观感受
饼图上的各面积是否对应于传入的y的值？当然是，但是这里做了归一化处理，按比例显示了y传入的这5个数值占整体的比例
（2）柱状图---bar（）
import matplotlib.pyplot as plt
x = [2, 4, 6]
y = [2.3, 1.4, 4.2]
plt.figure()
plt.bar(x, y)
plt.title("bar")
plt.show()
直接上图，直观感受
今天的货，到此售完。后续会越来越深入，每天的积累是成功的开始！
