饼状图
饼状图显示一个数据系列中各项的大小与各项总和的比例。Pyplot中绘制饼状图的函数为 pie()，主要参数如下：
- x：饼图中每一块的比例，通常是一个数组。如果 sum(x) > 1 会使用归一化后的比例，即每一块除以sum(x)，如果sum(x) < 1，则按照实际比例，此时有一部分为空白；
- explode：指定饼图中每块离开中心的距离，通常是一个数组，默认为0；
- labels：为饼图添加标签说明，类似于图例说明，标签列表；
- colors：指定饼图的填充色，颜色列表；
- autopct：设置饼图内每块百分比显示样式，可以使用format字符串或者格式化函数'% width. Precision f %%'指定饼图内百分比的数字显示宽度和小数的位数；
- radius：设置饼图的半径；
- labeldistance：每块旁边的文本标签的位置离饼的中心点的距离；
- shadow：是否有阴影效果，默认为False。
案例：已知一个员工一天的活动时间分配为：工作8小时、睡觉7小时、吃饭3小时，玩乐6小时，根据这些信息，绘制该员工一天时间分配饼状图，效果如下。
参考代码如下：
散点图
散点图是以一个变量为横坐标，另一变量为纵坐标，利用散点的分布形态反映变量统计关系的一种图形，以不同颜色、不同大小的点表示数据之间的关系。Pyplot 中绘制散点图的函数为scatter()，主要参数如下：
scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, **kwargs)
- x：散点图中点的x轴坐标；
- y：散点图中点的y轴坐标；
- s：散点图点的大小，默认为20，标量或数组；
- c：散点图点的颜色，默认为蓝色，标量或数组；
- marker：指定散点图点的形状，默认为圆形；
- cmap：颜色映射，可选，将颜色映射到已有色系，例如plt.cm.Blues；
- norm：将亮度数据归一化到 0-1 之间；
- vmin：亮度的最小值；
- vmax：亮度的最大值；
- alpha：设置散点的透明度；
编程程序，绘制散点图，要求图中的每个散点随机呈现不同的大小和颜色。效果如图所示，随机生成30个点，x轴坐标和y轴坐标都在0-10之间，颜色取值在0-30之间。大小在30-300之间。效果图如下：
代码参考如下：
生成词云图
近年来，互联网、新媒体等行业报告中都会看到精美的词云图。词云图能够呈现出比较好的可视化效果，从视觉上可明确区分各词汇的频次，快速领略文本的主旨，是很好的数据展现形式。
Python中提供的 wordcloud 库可以快速生成词云图。但主要是针对英文，通过空格进行分词。wordcloud的离线安装如下（先下载安装包）：
比较流行的中文分词库为 jieba，可将其与 wordcloud 库联合使用从而对中文文章生成相应的词云图。 jieba库的在线安装如下：
WordCloud(font_path=None, width=400, height=200, margin=2, mask=None, max_words=200, min_font_size=4, stopwords=None, background_color='black', max_font_size=None, font_step=1)
- font_path：字体路径，默认不支持中文，可通过该参数指定字体，支持 OTF 和 TTF
- width、height: 画布的宽度和高度，单位为像素；
- margin:文字之间的边距；
- mask: 指定图片的形状，忽略白色部分，通常为 ndarray；
- max_words: 最多显示的词的数量，默认为200；
- min_font_size、max_font_size：最小字体大小、最大字体大小；
- font_step: 字体大小增加步长，默认为1
- background_color：词云图的背景颜色，默认为黑色
- ……
一些关键的方法：
- generate (text): 根据文本生成词云图，返回当前对象本身；
- to_image()：将词云对象转化为图片；
- to_file(文件名)：将词云对象转化为文件；
- to_array()：将词云对象转化为数组。
生成词云图开发步骤
- 创建 wordcloud 对象，设定基本信息；
- 调用 generate() 方法生成词云；
- 保存或显示词云图。
jieba 库分词的三种模式：
（1）精准模式：把文本精准地分开，不存在冗余；
（2）全模式：把文中所有可能的词语都扫描出来，存在冗余；
（3）搜索引擎模式：在精准模式的基础上，再次对长词进行切分。
jieba库中的一些关键方法：
- jieba.cut(sentence, cut_all=False, HMM=True)：sentence表示需要分词的句子，cut_all 表示是否采用全模式，HMM 表示是否使用 HMM （隐马尔可夫模型）模型；
- jieba.cut_for_search(sentence, HMM=True)：sentence表示需要分词的句子，HMM表示是否使用 HMM 模型，该方法适合用于搜索引擎构建倒排索引的分词，粒度比较细；
- jieba.cut() 方法和 jieba.cut_for_search() 方法返回的结果都是可迭代对象，可使用 for 循环获取分词后得到的每一个词语，此外，jieba.lcut() 和 jieba.lcut_for_search() 效果分别和 jieba.cut() 和 jieba.cut_for_search() 效果类似，直接返回列表；
- add_word(word, freq=None, tag=None) 和 del_word(word) 可在程序中动态修改词典；
生成中文词云步骤
- 读取文件内容
- 借助 jieba 库对中文进行分词，然后将结果合并并以空格隔开；
- 打开图片文件，得到对应数组；
- 创建WordCloud对象，设置基本信息；
- 生成词云图，并保存或显示。
同一篇文章不同的效果图：
参考代码如下：
