准备工作
导入要使用的库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sb #sns也可以
%matplotlib inline
柱状图(条形图)
sb.countplot(data = 此处写数据df,
x（或者是y） = 列的名字,
color = 一个三项元组（由来可由下面来得到）, order = 排序后的列表(可通过pd.series.value_counts()方法得到排序结果),
hue = x如果设置的是大分类，hue就是设置的小分类,
palette=颜色格式，
以及其他参数最好自己尝试然后记录一下…………);
#难得的有个分号在后面，并非必须，有分号就是只显示图，干净利落一点
（1）sb.color_palette
#会用来返回当前图表中所使用到的颜色，比如第一个柱子的颜色，是由一个三项的元组组成（为什么三项，画图工具调色里也有，红绿蓝配比）
Series.value_counts(normalize=False, sort=True, ascending=False, bins=None, dropna=True)
#可以通过pd Series方法来返回包含唯一值计数的对象。结果对象将按降序排列，以便第一个元素是最常出现的元素。 默认排除NA值。具体参数含义可以参考文档
（2）matplotlib xticks yticks
#在matplotlib中ticks表示的是刻度，而刻度有两层意思，一个是刻标(locs)，一个是刻度标签(tick labels)。在作图时，x轴y轴都是连续的，所以刻标可以随意指定,就是在连续变量上找寻位置，而刻度标签则可以对应替换
xticks()返回了两个对象,一个是刻标(locs)，另一个是刻度标签
locs, labels = xticks()
plt.xticks(有两个重要的可选，一个是刻度列表，一个是每一个刻度显示的标签，剩下都是关键字参数，比如rotation = 旋转多少度)
plt.yticks（跟xticks类似的）
# 显示x轴的刻标
xticks( arange(6) )
# 显示x轴的刻标以及对应的标签
xticks( arange(5), ('Tom', 'Dick', 'Harry', 'Sally', 'Sue') )
（3）pandas.melt(frame, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None)
#melt该功能描述很复杂啊，主要是选定几列作为基准行（id_vars），将另外选定的几行作为行内的属性
#举个例子
>>> import pandas as pd
>>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'},
... 'B': {0: 1, 1: 3, 2: 5},
... 'C': {0: 2, 1: 4, 2: 6}})
>>> df
A B C
0 a 1 2
1 b 3 4
2 c 5 6
>>> pd.melt(df, id_vars=['A'], value_vars=['B', 'C'])
A variable value
0 a B 1
1 b B 3
2 c B 5
3 a C 2
4 b C 4
5 c C 6
（4）matplotlib.pyplot.text(x, y, s, fontdict=None, withdash=False, **kwargs)
#将文本s添加到位于数据坐标中的位置x，y处的轴
#x,y是指位置，s就是要显示的text内容，剩下参数就自行研究了
#
countplot
color_palette
value_counts
matplotlib xticks yticks
pandas.melt
matplotlib.pyplot.text
matplotlib.pyplot.bar
饼图
matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None,
autopct=None, pctdistance=0.6,
shadow=False, labeldistance=1.1,
startangle=None, radius=None,
counterclock=True, wedgeprops=None,
textprops=None, center=(0, 0), frame=False,
rotatelabels=False, hold=None, data=None)
制作一个数组x的饼图。 每个部分的分数面积由x / sum（x）给出。 如果sum（x）<1，那么x的值直接给出分数区域，并且数组不会被归一化。 结果派将有一个大小为1 - sum（x）的空部分。
各个部分是逆时针绘制的，默认从x轴开始。
必选参数x是Series数据，labels可自定义，startangle决定了起始的角度默认是x轴，counterclock是说逆时针还是顺时针。
其他具体参数含义需参考api文档。
直方图
matplotlib.pyplot.hist(x, bins=None, range=None, density=None,
weights=None, cumulative=False, bottom=None, histtype='bar',
align='mid', orientation='vertical', rwidth=None, log=False,
color=None, label=None, stacked=False, normed=None, hold=None,
data=None, **kwargs)
主要作用是计算并绘制x的直方图。如果输入包含多个数据，
则返回值是一个元组（n，bin，patches）或（[ n0，n1，...]，bin，[ patches0，patches1，...]）。
x ：唯一一个必选参数，表示输入的数据，np的array或者pd的series，dataframe都可以
bin ： 整数或序列（列表或者array等等都可以），是可选的
整数的话，就是整数个柱子
序列的话，就是给出的序列作为柱子的边缘，
比如[1,2,3,4]，那么第一个柱子 （包括1，但不包括2），依次类推，共有3个，分别是，[1, 2)[2, 3)[3, 4]，序列呢，就是可以设置的不那么平均了。
rwidth: 柱体间隔，间隔空隙暗示值是离散的
range：元组或None
决定了bin的上限和下限。较低和较高的异常值将被忽略。(x.min(), x.max())
另外，如果设置了bins为一个序列的话，那么range会无效注意下。
density：布尔型
如果设置为True，会让返回的n的值相加为1。决定的是每个格子频率占总数的百分比。
cumulative：布尔型
如果设置为True，图表就变成了累积型，返回的n也是变成累加的值，而不是原来那种只有自己的值，确切来说，是后面的一个bin是前面的bin的值加上自己的值。
weights：n或者是序列
就像名字一样，权重，是一组与x形状相同的权重，当然，如果density设为True，weights不生效
还有很多其他参数，不再描述，可以看官方文档学习，另外，要多练习哦
seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None,
hist_kws=None, kde_kws=None, rug_kws=None, fit_kws=None, color=None,
vertical=False, norm_hist=False, axlabel=None, label=None, ax=None)
a:必须为Series, 1d-array, 或者 list.不像matplotlib.pyplot.hist那样，第一个数据可以是dataframe
hist=True, kde=True,特别注意下，这两个参数默认为True
hist为True的情况下会有矩阵的柱形图
kde是指Kernel Density Estimation核密度估计，通俗点说，所谓核密度估计，就是采用平滑的峰值函数(“核”)来拟合观察到的数据点，从而对真实的概率分布曲线进行模拟。所以，True是会将数据绘制成曲线，曲线下的面积为1。
rug是指轴须图，每根须都对应着一个数据，数据密了自然就粗了，一般和其他一些统计图形(比方说密度曲线之类的)结合着用，轴须图可以更好的帮助了解原始数据的信息(位置)。
如果你用不到distplot提供的这些功能，只是想看看分步，用matplotlib.pyplot.hist足以。
常用plt方法
plt.figure
matplotlib.pyplot.figure(num=None, figsize=None, dpi=None, facecolor=None, edgecolor=None, frameon=True, FigureClass=<class 'matplotlib.figure.Figure'>, clear=False, **kwargs)
作用是用来创建一个新的图像实例
常用这两个：
num：类似窗体的id号，或者说窗体标题
figsize:以英寸为单位的宽高
plt.subplot
subplot(nrows, ncols, index, **kwargs)
创建一个坐标轴，按照坐标轴来填充位置，从坐标轴1号位开始沿x轴递增
plt.subplot(211)跟plt.subplot(2,1,1)是一个意思
就是说建立了一个两行一列的坐标轴，图表的位置在第一行第一列。
plt.xlim(xmin, xmax)
plt.ylim(ymin, ymax)
xlim设置坐标值的最左值和最右值
ylim设置坐标值的最上值和最下值
plt.xscale
首先如果数据近似符合分布的数据。即采用原始单位的话，看起来非常偏态：很多数据点的值很小，有一个很长的尾部，尾部数据点的值很大。但是对这些值取对数的话，数据看起来是正态分布的，此时就需要xscale了
有这几种缩放方法：
[‘linear’ | ‘log’ | ‘logit’ | ‘symlog’]
log是log10 只允许正值
linear是线性平时默认的那种
logit是0, 1
symlog是对称对数，并允许正值和负值，允许在曲线内设置一个范围在零附近线性而不用对数
plt.grid(True)
图表带网格
plt.xscale
plt.xscale log和symlog的区别
plt.xlim
plt.subplot
plt.figure
