小白学 Python 数据分析（15）：数据可视化概述

 > 人生苦短，我用 Python 前文传送门： [小白学 Python 数据分析（1）：数据分析基础](https://www.geekdigging.com/2020/01/19/6719980708/) [小白学 Python 数据分析（2）：Pandas （一）概述](https://www.geekdigging.com/2020/01/20/6718497214/) [小白学 Python 数据分析（3）：Pandas （二）数据结构 Series](https://www.geekdigging.com/2020/02/04/3234667780/) [小白学 Python 数据分析（4）：Pandas （三）数据结构 DataFrame](https://www.geekdigging.com/2020/02/05/9920298470/) [小白学 Python 数据分析（5）：Pandas （四）基础操作（1）查看数据](https://www.geekdigging.com/2020/02/16/6852411690/) [小白学 Python 数据分析（6）：Pandas （五）基础操作（2）数据选择](https://www.geekdigging.com/2020/02/20/6566891797/) [小白学 Python 数据分析（7）：Pandas （六）数据导入](https://www.geekdigging.com/2020/02/23/7355903936/) [小白学 Python 数据分析（8）：Pandas （七）数据预处理](https://www.geekdigging.com/2020/02/25/9013297409/) [小白学 Python 数据分析（9）：Pandas （八）数据预处理（2）](https://www.geekdigging.com/2020/02/27/2857868620/) [小白学 Python 数据分析（10）：Pandas （九）数据运算](https://www.geekdigging.com/2020/02/29/5808964196/) [小白学 Python 数据分析（11）：Pandas （十）数据分组](https://www.geekdigging.com/2020/03/03/5975552137/) [小白学 Python 数据分析（12）：Pandas （十一）数据透视表（pivot_table）](https://www.geekdigging.com/2020/03/04/8327177610/) [小白学 Python 数据分析（13）：Pandas （十二）数据表拼接](https://www.geekdigging.com/2020/03/06/5036602239/) [小白学 Python 数据分析（14）：Pandas （十三）数据导出](https://www.geekdigging.com/2020/03/07/6918490736/) ## 引言 从本篇开始，整个系列进入到第二部分，数据可视化。 那么，什么是数据可视化？ 可以看下下面这个动图，动图来源阿里云官网（ https:/https://img.qb5200.com/download-x/data.aliyun.com/visualhttps://img.qb5200.com/download-x/datav ）。  可以看到，这个动图非常的炫，那我们是不是学了数据可视化以后就能做出来这种效果。 emmmmmmmmmmmm。。。。。。。。 这个难度有点高，打怪升级也没有直接出门打 BOSS 的打法撒。  ## 工欲善其事必先利其器 我们先看下现在使用的主流数据可视化的工具（类库）有什么。 ### Matplotlib 第一个当然是我们在前面开篇中介绍过的 Matplotlib ， Python 数据分析经典三件套之一。 首先还是几个官方网址罗列一下，防止有的同学找不到： GitHub：https://github.com/matplotlib/matplotlib 官网：https://www.matplotlib.org/ 中文网：https://www.matplotlib.org.cn/ Matplotlib 的安装过程还是十分简单的： ```python pip install matplotlib ``` 等待进度条走完，我们就算安装完成了。 在学习怎么使用 matplotlib 之前，我们可以先看下 matplotlib 的一些示例：   错了错了，这么复杂的图我怎么可能画的出来。。。  下面这种才是我们的目标：    ### pyecharts 在除了可以使用 Matplotlib 作为数据可视化的工具之余，我们还可以选择 pyecharts 作为数据可视化工具。 先做一个简单的简介，以下内容来自官方文档： > Echarts 是一个由百度开源的数据可视化，凭借着良好的交互性，精巧的图表设计，得到了众多开发者的认可。而 Python 是一门富有表达力的语言，很适合用于数据处理。当数据分析遇上数据可视化时，pyecharts 诞生了。 相信很多同学对 Echarts 并不陌生，在做页面图表的时候，能选择的第三方支持库并不多，而 Echarts 是其中做的相当不错的一个类库，毕竟背后是由百度开源的。 放几个官方的链接： GitHub：https://github.com/pyecharts/pyecharts 官方文档：http://pyecharts.org/#/ 接下来还是看如何安装： ```python pip install pyecharts ``` 和前面安装 Matplotlib 一样，静静的等待进度条走完就行。 这里有关版本有一点需要注意，不管是使用 Matplotlib 还是使用 pyecharts ，都需要 Python 的版本是 3.x ，在官方文档中都已经注明 2.x 不再进行维护。 至于小编为什么要介绍 pyecharts 呢？给大家看几个官方的示例：      是不是感觉单纯的从 UI 设计的角度上来讲， pyecharts 要比 Matplotlib 要好看的多，感觉 Matplotlib 像是上个世纪的产物。 在接下来的内容中，小编会先分享 Matplotlib 的使用，之后会专门写几篇介绍下 pyecharts 的使用。  ## 数据可视化的基本流程 第一步：整理数据 数据还是数据可视化的基础，在所有的事情开始之前，需要先明确需要把哪些数据图表化。 第二步：明确目的 在上一步中，我们拿到了需要图表化的数据，接着就需要想清楚，我们展示这些数据到底是为了什么，是要表达一种趋势，还是要展现对比等等。 第三步：选择图表形式 在明确了我们的目的之后，就需要选择展现这些数据的形式了，我们需要为这些数据选择合适的展现形式，这就需要分情况讨论了。 例如我们想要展现一种趋势，那么折线图就要比柱状图更为合适，如果是需要展现对比，那么柱状图就要比折线图合适，还有是展现百分比，那么我们选择饼状图就会更为合适。 本篇的内容就到这里了，下一篇，我们接着介绍 Matplotlib 的使用姿势。