数据可视化系列汇总：
Matplotlib可视化①——二维图表绘制（折线图&直方图&散点图&条形图&箱形图）
Matplotlib可视化②——3D绘制散点图&曲面图&折线图&等高线图
Excel数据分析高级技巧①——动态图表制作（offset,vlookup,控件…）
Excel高级图表制作①——电池图/KPI完成情况对比图/重合柱形图
Excel高级图表制作②——帕累托图
Excel高级图表制作③——漏斗图/转化路径图
Seaborn是在Matplotlib的基础了进行更高级别的API封装，可以轻轻松松绘制出各式精美且方便数据分析的图表，今天主要总结了以下常用的几种：
直方图——distplot , kdeplot，看单变量的分布，是否正态，是否左右偏，有几个高峰等
箱型图——boxplot，看单变量的分布，常用来找异常值
散点图——striplot，swarmplot，看单变量的分布，与Excel中两变量相关性分布不太一样，这里的散点图更像是箱型图
变量关系图——jointplot，pairplot，双变量或多变量的两两关系图，这个就是Excel常见的散点图了
回归图——lmplot，regplot，可以画线性和非线性回归
热力图——heatmap，直观展示两两变量之间的相关程度
条形图——barplot,countplot，前者计算均值，后者计算个数，与Excel中的条形图非常类似
① dishist是hist的加强版，kdeplot是密度曲线图，dishist其实已经包含了kdepost
#选择数据并进行清洗
data = pd.read_csv('train.csv')
data.drop_duplicates(keep='first',inplace=True)
data.drop(['Cabin'],axis=1,inplace=True)
data.Age.fillna(data.Age.mean(),inplace=True)
data.dropna(how='any',inplace=True)
fig,axes = plt.subplots(2,2)
sns.distplot(data.Age,ax=axes[0,0],kde=True,hist=True) # displot有2个特别的参数kde和hist,True是保留，False是不保留，当hist为False且kde为True时就变成了kde图
sns.kdeplot(data.Age,ax=axes[0,1],shade=True) # kdeplot其实是在displot的基础上去掉了直方图,shade是否要填充
sns.distplot(data.Age,ax=axes[1,0],kde=False,color='b')
sns.distplot(data.Age,ax=axes[1,1],hist=False,kde=True,color='g',kde_kws={'shade': True},rug=True)
plt.show()
