1 数据处理中的概率
由于python在计算领域是高度精确的，同时也有大量的数据处理库用于人工智能，日常处理等等。
仅仅是开源在python中就有大量的库用于处理，比如opencv，matplotlib，numpy，pandas，也有直接提供界面UI交互的seaborn框架。
常用的工具包括 python 和 R 语言都提供了完整的支持。
数据处理离不开概率，在很多场合都可能用到，比如python内置的 随机变量发生器。
random.shuffle(x, [, random])
该函数将x 随机放入队列sequence，打乱成伪随机的状态，属于经典的数学方法。
random 随机变量发生器函数
uniform within range 分布均匀
支持的分布函数(不完整)
uniform # 均匀分布
triangular # 三角函数相关
lognormal # 对数相关分布
gamma # 伽马相关分布
beta # beta 相关分布
pareto # 帕累托相关分布
weibull # 威布尔相关分布
distributions on the circle # 圆上的分布
circular uniform # 圆形分布
von mises # 冯·米斯
曾经在某个巧合的场景使用了某些类型的库，这里做些简单对比，并不全面，希望各个阵营的大佬多指正。
这里不重复相关书籍的概率公理，它们可以容易在图书馆或网上书城找到。
2 概率密度函数简单对比
2.1 R 语言
R中的pt()（用于求已知t值和df的t分布累计概率值，等同于EXCEL中的TDIST()）、qt()（用于求已知p值和df的t分布的t区间值，等同于EXCEL中的TINV()。
r语言几个函数：dt，pt，qt，rt分别与dnorm，rnorm，pnorm，qnorm和rnorm对应 > * dt() 的返回值是正态分布概率密度函数(density)。
指令的函数和参数介绍：
> * pt()返回值是正态分布的分布函数(probability)
> * 函数qt()的返回值是给定概率p后的下百分位数(quantitle)
> * rt()的返回值是n个正态分布随机
- x, q: 矢量的量。
p 矢量的概率。
n : 观察的次数,如果长度大于1，则被认为是符合需求的。
df ： 自由度，如果大于0，也可能非整型，df 为 Inf 对象是允许的（概率统计对象。）
ncp ： 非中心分布必须的参数，当前期望为 rt(), 仅仅在绝对值 abs(ncp) <= 37.62 使用。如果省略该参数，使用默认的中心极限T分布。
log, log.p logical; 如果为 TRUE， 概率p 被以 log(p) 提供。 if TRUE, probabilities p are given as log(p).
logical; 如果为默认的 TRUE (default), 概率为 P[X ≤ x], 否则概率为：P[X > x].
2.2 Python基于matplotlib的高级框架
Seaborn是基于matplotlib的Python数据可视化库。它提供了用于绘制引人入胜且内容丰富的统计图形的高级界面。
如下为常用函数功能，用于将关系图绘制到FacetGrid上的图形级界面。
2.2.0 Relational plots 关系图
relplot(,x, y, hue, size, style, data...)
Figure-level interface for drawing relational plots onto a FacetGrid.
绘制一个散点图，可能会出现多个语义分组
scatterplot(* [,x,y,hue,style, size...])
Draw a scater plot with possibility of several semantic groupings.
lineplot(*, [,x,y,hue,size,style,data ...])
Draw a line plot with possibility of serveral semantic groupings
2.2.1 绘图库分布图，分类图，回归图，矩阵图，其他
Distribution plots 分布图
用于将分布图绘制到FacetGrid上的图形级界面。
displot([data, x,y,hue, row, col ...]) Figure-level interface for drawing distribution plots onto a FaceGrid绘制单变量或双变量直方图以显示数据集的分布。
histplot([data, x,y,hue, weights, stat,...]) Plot univeriate or bivariate histograms to show distributions of datasets.使用核密度估计图绘制单变量或双变量分布
kdeplot([x,y,shade,vertical,kernel, bw, ...]) Plot univariate or bivariate distributions using kernel density estimation.绘制经验累积分布函数。
ecdfplot([data, x,y,hue,weights, stat,...]) Plot empirical cumulative distribution functions.通过沿x和y轴绘制刻度线来绘制边际分布图
rugplot([x,height,axis, ax,data,y,hue,...]) Plot marginal distributions by drawing ticks along the x and y axes.已弃用：灵活地绘制观测值的统一分布。
distplot([a,bins,hist,kde,rug,fit,...]) DEPRECATED:Flexibly plot a univeriate distribution of observations.
* Categorical plots 分类图
图形级界面，用于将分类图绘制到。
catplot(* [,x,y,hue,data, row,col,...])
Figure-level interface for drawing categorical plots onto a facetfrid
绘制一个散点图，其中一个变量是分类的。
stripplot(* [, x,y,hue,data,order,...])
Draw a scatterplot where one variable is categorical
绘制一个具有非重叠点的分类散点图。
swarmplot(* [,x,y,hue,data,order,...])
Draw a categorical scatterplot with non-overlapping points.
为更大的数据集绘制增强的箱形图
boxplot(* [, x,y,hue,data,order,...])
Draw an enhanced box plot for larger datasets.
使用散点图字形显示点估计和置信区间。
pointplot(* [,x,y,hue,data,order,...])
Show point estimates and confidence intervals using scatter plot glyphs.
将点估计和置信区间显示为矩形条。
barplot(* [, x,y, hue, data,order,...])
Show point estimates and confidence intervals as rectangular bars.
用条形图显示每个分类箱中的观测值。
countplot(* [, x,y,hue,data,order,...])
Show the counts of observations in each categorical bin using bars.
Regression plots 回归图
绘制 数据和回归模型 以适合FacetGrid
implot(* [,x,y,data,hue,col,row, ...]) Plot data and regression model fits across a FacetGrid绘制数据并拟合线性回归模型
regplot(* [,x,y,data,x_estimator,...]) Plot data and a linear regression model fit求线性回归的残差
residplot(* [,x,y,lowess,...]) PLot the residuals of a linear regression
Matrix plots 矩阵图
绘制矩形数据作为颜色编码矩阵
heatmap(data, * [, vmin, vmax, cmap, center,...])
Plot rectangular data as a color-encoded matrix将矩阵数据集绘制为分层聚类的热图。
clustermap(data, * [, pivot_kws, method,...])
Plot a matrix dataset as a hierarchically-clustered heatmap.
Multi-plot grids 多图网格
Facet grids 多面网格
用于绘制条件关系的多图网格。
FaceGrid(data, * [,row, col, hue, ...]) Multi-plot grid for plotting conditional relationships.应用绘图条件关系
FaceGrid.map(self,func, *args, **kwargs) Apply a plotting conditional relationships类似 .map ，但是此函数将args作为字符串传递并将数据插入kwargs。
FaceGrid.map_dataframe(self, func, *args,...) Like .map but passes args as strings and inserts data in kwargs.- 成对网格 pair grids
在数据集中绘制成对关系
pairplot(data, * [, hue, hue_order, palette, ...]) Plot pairwise relationshops in a dataset.子图网格，用于绘制数据集中的成对关系
PairGrid(data, * [, hue, hue_order, palette, ...]) Subplot grid for plotting pairwise relationships in a dataaset在每个子图中 绘制具有相同功能的图。
PairGrid.map(self, func, ** kwargs) Plot with the same function in every subplot.在每个对角线子图上使用单变量函数绘制。
PairGrid.map_diag(self, func, ** kwargs) Plot with a univariate function on each diagonal subplot.在非对角子图上具有二元函数的图
PairGrid.map_offdiag(self, func, ** kwargs) Plot with a bivariate function on the off-diagonal subplots在下对角线子图上使用双变量函数绘制
PariGrid.map_lower(self, func, ** kwargs) Plot with a bivariate function on the lower diagonal subplots在上对角线子图上使用双变量函数绘制
PairGrid.map_upper(self, func, ** kwargs) Plot with a bivariate function on the upper diagonal subplots联合网格 Joint grids
用双变量和单变量图绘制两个变量的图。
jointplot(* [, x, y, data, kind, color, …]) Draw a plot of two variables with bivariate and univariate graphs.用于绘制带有边际单变量图的二元图的网格。
JointGrid(* [, x, y, data, height, ratio, …]) Grid for drawing a bivariate plot with marginal univariate plots.通过传递关节轴和边缘轴的函数来绘制图。
JointGrid.plot(self, joint_func, …) Draw the plot by passing functions for joint and marginal axes.在网格的关节轴上绘制一个双变量图。
JointGrid.plot_joint(self, func, ** kwargs) Draw a bivariate plot on the joint axes of the grid.在每个边缘轴上绘制单变量图。
JointGrid.plot_marginals(self, func, ** kwargs) Draw univariate plots on each marginal axes.
2.3 其他主题
Themes 主题
一次性设置多个主题参数
set_theme([context, style, palette, font, …]) Set multiple theme parameters in one step.返回图的 易于阅读的美学风格的参数字典。
axes_style([style, rc]) Return a parameter dict for the aesthetic style of the plots.设置绘图的美学风格
set_style([style, rc]) Set the aesthetic style of the plots.返回参数dict以缩放图形元素。
plotting_context([context, font_scale, rc]) Return a parameter dict to scale elements of the figure.设置绘图上下文参数。
set_context([context, font_scale, rc]) Set the plotting context parameters.更改matplotlib颜色速记的解释方式。
set_color_codes([palette]) Change how matplotlib color shorthands are interpreted.将所有RC参数恢复为默认设置。
reset_defaults() Restore all RC params to default settings.将所有RC参数恢复为原始设置（尊重自定义rc）
reset_orig() Restore all RC params to original settings (respects custom rc).set_theme（）的别名，这是首选接口。
set(* args, ** kwargs) Alias for set_theme(), which is the preferred interface.
调色板 Color palettes
使用深浅的调色板设置matplotlib颜色周期
set_palette(palette[, n_colors, desat, …])
Set the matplotlib color cycle using a seaborn palette.返回定义调色板的颜色列表或连续颜色图。
color_palette([palette, n_colors, desat, …])
Return a list of colors or continuous colormap defining a palette.在HUSL色相空间中获得一组均匀分布的颜色。
husl_palette([n_colors, h, s, l, as_cmap])
Get a set of evenly spaced colors in HUSL hue space.在HLS色相空间中获得一组均匀分布的颜色。
hls_palette([n_colors, h, l, s, as_cmap])
Get a set of evenly spaced colors in HLS hue space.从cubehelix系统制作顺序调色板。
cubehelix_palette([n_colors, start, rot, …])
Make a sequential palette from the cubehelix system.制作从深色到彩色混合的顺序调色板。
dark_palette(color[, n_colors, reverse, …])
Make a sequential palette that blends from dark to color.制作从浅色到彩色混合的顺序调色板。
light_palette(color[, n_colors, reverse, …])
Make a sequential palette that blends from light to color.在两种HUSL颜色之间创建一个发散的调色板。
diverging_palette(h_neg, h_pos[, s, l, sep, …])
Make a diverging palette between two HUSL colors.制作一个在一系列颜色之间混合的调色板。
blend_palette(colors[, n_colors, as_cmap, input])
Make a palette that blends between a list of colors.使用xkcd颜色调查中的颜色名称制作调色板。
xkcd_palette(colors)
Make a palette with color names from the xkcd color survey.使用Crayola蜡笔的颜色名称制作调色板。
crayon_palette(colors)
Make a palette with color names from Crayola crayons.从matplotlib调色板返回不连续的颜色。
mpl_palette(name[, n_colors, as_cmap])
Return discrete colors from a matplotlib palette.
面板小部件 Palette widgets
从ColorBrewer集中选择一个调色板。
choose_colorbrewer_palette(data_type[, as_cmap]) Select a palette from the ColorBrewer set.启动一个交互式窗口小部件，以创建一个顺序的cubehelix调色板。
choose_cubehelix_palette([as_cmap]) Launch an interactive widget to create a sequential cubehelix palette.启动一个交互式小部件以创建一个浅色顺序调色板。
choose_light_palette([input, as_cmap]) Launch an interactive widget to create a light sequential palette.启动一个交互式小部件以创建一个黑暗的顺序调色板。
choose_dark_palette([input, as_cmap]) Launch an interactive widget to create a dark sequential palette.启动交互式小部件以选择不同的调色板
choose_diverging_palette([as_cmap]) Launch an interactive widget to choose a diverging color palette
其他实用功能 Utility functions
从在线存储库中加载示例数据集（需要Internet）
load_dataset(name[, cache, data_home]) Load an example dataset from the online repository (requires internet).报告可用的示例数据集，对于报告问题很有用。
get_dataset_names() Report available example datasets, useful for reporting issues.返回示例数据集的高速缓存目录的路径。
get_data_home([data_home]) Return a path to the cache directory for example datasets.从情节中删除顶部和右侧的。
despine([fig, ax, top, right, left, bottom, …]) Remove the top and right spines from plot(s).将颜色的饱和度通道减少一些百分比。
desaturate(color, prop) Decrease the saturation channel of a color by some percent.返回具有相同色调的完全饱和的颜色。
saturate(color) Return a fully saturated color with the same hue.独立操纵颜色的h，l或s通道。
set_hls_values(color[, h, l, s]) Independently manipulate the h, l, or s channels of a color.
3 小结
R语言在教学中使用较多，对各种经典的概率函数和分布都可以直接生成图形。
该py框架只要有一些概率基础都可以使用，上手较快，文档和实例也较多。
其框架中的其他内容的使用，多偏向前端。
配合交互式绘图库 plotly, Bokeh，之类的交互式web 图形 python库，可以满足中小项目的使用需求。
Bokeh是一个针对现代人的Python交互式可视化库，支持Web浏览器进行演示。
其目标是为各种图形提供优雅，简洁的结构， 并通过大型交互提供高性能的交互性或流数据集。
可以帮助任何想要快速和轻松创建交互式绘图，仪表板和数据应用程序。
这里做个简单的记录。
参考资源。
https://www.pydata.org
