pandas库是Python数据分析的核心库 它不仅可以加载和转换数据，还可以做更多的事情：它还可以可视化 pandas绘图API简单易用，是pandas流行的重要原因之一
Pandas 单变量可视化
单变量可视化， 包括条形图、折线图、直方图、饼图等
数据使用葡萄酒评论数据集，来自葡萄酒爱好者杂志，包含10个字段，150929行，每一行代表一款葡萄酒
加载数据
条形图是最简单最常用的可视化图表 在下面的案例中，将所有的葡萄酒品牌按照产区分类，看看哪个产区的葡萄酒品种多：
先将plot需要的参数打包成一个字典，然后在使用**解包（防止传进去的成为一个参数）
上面的图表说明加利福尼亚生产的葡萄酒比其他省都多
也可以折算成比例, 计算加利福尼亚葡萄酒占总数的百分比 :
条形图(柱状图)非常灵活： 高度可以代表任何东西，只要它是数字即可 每个条形可以代表任何东西，只要它是一个类别即可。
也可以用来展示《葡萄酒杂志》（Wine Magazine）给出的评分数量的分布情况：
如果要绘制的数据不是类别值，而是连续值比较适合使用折线图 :
柱状图和折线图区别 柱状图：简单直观，很容易根据柱子的长短看出值的大小，易于比较各组数据之间的差别
折线图： 易于比较各组数据之间的差别； 能比较多组数据在同一个维度上的趋势； 每张图上不适合展示太多折线
面积图就是在折线图的基础上，把折线下面的面积填充颜色 ：
直方图
直方图看起来很像条形图， 直方图是一种特殊的条形图，它可以将数据分成均匀的间隔，并用条形图显示每个间隔中有多少行， 直方图柱子的宽度代表了分组的间距，柱状图柱子宽度没有意义
直方图缺点：将数据分成均匀的间隔区间，所以它们对歪斜的数据的处理不是很好：
在第一个直方图中，将价格>200的葡萄酒排除了。
在第二个直方图中，没有对价格做任何处理，由于有个别品种的酒价格极高，导致刻度范围变大，导致直方图的价格分布发生变化 。
数据倾斜： 当数据在某个维度上分布不均匀，称为数据倾斜
- 一共15万条数据，价格高于1500的只有三条
- 价格高于500的只有73条数据，说明在价格这个维度上，数据的分布是不均匀的
- 直方图适合用来展示没有数据倾斜的数据分布情况，不适合展示数据倾斜的数据
饼图
饼图也是一种常见的可视化形式
reviews['province'].value_counts().head(10).plot.pie()
饼图的缺陷：饼图只适合展示少量分类在整体的占比
- 如果分类比较多，必然每个分类的面积会比较小，这个时候很难比较两个类别
- 如果两个类别在饼图中彼此不相邻，很难进行比较
- 可以使用柱状图图来替换饼图
Pandas数据可视化（二）+https://developer.aliyun.com/article/1543877?spm=a2c6h.13148508.setting.15.1fa24f0eEjX8nS
