Hello Seabon

欢迎来到数据可视化：从非编码到编码

在这个动手型微课程里，你会学到通过seaborn（一个强悍但简单使用的数据可视化工具）如何将你的数据可视化达到下一个水准。使用seaborn，你也会学到怎么用python（一个流行的编程语言）写代码，也就是说

• 微型课程针对那些没有编程经验的人，而且

• 每个图表都使用简短而简单的代码，使 Seaborn 比许多其他数据可视化工具（例如 Excel）更快、更易于使用

因此，如果你从未写过一行代码，你还想在今天达到最低条件去开始制作更快、更吸引人的图表，来这就对了！先看看下面这些你将会制作的图表吧。

你的编程环境

现在花时间快读地上下滚动当前页面，你会注意到这有很多不同类型的信息，包括：

1. 文字（就行你正在读的文字）

2. 代码 （包含在称之为code cell的灰白色方框里，还有

3. 代码输出 （运行代码后的输出结果，总是立刻出现在相关代码的下面）

我们将这些页面称为Jupyter notebooks（或通常叫notebooks），并在整个微课程中使用它们。notebook的另一个示例可在下图中找到。

在您现在正在阅读的notebook中，我们已经为您运行了所有代码。很快，您将使用一个notebook，允许您编写和运行自己的代码

启动notebook

在每个notebook的开头你都需要运行这几行代码来启动你的编程环境，现在理解这几行代码的意思并不重要，我们也不会深入到细节中。（注意它返回的输出值Setup Complete。)

In [1]:

import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns
print("Setup Complete")

Setup Complete

加载数据

在这个notebook里，我们使用包含了6个国家的FIFA排名数据，它们是阿根廷（ARG）、巴西（BRA）、西班牙（ESP）、法国（FRA）、德国（GER）和意大利。数据集是已排序的CSV（comma-separated-values file简介）文件，用Excel打开CSV文件，能看到每行开头是时间和每列代表一个国家。

为了加载数据到notebook，需要两步————在下面的代码单元格里实现：

• 首先指定能够正确访问数据的具体位置，然后

• 用此文件路径去加载数据集的内容到notebook

In [2]:

# Path of the file to read
fifa_filepath = "../input/fifa.csv"
# Read the file into a variable fifa_data
fifa_data = pd.read_csv(fifa_filepath, index_col="Date", parse_dates=True)

请注意，上面的代码单元格有四个不同的行。

注释

有两行以 # 开头，后面的字褪色跟斜体。

当代码运行时这两行都会被完全忽视掉，它们仅会出现在这，这样所有人读代码时都能快读的理解代码的作用。这两行称之为注释/comments，而且写注释是个好习惯，这能让你的代码轻而易举地被人理解。

可执行代码

另外的两行代码是可执行代码/executable code，或者说能被计算机运行的代码（在这个例子里，是为了找出并加载数据）

第一行代码，把fifa_filepath的值设置成数据集的位置。在这个示例，我们已经提供好了文件路径（引号里面的）。请注意，这行可执行代码的上方注释快速描述了它的作用

第二行代码，把fifa_data的值设置成包含了数据集的所有信息，这通过pd.read_csv方法完成。紧接着是三段不同的文本（上图下方加下划线的）————用括号括起来，用逗号分隔。这些用于自定义数据集加载到note book时的行为：

• fifa_filepath - 数据集的文件路径，它必须第一个提供

• index_col="Date" - 加载数据集时，我们希望用第一列中的每个条目表示不同的行。为此，我们将 index_col的值设置为第一列的名称（”Date”，可以Excel打开文件时时在单元格A1中找到）。

• parse_dates=True - 这告诉notebook将每行标签解释为日期（而不是具有不同含义的数字或其他文本）

当您有机会在动手练习中加载自己的数据集时，这些详细信息很快就会更有意义。

现在,重要的是要记住运行这两行代码的最终结果是，我们现在可以使用fifa_data从notebook访问数据集了。

另外，你可能注意到这些代码没有任何输出（尽管你早前运行的代码返回了Setup Complete），这是预期行为，不是所有代码都会返回输出，这个代码就是个好例子！

检查数据

现在，咱们来快速看看fifa_data里的数据集，以确保它正确的加载了。

写出如下一行代码会打印出数据集的前五行：

• 从包含数据集的变量开始（这里就是fifa_data），然后

• 跟着写出 .head()。

您可以在下面的代码行中看到这一点。

In [3]

# Print the first 5 rows of the data
fifa_data.head()

Out[3]

现在检查前五行与数据集（就是咱们在Excel看到的）一致。

绘制数据

这这个微课里，你将学会很多不同的绘图类型，在很多情况下，你只需一行代码就能画图！

为了抢先知道你将学什么，先看看下面生成折线图的代码。

In [4]:

# Set the width and height of the figure
plt.figure(figsize=(16,6))
# Line chart showing how FIFA rankings evolved over time 
sns.lineplot(data=fifa_data)

/opt/conda/lib/python3.6/site-packages/pandas/plotting/_matplotlib/converter.py:102: FutureWarning: Using an implicitly registered datetime converter for a matplotlib plotting method. The converter was registered by pandas on import. Future versions of pandas will require you to explicitly register matplotlib converters.
To register the converters:
    >>> from pandas.plotting import register_matplotlib_converters
    >>> register_matplotlib_converters()
  warnings.warn(msg, FutureWarning)
<matplotlib.axes._subplots.AxesSubplot at 0x7f6a2279cb00>

这个代码现在还不太有意义，您将在即将推出的教程中了解有关它的更多信息。现在，继续你的第一个练习，在那里你将有机会尝试自己的编码环境。

What’s next？

在第一次编程练习里开始你的第一行代码吧！