数据图形化专家 **Seaborn**

课程简介

本文主要是通过Python的图表制作“专家”Seaborn模块，对股票浦发银行（代码600000）的一年的数据进行了可视化展示，利用了各种图形展示了浦发银行股票数据，并根据图形简单分析了浦发银行股票的一些特点。

密密麻麻的数据看得人头大，数据图形化专家 Seaborn来帮忙！！！！
通过本课程的学习你将了解可视化图表模块Seaborn的基本信息，学会绘制引人入胜且内容丰富的统计图形，比如矩阵图、关系图、分类图、分布图等等。
为了帮助你更好的掌握这些绘图方法，老师会通过案例对股票浦发银行（代码600000）一年的数据进行可视化展示，利用了各种图形展示浦发银行股票数据，并根据图形简单分析浦发银行股票的一些特点。

课程导学

Hi~ 同学，你好啊~ ，很高兴和你一起通关学习，我是本门课程的老师，加法老师。

你有没有发现这样一件事，我们的日常生活与日常工作好像越来越离不开数据分析，比如平常汇报工作，家庭中记个账单，销售人员分析业绩，新生代的股民查看股票基金走向等等。

在做数据分析的时候，最基本的工具应该是表格，加法老师平时喜欢炒炒股，从网上下载了浦发银行的一年的股票数据，经过一些处理，数据存在表格里是这样的：

小白同学：哎呀老师，这密密麻麻的数据，什么都看不出来呀，我的头都要大了~~~
加法老师：确实如此，单纯通过表格好像不能很快的获取信息，老师通过一些技术手段对数据做了一些处理，你看一下老师对这些数据处理后的结果。

小白同学：好像一下就清晰了很多，而且看起来五彩斑斓很绚丽啊，比起枯燥的表格数据，看起来心情要好很多了呢，如何才能做出这种图表呢（期盼表情）？
加法老师：这里加法老师要向你隆重介绍Python的可视化专家——Seaborn模块，利用Seaborn做出的图片就是这种效果，很漂亮吧（鼓掌表情）！！

那在本课程中老师将向你介绍Python的可视化图表模块Seaborn，学习绘制引人入胜且内容丰富的统计图形，比如矩阵图、关系图、分类图、分布图等等。
为了帮助你更好的掌握这些绘图方法，老师会通过一个小案例：对浦发银行的股票数据进行各个方面的可视化展示，每一个关卡独立介绍一类效果图，学过之后呢，你会对股票的各种特点有一个直观的感觉。

前置知识

本课程主要通过Python的可视化图表模块Seaborn，对中国股市股票“浦发银行”的数据进行了可视化展示，在展示的过程中需要借助Pandas 和Matplotlib模块的知识，因此需要你对”Pandas模块”与”Matplotlib模块”有一定的了解。
课程中用到的练习数据，加法老师已经下载好并做了简单处理，练习数据以及生成数据的代码已经上传在右侧的资料包中，点击下载即可使用。如果你想要下载股票数据自己分析，建议移步《股票数据分析的好搭档——Pandas》课程，在这门课程中，老师详细介绍了股票数据的下载与处理方法。
注：上传资料处deal_data.py

学习目标

通过本门课程的学习，希望你能够对可视化图表模块Seaborn有一个简单的了解，掌握Seaborn中比较常用的几个图形以及他们的特点：

• 矩阵图：热力图
• 关系图：散点图、折线图
• 分类图：条形图、计数图
• 分布图：直方图、核函数密度估计图

Python的数据可视化图表模块将会是你进行数据分析的有效工具，老师希望你在学习的过程中，了解不同图像的特点与适用场景，针对不同的情况选取不同的图表，并且能够根据某一制图得出自己对数据的分析结果。

我们的课程将从了解Seaborn开始，点击进入第一关：Seaborn的概述。

第一关 Seaborn概述

通过导学部分，相信你已经了解了，Seaborn是Python提供的数据可视化库，在这一关老师将继续对Seaborn做一个简单的介绍，并为后几关的图形学习做好准备工作。

1、青出于蓝而胜于蓝——Seaborn背景

Seaborn是基于Matplotlib的图形可视化Python包，它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。
~~
Matplotlib是非常优秀的可视化绘图工具，但是使用的时候过于复杂，有大量的函数与参数，可以这样来理解，“Matplotlib可以做任何事，但是又好像无从下手”。Seaborn是在Matplotlib的基础上进行了更高级的API封装，有很多默认的主题，从而使得作图更加容易，在大多数情况下使用Seaborn能做出更具有吸引力的图，配色更加舒服，图形元素的样式更加细腻。

Seaborn把用户常用到的可视化绘图过程进行了函数封装，形成一个一个“快捷方式”，Seaborn相比Matplotlib的好处是代码更简洁，可以用一行代码实现一个清晰好看的可视化输出。

但是事物总是具有两面性，基于刚才说的，虽然Seaborn制图更绚丽，但是它的缺点也很明显，就是定制化能力会比较差，只能实现固化的一些可视化模板类型，要实现更个性化更高难度的图形，还是会用到Matplotlib。
Matplotlib可以实现高度定制化绘图，高度定制化可以让你获得最符合心意的可视化输出结果，但也因此需要设置更多的参数，因而代码更加复杂一些。

小白同学：老师，你说了这么多，Seaborn和Matplotlib好像各有优缺点，我到底该怎么选择呢（问号表情）？
加法老师：老师推荐给你一种符合学习规律的学习步骤：上手学习用Seaborn，能满足日常的需求，作图简单美观；当你感觉Seaborn在制图的时候有点力不从心，或者要深入研究更复杂的制图，可以学习Matplotlib，Matplotlib虽然使用稍许复杂，但功能更加强大。

通过与Matplotlib的对比介绍，相信你Seaborn已经有了一定的了解，在Python当中还有一个Pandas模块，这三者之间有什么联系与区别呢？
Pandas和Seaborn都是使用了Matplotlib来作图，但是有非常不同的设计差异：

1. 在只需要简单地作图时直接用Pandas，但要想做出更加吸引人，更丰富的图就可以使用Seaborn
2. Pandas的作图函数并没有太多的参数来调整图形，所以你必须要深入了解Matplotlib
3. Seaborn的作图函数中提供了大量的参数来调整图形，所以在初学Seaborn的时候并不需要太深入了解Matplotlib
4. Pandas可以利用自己强大的数据处理能力为Seaborn和Matplotlib 提供作图的数据来源

加法老师再啰嗦一下，这些数据分析库只是工具，你要学会根据不同需求选取不同的工具，不要被局限于工具中。

2、Seaborn的安装

Seaborn作为Python的第三方库，在使用之前需要先安装。
Seaborn包依赖于scipy包，所以要先装scipy，都是用我们熟悉的pip来安装。如果你的电脑上没有安装scipy，也别担心，安装Seaborn的时候会自动安装scipy。

pip3 install seaborn

敲入安装代码之后，如果出现如下图所示的运行效果，说明你已经成功安装了Seaborn：

小白同学：“老师。。。你看我安装的，出现了红色的错误提示，为什么我安装了几次都失败了，我要精神安慰（哭泣表情）—”

加法老师：“哦，这是因为网速原因导致的，你看你的下载速度，才44k，老师教你一招，速度飞上天，看下图：”

看到红圈里的网速了吗，6.4M 啊，提高了整整两个数量级，有没有被吓到，哈哈，关键是后面的这一参数 ：

注意到 ‘-i ’后面的链接了吗，是不是很熟悉，对啦，是清华大学的网址，这个参数的意思就是我们去清华大学的服务器上下载安装Seaborn的哦，都是国内的网，当然速度快的不讲理啦。

小贴士： 国内的Python安装库还有阿里、豆瓣，大家自己去发掘一下吧。

4、通关练习

请你在自己的机器上安装Seaborn，建议使用国内源，体验飞一般的感觉。
注：如果你忘记了如何安装Python与pip，建议移步《使用 Requests 爬取网页》课程，在这门课程中，老师详细介绍了如何安装Python与pip__。
在安装的过程中，遇到问题，可以在右侧的提问区提问，会有老师帮助你解答问题。

5、本关总结

本关轻易的就通过了，全是理论性的知识，很easy嘛。

在这一关，老师首先介绍了一下Seaborn的“身世”，它是基于Matplotlib而诞生的，使用更简易更友好，Matplotlib虽然复杂，却是你在Python可视化道路上必须要经过的大boss，更强大哦。它们俩都可以用Pandas的数据格式，兼容性不错，三者关系很好。最后老师还教了你安装模块的一个技巧，就是用国内源，速度飞起哦。
理论学完了，从下一关开始一个图一个图开始学习吧（冲的表情）。

第二关 矩阵图

矩阵图就是从多维问题的事件中，找出成对的因素，排列成矩阵图，然后根据矩阵图来分析问题，确定关键点的方法。它是一种通过多因素综合思考，探索问题的好方法。
概念有点专业，不太好懂，老师给你通俗的说一下，矩阵图，它的图形是矩阵形状，数据组成了x轴y轴和空间内容。

1、数据介绍

在我们要利用数据进行制图前，首先要理解数据内容。你可以打开老师提供给你的数据表（如果在课程导学部分没有下载，在本关的“资料包”也可下载），老师把下载的数据给你介绍一下。后面的关卡练习都是用这一组数据来做练习，所以这部分要认真看呦~
seaborns_600000_stock_data.csv
先看下数据的内容：

可以看出，这个数据表包含的数据与字段非常丰富，由于涉及到股票相关，如果你不是一个炒股发烧友的话，可能会有点儿看不懂，老师把每一个参数的含义整理成了一个表格，请往下看：**

数据参数详解.xlsx

对数据的字段了解过了，数据要怎么看呢，太多了，如果直接看的话一定会看花眼的，下面老师会用不同的图对不同的数据字段做展示。

这一关，我们先用热力图来看会有什么效果呢，先来看下收盘价（close）和交易量（volume）的情况。

2、热力图

热力图是矩阵图的一种，对某一数据进行全部的展示，通过颜色的深浅表示数据的或多或少、或大或小，下图是一个简单的热力图。

下面我们举一个例子，对收盘价（close）通过热力图进行展示，最终实现的效果：x轴为月份，y轴为日，内容为收盘价（close）的全量数据。
代码如下：

#以下三行是本文所有程序必须要先做的，后续的代码展示中老师将这一部分省略
import seaborn as sns  #导入seaborn模块
import pandas as pd    #导入pandas模块
import matplotlib.pyplot as plt #导入matplotlib模块
CSV_GM_PATH=".\\seaborns_600000_stock_data.csv"  #数据的路径
df=pd.read_csv(CSV_GM_PATH,error_bad_lines=False) #读取出数据，保存在变量df中
#从数据源里获取需要的字段组成新的数据源df1
df1=df.pivot(index='day',columns='month',values='close')
#对新的数据源进行热力图展示
ax=sns.heatmap(df1,annot=True) 
#显示热力图
plt.show()

上面代码有两个关键函数，第一个是 pivot()，它是用来重塑数据的。函数格式：

• index: 可选参数。设置新dataframe的行索引，如果未指明，就用当前已存在的行索引。
• columns：必选参数。用来设置作为新dataframe的列索引。
• values：可选参数。在原dataframe中选中某一列的值，使其在新dataframe的列里显示。

df1=df.pivot(index='day',columns='month',values='close')

在这行代码里，老师用 ‘day’ 这一列作为新dataframe的索引，’month’ 为列索引，’close’ 这一列为值，形成了新的dataframe —> df1 。

第二个函数是heatmap() ，它是构造热力图的函数，函数格式：
**

• data：矩阵数据集，可以是numpy的数组（array），也可以是pandas的DataFrame。
• annot(annotate的缩写)：默认取值False；如果是True，在热力图中每个方格会写入数据。

ax=sns.heatmap(df1,annot=True)

在这行代码里，老师把新生成的数据df1作为第一关参数，annot为True，即在方格里显示数据。
在新的数据源df1中，索引为列“day”，列为“month”， values为“close”，生成热力图则自动转换，day为y轴，month为x轴，close为展示的数据。

运行之后，效果图如下：

通过热力图的展示，所有的close（收盘价）都直观的展现在我们面前，x轴表示month（月份），y轴表示day（日），收盘价越低颜色越深。从图中可以看出，这一年的收盘价波动很小，上下围绕着12元波动1元左右的样子，最贵的是在1月份，整体颜色较浅，基本上都在13元左右，6-10月份的颜色较深，说明这段时间的股票收盘价较低。我们从这个图也可以看出来这只股票是波动很小的股票。

热力图的绘制非常简单，我们再对交易量（volume）做一个直观的展示，看看交易量里能看出什么玄机。
你试着做一下，代码和上面的例子差不多，参照上面代码，把第七行和第九行填上，看看结果。

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
CSV_GM_PATH=".\\seaborns_600000_stock_data.csv"  #数据的路径
df=pd.read_csv(CSV_GM_PATH,error_bad_lines=False) #读取出数据
#利用day 、month、volume三个值生成新的数据源
#****此处填写你的代码*****
#热力图展现
#****此处填写你的代码*****
plt.show()

你做出来的热力图是什么样的，对照一下和老师做的是不是一样？老师的代码是这样写的：

import seaborn as sns
import pandas as pd
import matplotlib.pyplot as plt
CSV_GM_PATH=".\\seaborns_600000_stock_data.csv"  #数据的路径
df=pd.read_csv(CSV_GM_PATH,error_bad_lines=False) #读取出数据
#利用day 、month、volume三个值生成新的数据源
df2=df.pivot(index='day',columns='month',values='volume')
#热力图展现
ax=sns.heatmap(df2,annot=True)
plt.show()

老师运行处的热力图如下所示：

上图中，x轴表示月份（month），y轴表示日（day），内容为全年的交易量（volume），尽收眼底。

小白同学：“老师，这红红恍恍惚惚的我怎么看不懂啊，这有什么用啊”
加法老师：“嗯，仁者见仁，智者见智，这里展示的是股票交易量，作为一名韭菜。。。额。。。股票交易者，我还是能看出点门道的”
小白同学：“老师您讲讲呗”
加法老师：“嗯，从颜色变化程度可以看出交易量变化的快慢，同一颜色的长度可以看出交易量稳定多久，一个图不能看出太多信息，但是你对一只股票采用多种可视化的图进行分析，就能挖掘出这只股票的更多特点，了解的越深，也能更好把握这只股票特点，从而大概率获得收益。”
小白同学：“那老师我们快进行一关的讲解吧”

3、通关练习

通过热力图可以看某一指标的全部状态，请你利用我们的数据，把开盘价（open）全年的数据，利用热力图展示出来吧。
老师准备了一份参考答案，上传在右侧的资料包中，如果你完成了本关的通关练习，可以下载资料包与老师的代码进行比较。如果你在写代码的过程中遇到了困难，可以在提问区留言，老师会回答你的问题哦。

4、本关总结

本关对案例中采用的原始数据做了简单的介绍，详细讲解了股票数据的每个字段的信息，这也是我们每次做数据分析之前的首要任务：了解数据。
这些数据数量巨大，通过表格的形式查看很难看出规律，通过热力图可以看某一指标的全量数据，非常直观，通过颜色的深浅可以看出一些规律。
热力图的函数格式：
heatmap（data，annot=‘bool’）
第一个参数是数据集，第二个参数表示是否在图中显示值。

虽然从热力图中得到了一些信息，但还是远远不够的，让我们继续作图获取更多的信息。

第三关 关系图

关系图是指依靠数据之间关系所作出的图，目的是进一步找出更深层次的数据关系。常见的关系图包括：散点图、折线图等。

1、散点图

讲授思路：概念（文字结合图）>>适用场景等>>函数格式说明（统一样式）>>举例说明（代码，效果图，结合代码与效果图对关键代码做说明）>>对效果图的分析结果做简单说明，不要太深入，浅说即可

散点图是各种示意图中影响力最广、信息量最大、功能最多的一类图，它可以直接向用户传递信息，无需太多额外工作。

适用场景：显示若干数据系列中各数值之间的关系（类似XY轴），判断两变量之间是否存在某种关联。
优势：对于处理值的分布和数据点的分簇，散点图都很理想。如果数据集中包含非常多的点，那么散点图便是最佳图表类型。比如上图中我们可以仅凭肉眼就能看出“one”的大致分布，即使包含在很多其他的点中。
劣势：在点状图中显示序列如果过多会看上去有些混乱。

散点图可以显示观察数据的分布，描述数据的相关性，下面就介绍一下如何用scatterplot()函数方法绘制散点图：**

• x，y：输入的待做比较的绘图数据，在散点图中，dataframe[‘列名1’]将作为x轴，dataframe[‘列名2’]将作为y轴 注：必须是数值型数据
• hue：对输入数据进行分组的序列，使用不同颜色对各组的数据加以区分
  
• style：对输入数据进行分组的序列，使用不同点标记对各组的数据加以区分

这样去讲解你可能还是有点儿懵，举个栗子：比较成交数量（volume）和收盘价（close）的关系。

#生成数据源df
df=pd.read_csv(CSV_GM_PATH)
#散点图展示
sns.scatterplot(df['close'],df['volume'],hue=df['rate_grade']，style=df['rate_grade'])
#显示热力图
plt.show()

运行之后，散点图如下：

对于其中的关键函数scatterplot()，老师通过这个例子做一下解释：

sns.scatterplot(df['close'],df['volume'],hue=df['rate_grade']，style=df['rate_grade'])

• df[‘close’],df[‘volume’]：输入的需要做比较的数据，因为我们要比较的是成交数量与收盘价的关系，所以列名1=close（收盘价），列名2=volume（成交数量），在散点图中分别为图的x轴和y轴，即分析y轴与x轴的关系。
• hue=df[‘rate_grade’]：图中显示的不同颜色标示则为列 ‘rate_grade’ （涨跌分类）的不同的值。
• style=df[‘rate_grade’]：图中’rate_grade’ （涨跌分类）采用了不同形状的标记，有圆、正方形、十字等等

从图中也可以看出来：股价波动小时，交易量也普遍小；股价价格高时，交易量也大，高涨、超跌的次数极少。说明了这只股票波动很小。

2、折线图

折线图也是一种关系图，数据表的列或行中的数据都可以绘制到折线图中，通过折线的上升或下降表明数据的增减变化。

适用场景：如果分类标签是文本并且代表均匀分布的数值（如月、季度或财政年度），则应该使用折线图。
优势：可以显示随时间而变化的连续数据，因此非常适用于显示在相等时间间隔下数据的趋势，在这一关老师也主要分析数据与时间的关系。

在折线图中，时间数据沿x轴均匀分布，待分析的数据沿y轴均匀分布，下面就介绍一下如何用lineplot()函数方法绘制散点图。
**

• x,y：数据中变量的名称，输入的需要做比较的数据，在折线图中分别为x轴和y轴，即分析y轴与x轴的关系
• data：DataFrame类型，表示待分析的数据来源

举个栗子：分析一下6月这一个月间收盘价（close）的变化趋势：

#我们只取30天的数据，从第1列开始取
df2=df[:30] 
#展示折线图
ax = sns.lineplot(x = "date", y = "close",data = df2) 
plt.xticks(rotation=45) #x轴的日期倾斜45度显示

运行之后，折线图如下图所示：

对于其中的关键函数，老师结合代码与运行出的折线图做一下说明：

ax = sns.lineplot(x = "date", y = "close",data = df2)

这行代码表示以df2这个数据集合中两个列名“date”、“close”为x轴和y轴，绘制折线图。

plt.xticks(rotation=45)

这行代码对x轴的显示倾斜角度进行设定，在本例中老师设置为45°。

老师再设置一个90度的，你来看看不同：

plt.xticks(rotation=90)

通过这两幅图的比较，可以看出这行程序的作用。

这个折线图呈现的是6月份收盘价的30天的走势图，可以看出在6月这一个月内，股价在11元8角附近上下波动，最高12元2角，最低11元。

3、通关练习

请你利用本文数据源的数据，做出七月开盘价（open）的折线图，要用到“date”和“open”这两列。
老师准备了一份参考答案，上传在右侧的资料包中，如果你完成了本关的通关练习，可以下载资料包与老师的代码进行比较。如果你在写代码的过程中遇到了困难，可以在提问区留言，老师会回答你的问题哦。

4、本关总结

本关介绍了两种关系图：散点图和折线图，两种图都反映了两组数据的关系，不同的是散点图中x轴与y轴都是数值型数据，而折线图中x轴是类别数据，比如日期，y轴是数值型数据。 关系图简单给同学介绍完了，后面还有更有用的制图等着我们，一起去看看吧。

第四关 分类图

分类图可以更好更明确的展示内容，对展示的内容进行分类展示，从而通过数据整合运用图像形式来展现，达到表达目的的效果。在本关，老师将重点介绍2种分类图：条形图与计数图。

1、条形图

见名思义，条形图就是一条一条柱状组成的图形，如下图。

条形图用一个单位长度表示一定的数量，根据数量的多少画成长短不同的直条，然后把这些直条按一定的顺序排列起来。从条形统计图中很容易看出各种数量的多少。
适用场景：显示各个项目之间的比较情况。
优势：每个条都清晰表示数据，直观。

条形图也叫长条图或直条图，代码也相当简单，一个函数barplot()就搞定了。**

• x,y：数据中变量的名称，输入的需要做比较的数据，在条形图中分别为x轴和y轴，即分析y轴与x轴的关系
• data：DataFrame类型，表示数据来源。

举个栗子：如果想看涨跌幅的五种分类（稳、跌、涨、高涨、超跌）他们的交易量的平均值，可以用下面的代码

#展示条形图
sns.barplot(x='rate_grade',y='volume',data=df)
plt.show()

这段代码里我们以类别数据涨跌幅’rate_grade’为x轴，y轴为交易量’colume’的平均值。

运行之后，效果图如下所示：

类别数据rate_grade共有五个值：“高涨”“涨”“稳”“跌”“超跌”，对应五个柱子，y轴是五种情况下的交易量平均值，通过图形的展示，可以看出结果太明显了，高涨和超跌的时候交易量要大于其他三种情况，尤其是“稳”的情况下，交易量最小，这正验证了普通人炒股的心理：“恐惧和贪婪”，超跌的时候恐惧心理占据上风，抛售股票的也多了，高涨的时候贪婪心理占据上风，买入股票的人也多了。

小白同学：“老师，这太有趣了，原来数据也会说话啊”
加法老师：“对啊，只要你用好工具，股票的特征就会一点一点呈现在你面前的。”

2、计数图

故名思意，计数图，可将它认为一种统计数量的图形，也可认为它是用以比较类别间计数差。

适用场景：离散型特征可使用，描述样本点出现的次数。

计数图调用count函数的barplot，所用函数是 countplot()，实现代码也相当简单。
**

• x，hue：数据变量的名称，在图中x表示x轴，hue表示y轴。
• data: DataFrame类型数据，表示数据来源，数组或数组列表用于绘图的数据集。

举个栗子：老师把一年的数据分成了8组（最后一组数据量不够，没有参考意义，在判断的时候予以抛弃），然后用计数图对每一组内的五种涨跌情况进行了对比：

#展示计数图
sns.countplot('group_index',hue='rate_grade',data=df)
plt.show()

呈现在眼前的图就是既可以组为单位比较，所有单位也可以作为整体来进行比较。x轴为组号，y轴为涨跌类别的数量。

小白同学：“老师我来总结下吧，从这个图中我看到每组代表稳定的绿棒占据着绝大多数，其他情况都很少，说明这只股票很稳，波动小”
加法老师：“嗯嗯，总结的不错，很容易吧。看起来枯燥的数据，用Seaborn这么一展示，就变的很好理解了，加油，小白”

3、通关练习

请你利用本文数据源的数据，做出交易额（volume）的条形图。
老师准备了一份参考答案：barplot.py，上传在右侧的资料包中，如果你完成了本关的通关练习，可以下载资料包与老师的代码进行比较。如果你在写代码的过程中遇到了困难，可以在提问区留言，老师会回答你的问题哦。

4、本关总结

本关介绍了分类图中的两种图：条形图和计数图，从外观上看，两者都是有一根根柱子组成，很类似，但细细看就能看出他们的区别，条形图的x轴为类别数据，y轴为类别数据对应的数值数据的平均值。计数图x轴y轴都为类别数据，表现的是x轴的数据范围内y轴数据的数量。 还有最后一大类图，分布图，向着胜利前进！

第五关 分布图

分布图是表现一些现象空间分布位置与范围的图型，它的制图会给人视觉上的直观结果。在本关，老师将重点介绍2种分类图：直方图与核函数密度估计图。

1、直方图

直方图是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。
适用场景：数据有分组，并且有展示数据变化的需求。

在Seaborn中使用distplot()函数制作直方图，直方图的函数displot()的格式如下：

• x,y：数据变量的名称，在图中分别表示x轴与y轴。
• data: DataFrame数据类型，表示数据来源，数组或数组列表用于绘图的数据集。

举个栗子：如果想直观的看一个月的交易量并做比较，可以用直方图表示出来，看下面的程序。

df5=df[:30]    #取前三十行数据
sns.barplot(x=df5['date'], y=df5["volume"], data=df5) #取df5的‘date’‘volume’这两列作为xy轴
plt.xticks(rotation=45)  #倾斜45度角
plt.show()

代码也和其他图形一样，相当的简洁。因为日期数据太多，本文展示不开，本例只取了前三十行数据。第二行代码就开始作图了，x轴设为日期，y轴设为交易量，数据源为我们取的前三十行数据，日期稍作处理，倾斜45度角，显示时就不会互相重叠在一起了。

运行之后直方图如下所示：从图中可以得到交易量的简单特征，比如7月4日交易量最大，6月4日交易量最小。

小白同学：“不对，老师，这不是条形图吗，别以为画的像钢琴谱一样就能骗过我，我可是好好学习过的呢。”
加法老师：“小白同学，这回是你错了，仔细看看例子里两种图形的x轴y轴，数值和类别都是不一样的特点呢，如果要快速的分辨它们，那就是直方图的x轴数据是有前后关系，不可颠倒顺序，而条形图的x轴的数据是可以随便更换位置，不会影响图的含义的，明白了吧。”

2、核函数密度估计图

核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一。
大白话就是核密度图显示数值变量的分布，用来估计密度的，如果你有一系列空间点数据，那么核密度估计往往是比较好的可视化方法。

在Seaborn中使用kdeplot()函数制作核函数密度估计图，密度曲线函数的函数kdeplot()的格式如下：

• shade ：是否填充与坐标轴之间的
• cdbar ：是否显示颜色图例
• cmap：设置调色盘
• shade_lowest：最外围颜色是否显示
• n_levels：曲线个数

举个栗子： 本例中是对两个数值型数据做了关系图，通过kdeplot()这个函数，把收盘价（close）和涨跌比例（rise_rate）这两列的数值的密度分布情况显示在图形中。

sns.kdeplot(df['close'],df['rise_rate'],
           cbar = True,    # 是否显示颜色图例
           shade = True,   # 是否填充
           cmap = 'Reds',  # 设置调色盘
           shade_lowest=False,  # 最外围颜色是否显示
           n_levels = 10   # 曲线个数（如果非常多，则会越平滑）
           )
# 两个维度数据生成曲线密度图，以颜色作为密度衰减显示
plt.show()

根据代码中分析的，我们都可以在下图中找到参数设置所起作用的地方。

从上图中可以得到什么信息呢？ 直观的看，在12元是密度对大的地方，说明股票在12元的时间是最长的，涨跌幅以0 为中心，上下方向坡度较陡，说明了在0周边集中度较高，也就是涨跌幅在0附近的时间长，这正好和我们前面分析的特点有些吻合。

3、通关练习

这是本文最后一关，请同学利用本文数据，制作出收盘价（close）的直方图。
参考答案：见附件bar.py

4、本关总结

本关讲解的是分布图，分布图是方便我们来看数据分布情况的，本例中的直方图我们可以清晰的看到每一天具体的交易量，另外一例子是核函数密度估计图，从图中可以看到收盘价和涨跌幅的密度分布，从而对我们两组数据的整体关系有一个直观的展示。

课程总结

到这里，我们已经把主要的图形学习了一遍，老师给你再总结梳理一下本文的内容。分类图
首先呢，我们介绍了Seaborn模块的背景已及它和Matplotlib模块、Pandas模块的关系，它的安装也很传统，用pip就可以了，这里老师给你介绍了一个安装小技巧，对了，就是通过国内源安装速度会快很多。

再往下呢我们逐步讲解了矩阵图、关系图、分类图、分布图这四大类图，每大类图又还有小的分类，老师通过思维导图做了汇总： ~~

老师在这里强调一下，老师只是取了浦发银行最近一年的数据，所以分析出来的结果一定会有时间上的局限性，仅仅作为短期参考，如果要通过这种方式深入研究股票，一定要下载多年的数据，这样才能把握全局，看的更高、更远。