1、气泡图

气泡图是一种在xy轴上显示三个维度的数据的有效方式。在气泡图中，基本上，每个气泡代表一个数据点。横坐标和纵坐标的位置代表两个维度，气泡的大小则代表第三个维度。

在这个例子中，我们用numpy库生成了一些随机数据，然后用matplotlib库的scatter函数创建了一个气泡图。在scatter函数中，参数x, y分别代表数据点的x和y坐标，参数s代表数据点（即气泡）的大小。

import matplotlib.pyplot as plt
import numpy as np
​
# 随机生成数据
np.random.seed(0)
x = np.random.rand(25)
​
y = np.random.rand(25)
z = np.random.rand(25) * 1000  # 这将决定气泡的大小
​
# 创建气泡图
plt.scatter(x, y, s=z)
​
# 添加图形的标题和x,y轴的标签
plt.title('bubble')
plt.xlabel('X')
plt.ylabel('Y')
​
# 显示图形
plt.show()

2、影响图

影响图（Influence Diagram）是一种用于展示变量之间因果关系的图形化工具。在Python中，可以使用NetworkX和Matplotlib等库来绘制影响图。

import matplotlib.pyplot as plt
import networkx as nx
​
# 创建一个有向图
G = nx.DiGraph()
​
# 添加节点
G.add_node("X")
G.add_node("Y")
G.add_node("Z")
​
# 添加边
G.add_edge("X", "Y")
G.add_edge("Y", "Z")
G.add_edge("X", "Z")
​
# 绘制图形
pos = nx.spring_layout(G)
nx.draw(G, pos, with_labels=True)
plt.show()

​

3、条形图

条形图（Bar chart）是一种以条形为主要表现形式的图形化数据可视化工具。它通过将数据值转换为条形的长度或高度来展示数据，以便直观地比较和解读不同类别的数据。条形图常用于展示两个或多个类别的数据集之间的相对大小、频次或百分比等。

条形图的基本构成包括横轴和纵轴。横轴通常代表分类或类别，纵轴则代表数值或定量数据。根据数据的类型和可视化需求，可以选择使用垂直条形图或水平条形图。在垂直条形图中，条形的长度与数据值成正比；而在水平条形图中，条形的宽度与数据值成正比。

条形图具有多种变体和表现形式，例如单轴条形图、双轴条形图、分组条形图、堆叠条形图等。通过不同的颜色、标记、标签和其他可视化元素可以增加条形图的易读性和清晰度。条形图广泛应用于数据可视化、商业报告、统计分析和决策支持等领域。

import matplotlib.pyplot as plt
​
# 数据
categories = ['Category1', 'Category2', 'Category3', 'Category4', 'Category5']
values = [5, 8, 3, 6, 4]
​
# 创建条形图
plt.bar(categories, values)
​
# 添加标题和轴标签
plt.title('Simple Bar Chart')
plt.xlabel('Categories')
plt.ylabel('Values')
​
# 显示图表
plt.show()

4、箱线图

箱线图（Box Plot）是一种用于展示一组数据分散情况资料的统计图。包含一组数据的最大值、最小值、中位数、及上下四分位数。因此，箱线图可以提供关于数据分布的有用信息。

以下是一些箱线图的基本构成：

箱体：包含了所有数据的整体范围，也被称为“箱”。

中位数：标示出数据的“中点”。在箱线图中，中位数通常会有一条线直接连到箱体，且与箱体的中心对齐。

四分位数：标示出数据的“四分位数”，也就是将数据分为四个等份的四条线。在箱线图中，四分位数通常以“+”符号表示，且与箱体的上下边缘对齐。

须”的长度：箱线图中的“须”是两个方向向外延伸的线段，从四分位数的位置向两侧延伸。须的长度不会超过箱体的长度。

“异常值”：如果数据集中存在极端的或异常的数据点，它们会被单独标示出来，通常会以小圆圈或者是其他特殊的标记来表示。

通过观察箱线图，你可以快速了解这组数据的集中趋势、离散程度以及异常值。

import matplotlib.pyplot as plt  
import numpy as np  
  
# 创建数据  
np.random.seed(10)  
data = np.random.normal(100, 20, 100)  
  
# 绘制箱线图  
plt.boxplot(data)  
  
# 设置图表标题和轴标签  
plt.title('Box Plot')  
plt.xlabel('Data')  
plt.ylabel('Value')  
  
# 显示图表  
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
​
# 创建数据
np.random.seed(10)
data = np.random.normal(100, 20, 100)
​
# 绘制箱线图
sns.boxplot(x=data)
​
# 设置图表标题和轴标签
plt.title('Box Plot')
plt.xlabel('Data')
plt.ylabel('Value')
​
# 显示图表
plt.show()

5、核密度图

核密度图（Kernel Density Estimate，KDE）是一种用于估计随机变量概率密度函数的非参数方法。在 Python 中，可以使用多种库来绘制核密度图，其中包括 Seaborn、Matplotlib 和 SciPy。

import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
​
# 生成示例数据
data = np.random.normal(size=100)
​
# 使用 Seaborn 绘制核密度图
sns.kdeplot(data, label='KDE')
​
# 显示图形
plt.legend()
plt.show()

import matplotlib.pyplot as plt
import numpy as np
​
# 生成示例数据
data = np.random.normal(size=100)
​
# 使用 Matplotlib 绘制核密度图
plt.hist(data, density=True, alpha=0.5, label='KDE')
​
# 显示图形
plt.legend()
plt.show()

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import gaussian_kde
​
# 生成示例数据
data = np.random.normal(size=100)
​
# 使用 SciPy 计算核密度估计
kde = gaussian_kde(data)
x_range = np.linspace(min(data) - 1, max(data) + 1, 1000)
kde_values = kde(x_range)
​
# 使用 Matplotlib 绘制核密度图
plt.plot(x_range, kde_values, label='KDE')
​
# 显示图形
plt.legend()
plt.show()

6、小提琴图

小提琴图（Violin plot）是一种用于显示数据分布情况的图形。它类似于箱线图，但提供了更多的信息，如数据的核密度估计和四分位数。在Python中，可以使用Seaborn库来绘制小提琴图。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
​
# 生成一些随机数据
rs = np.random.RandomState(0)
n, p = 40, 8
d = rs.normal(0, 2, (n, p))
d += np.log(np.arange(1, p + 1)) * -5 + 10
​
# 绘制小提琴图
sns.violinplot(data=d)
​
# 显示图形
plt.show()

7、热图

热图是一种可视化工具，用于展示二维数据集中的数据信息，其中颜色表示单元格的值。在热图中，行列的坐标是二维数据的标识符，每个单元格的颜色深浅表示其对应值的大小。通过热图，我们可以快速浏览和比较不同数据集中的数据分布和特征。

热图有多种类型，包括点热图、条形图热图、气泡热图、颜色映射热图等。其中点热图和条形图热图是最常用的热图类型之一。点热图以点的颜色来表示每个单元格的值，而条形图热图则使用条形的长度和颜色来表示每个单元格的值。

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
​
# 创建一个随机数据集
data = np.random.rand(10, 12)
​
# 创建一个热图
heatmap = sns.heatmap(data)
​
# 显示图形
plt.show()

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np
​
# 创建一个随机数据集
data = np.random.rand(10, 12)
​
# 创建一个热图
heatmap = sns.heatmap(data, cmap='coolwarm')
​
# 显示图形
plt.show()

8、箭靶图

箭靶图，也叫做蜘蛛网图或者雷达图，是一种用于显示多变量数据的图形。它由一个中心点向外辐射出多条线段，每条线段代表一个变量，线段的长度代表该变量的数值大小。箭靶图的每个角都代表一个变量，从中心点到每个角的线段表示该变量的数值大小。箭靶图通常用于显示性能数据，如产品的性能指标、公司的财务数据等。在箭靶图中，每个变量的最大值和最小值通常被标出来，以便更好地了解每个变量的数值范围。箭靶图的主要优点是它可以同时显示多个变量的数值大小，并且可以通过线段的长度和角度来表示各个变量之间的关系。

import matplotlib.pyplot as plt
import numpy as np
​
# 创建一个新的figure
fig, ax = plt.subplots()
​
# 创建箭靶的外圈
circle1 = plt.Circle((0, 0), 10, fill=False)
circle2 = plt.Circle((0, 0), 20, fill=False)
circle3 = plt.Circle((0, 0), 30, fill=False)
circle4 = plt.Circle((0, 0), 40, fill=False)
circle5 = plt.Circle((0, 0), 50, fill=False)
circle6 = plt.Circle((0, 0), 60, fill=False)
circle7 = plt.Circle((0, 0), 70, fill=False)
circle8 = plt.Circle((0, 0), 80, fill=False)
​
# 将圆添加到图中
ax.add_artist(circle1)
ax.add_artist(circle2)
ax.add_artist(circle3)
ax.add_artist(circle4)
ax.add_artist(circle5)
ax.add_artist(circle6)
ax.add_artist(circle7)
ax.add_artist(circle8)
​
# 生成数据点
x = 60*np.random.randn(100)
y = 60*np.random.randn(100)
ax.scatter(x, y, color='r', alpha=0.5)
​
# 设置x轴和y轴的限制，使得它们的范围都是[-90, 90]
ax.set_xlim([-90, 90])
ax.set_ylim([-90, 90])
​
# 添加一个标题，设置字体为SimHei解决中文无法显示的问题
plt.title('箭靶图', fontproperties='SimHei')
​
# 显示图形
plt.show()

9、折线图

折线图是一种以线条表示数据信息的图表类型。在折线图中，数据点的相继关系通过线条的起伏和连贯性来表现。折线图通常用于显示时间序列或连续数据的变化情况。

import matplotlib.pyplot as plt
import numpy as np
​
# 定义数据
x = np.linspace(0, 10, 100)  # 在0到10之间均匀取100个点
y = np.sin(x)
​
# 绘制折线图
plt.figure(figsize=(10, 6))  # 设置图形大小
plt.plot(x, y, label='sin(x)', linewidth=2, linestyle='-', color='blue')  # 绘制折线图，并设置线宽、线型和颜色
plt.title('Sine Function')  # 设置图形标题
plt.xlabel('x')  # 设置x轴标签
plt.ylabel('y')  # 设置y轴标签
plt.xticks(np.arange(0, 11, 1))  # 设置x轴刻度
plt.yticks(np.arange(-1, 1 + 0.2, 0.2))  # 设置y轴刻度
plt.grid(True)  # 显示网格线
plt.legend()  # 显示图例
​
# 显示图形
plt.show()

10、饼图

饼图（Pie Chart）是一种以圆形表示数据信息的图表类型，通过将圆周分割成若干个扇形，每个扇形对应一个数据项或类别，以扇形的面积或长度来表示数据量或占比。

import matplotlib.pyplot as plt
​
# 定义数据
labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]
​
# 绘制饼图
plt.figure(figsize=(6, 6))  # 设置图形大小
plt.pie(sizes, labels=labels, autopct='%1.1f%%')  # 绘制饼图，并设置标签和百分比格式
​
# 显示图形
plt.show()

11、散点图

散点图（Scatter plot）是一种用于展示两个变量之间关系的图形，它用点的密度和位置来表示数据点的分布情况。在散点图中，每个点代表一个数据点，x轴和y轴分别表示两个变量，通过观察点的位置可以大致了解这两个变量之间的关系。

散点图的优点是能够直观地反映两个变量之间的关系，并且可以方便地添加其他参考线或数据集来帮助分析和预测。它的缺点是在数据点较多时，图形可能会显得比较杂乱，不易读出准确的关系。

import matplotlib.pyplot as plt
import numpy as np
​
# 定义数据
x = np.random.randn(100)
y = np.random.randn(100)
​
# 绘制散点图
plt.figure(figsize=(6, 6))  # 设置图形大小
plt.scatter(x, y)  # 绘制散点图
​
# 显示图形
plt.show()