案例二：南京历年小区建成情况-折线图
# 计算南京历年的小区建成数量
Jianzhu_tmp = Xiaoqu["建筑年代"].value_counts()
Jianzhu_year = Jianzhu_tmp.sort_index().reset_index()
Jianzhu_year.columns = ["year", "cnt"]
# 时间跨度太大，因此选择80年以后、18年以前的数据
Jianzhu_year = Jianzhu_year[(Jianzhu_year["year"]>="1980") & (Jianzhu_year["year"]<="2018")]
plt.figure(figsize=(16, 6))
# 基于plot()语句（折线）
plt.plot(Jianzhu_year["year"], Jianzhu_year["cnt"], color="#A0522D", alpha=0.9,
marker="o", label="小区数量", linewidth=2, linestyle="--")
plt.title("南京小区建成数量与年份的关系", fontsize=15)
plt.legend()
从绘图的结果看，最高点在2000年，其次是在2005年。纵观整个时间轴，小区建成速度起起伏伏，似乎并无明显规律。那我们换个视角，图上哪些年份的值是在平均线以上，哪些则是在平均线以下的。
plt.figure(figsize=(16, 6))
plt.plot(Jianzhu_year["year"], Jianzhu_year["cnt"], color="#A0522D", alpha=0.9, label="小区数量", linewidth=2, linestyle="-")
# 绘制数据的均线，并进行颜色填充，增加图形的可读性
plt.fill_between(Jianzhu_year["year"], Jianzhu_year["cnt"].mean(), Jianzhu_year["cnt"], color="#CD853F")
plt.title("南京小区建成数量与年份的关系", fontsize=15)
plt.legend()
规律非常明显了，98年以后，南京的城市化进入了非常快速的发展阶段（每年小区建成数量越多，我们认为城市化的速度越快）。1998-2010这12年间，小区的建成数量都在历史均值以上，这种现象在21世纪初的前5年尤为显著。
而到了2010年之后，城市化速度开始趋稳并逐步回落。特别是2018年，降幅尤为明显，这是因为17年之后，南京开始限购限卖限价等史上最严的楼市政策，土拍地块很少，市场非常冷清。
此外这张图还是能够从侧面看得出来政府对土拍节奏的控制。
那这张图是怎么实现的呢？对比上下两个绘图语句，变化点除了 plot() 语句的参数微调外，就是增加了 fill_between() 语句。该语句的作用是以指定颜色填充两条曲线之间的部分。其中第一个参数表示待填充区域的 x 轴的范围，第二个参数表示第一条曲线（这里常数表示平行于 x 轴的直线），第三个参数表示第二条曲线， color 表示以指定颜色填充。当然了，你也可以增加 alpha 参数来指定填充色块的透明度。
案例三：南京下辖各区历年小区建成情况-折线图
城市的发展通常都是不平衡的，对于市中心来说，城市化接近100%。城市化的过程通常伴随着拆县并区、行政级别提升，这对后增设的行政区是一大利好。这个案例我们就来一起看看。
简单来说，为了实现我们的目的，最简单的方法就是针对每个行政区分别绘图。聪明的朋友肯定会想到，把画图语句做一次简单封装，用循环来调用就行了。
这个小技巧后面会经常用到，但是这里再教大家一些不太一样的东西：把多图绘制到一起，统一坐标轴，可读性更强。
# 采集代绘图的行政区
Area = Xiaoqu["区县定位"].unique().tolist()
# 绘制组合图，组合图的分布位11*1，呈列分布，图层大小16×40
figure, axes = plt.subplots(len(Area), 1, figsize=(16, 40))
plt.subplots_adjust(wspace=0.2, hspace=0.3)
# 对Area中的每个行政区遍历、绘图，需要注意的是绘图语句需要指定到具体轴，例如axes[1]
for index, value in enumerate(Area):
# 绘图前的统计运算：按照年份排序；对于数据空缺的年份，默认置0；
Jianzhu_area = Xiaoqu[Xiaoqu["区县定位"] == value]["建筑年代"].value_counts()
Jianzhu_area.sort_index(inplace=True)
Jianzhu_area.columns = ["year", "cnt"]
Jianzhu_area = Jianzhu_area.loc["1980":"2018"]
Jianzhu_area = Jianzhu_area.reindex([str(i) for i in range(1980, 2019, 1)])
Jianzhu_area.fillna(0, inplace=True)
# 绘图语句
axes[index].plot(Jianzhu_area.index.tolist(), Jianzhu_area.tolist(), color="#A0522D", alpha=0.9, label= value+"小区数量", linewidth=2, linestyle="-")
axes[index].fill_between(Jianzhu_area.index.tolist(), Jianzhu_area.mean(), Jianzhu_area.tolist(), color="#CD853F")
axes[index].legend()
axes[index].set_ylim(0,85)
# 在索引为0的轴上设置标题，作为整个图片的标题
axes[0].set_title("南京下辖各区历年小区建成情况", fontsize=15)
从图上看，南京的传统主城区：玄武、鼓楼、秦淮的小区建成数量自2000年以后就逐步步入均线以下，并且日渐萎缩，到现在为止基本无地可卖。江宁、雨花、栖霞、浦口、建邺自2000年以后，开始逐步加大开发力度，小区建成量一路走高，但是到2018年左右都均萎缩到均线附近。溧水六合的偏远区域几乎无数据，可能原因是历史统计未有效覆盖，这里不加以分析。
整体看南京城市板块在逐步延伸，南京房地产的黄金时期应该是2000到2010年，到目前为止，南京正在逐步步入“二手房”时代。
案例四：南京下辖各区小区均价情况-箱体图
通常大家都在说的均价，但是均价有着明显的局限性，即单一均价很难反映某个地区的房价水平。特别是两个房价均价一样的地区，可能其房源组成迥然不同，因此这里给大家推荐用箱体图来表征。通常一个箱体可以同时表征中位数、均值、上四分位数、下四分位数、上下限以及异常值等指标，信息量非常丰富。
Price_mean = Xiaoqu[["区县定位", "参考均价"]].dropna()
Price_mean["参考均价"] = Price_mean["参考均价"].astype(np.int32)
# 将原始数据分块、整理
box_data = [] # 箱体图的房价数据
labels = [] # x轴的标签数据
for index, value in enumerate(Area):
box_data.append(Price_mean[Price_mean["区县定位"] == value]["参考均价"].values.tolist())
labels.append(value)
plt.figure(figsize=(10, 8))
plt.boxplot(box_data, # 每个箱体的绘图数据
labels = labels, # x轴的标签名
patch_artist=True, # 设置自定义颜色填充箱体，默认白色填充
showmeans=True, # 显示均值
boxprops = {
'color':'black','facecolor':'blue',
'color':'blue', 'alpha':0.7}, # 设置箱体属性，填充色和边框色
flierprops = {
'marker':'o','markerfacecolor':'red',
'color':'black', 'alpha':0.7}, # 设置异常点的属性，包括点的形状、填充色和边框色
meanprops = {
'marker':'*','markerfacecolor':'yellow',
'markersize':'12'}, # 设置均值点的属性，点的形状、填充色
medianprops = {
'linestyle':'--',
'color':'white'},# 设置中位数线的属性，线的类型和颜色
)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.title("南京下辖各区小区均价情况", fontsize=15)
从上图看，南京小区房价的第一梯队是鼓楼、建邺、玄武、秦淮，第二梯队是江宁、雨花台、浦口、栖霞，第三梯队是溧水、六合、高淳。
从上四分位数看，建邺、鼓楼一马当先，其次是玄武，TOP三兄弟甩开其他伙伴一大截，妥妥的豪宅区域（也有学区房的加成）。
并且从图上我们也能看出，价格越高的板块，均值（黄色星星）和房价中位数（白色虚线）就背离的越厉害，均值普遍高于中位数，这是因为新出的豪宅小区大幅拉高了整体板块的均值。
总结
从这一小节的分析，朋友们基本能够看出来，南京的核心城区板块、新兴板块以及刚需板块在哪里啦。
本节一共介绍了三类图形的基本画法：柱状图、折线图、箱体图。柱状图主要用来比较不同值的大小，折线图用来表示时间趋势更合适一些，箱体图则用作分析数据的分布。
下一小节我们将继续利用小区的数据，跟朋友们聊一聊南京商品房数量的话题，尽情期待！