9.2.2 柱状图
1.plot.bar（）和plot.barh（）分别用来绘制垂直和水平的柱状图
2.Series或DataFrame的索引被用作x轴刻度线（bar）或y轴刻度线（barh）（参考图9-15）
3.选项color='k'将柱子颜色设置为黑色；alpha将图像的填充设置为部分透明
4.在DataFrame柱状图中（参考图9-16），
（1）每一行中的值分组到并排的柱子中的一组
（2）列名称“Genus”被用作图例标题
5.传递stacked=True来生成堆积柱状图，使得每一行的值堆积在一起
6.使用value_counts:
data.value_counts().plot.bar()可以有效的对Series的值频率进行可视化（参考图9-15以及图9-18）
7.示例：绘制一个堆积柱状图，用于展示每个派对在每天的数据点占比（参考图9-20（1）、9-20（2））
使用read_csv导入文件tips.csv(见图9-19）
8.对于在绘图前需要聚合或汇总的数据，使用seaborn会使工作更简单
使用seaborn进行按星期日计算小费百分比（参考图9-21）
seaborn中的绘图函数使用一个data参数，这个参数可以是pandas的DataFrame。其他的参数则与列名有关。
day列中有多个观测值，柱子的值是tip_pct的平均值。
柱子上画出的黑线代表的是95%的置信区间（置信区间可以通过可选参数进行设置）。 注：置信区间：指由样本统计量所构造的总体参数的估计区间
9.seaborn.barplot拥有一个hue选项，允许我们通过一个额外的分类值将数据分离（如图9-22）
注：seaborn自动改变了图表的美观性：默认的调色板、图背景和网格线条颜色
9.2.3 直方图和密度图
1.直方图：一种条形图，用于给出值频率的离散显示。 数据点被分成离散的，均匀间隔的箱，并且绘制每个箱中数据点的数量。
使用Series的plot.hist方法制作小费占总费用百分比的直方图（如图9-23）
2.密度图（KDE图）：一种与直方图相关的图表类型，它通过计算可能产生观测数据的连续概率分布估计而产生。 通常的做法是将这种分布近似为“内核”的混合，也就是像正态分布那样简单的分布。
plot.kde使用传统法定混合法估计绘制密度图（见图9-24）：
3. distplot方法可以绘制直方图和连续密度估计，通过distplot方法seaborn使直方图和密度图的绘制更为简单。
示例：考虑由两个不同的标准正态分布组成的双峰分布
9.2.4 散点图或点图
1.点图或散点图可以用于检验两个一维数据序列之间的关系 示例：载入文件，选择对数计算对数差（见图9-27）
注：(1)np.diff(a，n=1，axis=-1) Calculate the n-th discrete difference along the given axis （2）DataFrame.dropna(axis=0,how='any',thresh=None,subset=None,inplace=False) Remove missing values.（3）np.log（） log() 返回 x 的自然对数
使用seaborn的regplot方法，该方法可以绘制散点图，并拟合出一个条线性回归线（见图9-29）
2.对图、散点图矩阵 查看一组变量中的所有散点图
利用seaborn的pairplot函数，它支持在对角线上放置每个变量的直方图或密度估计值(见图9-30）
注：plot_ksw参数：使我们能够将配置选项传递给非对角元素上的各个绘图调用
9.2.5 分面网格和分类数据
1.分面网格是利用多种分组变量对数据进行可视化的方式
seaborn拥有一个有效的内建函数factorplot，它可以简化多种分面绘图（见图9-31）：
除了根据’time’在一个面内将不同的柱分组为不同的颜色，我们还可以通过每个时间值添加一行来扩展分面网格（见图9-32）：
sns.factorplot(x='day', y='tip_pct', row='time', .....: col='smoker', .....: kind='bar', data=tips[tips.tip_pct < 1])
factorplot支持其他可能有用的图类型，具体取决于你要显示的内容。例如，箱形图（显示中位值、四分位数和异常值）可以是有效的可视化类型（图9-33）：
