1.Seaborn
Seaborn matplotlibのPythonのデータに基づく可視化ライブラリ。それは魅力的で有益な統計グラフィックスレンダリングするための高レベルのインタフェースを提供します。より多くの使用を学び公式の導入Seaborn
2.seaborn.load_dataset
seaborn.load_dataset（名前、キャッシュ=真、 data_home =なし、** KWS） オンラインデータベースから取得したデータセットは、（インターネット接続が必要）。
パラメータ：
名前：名前の文字列、データセット（名 .CSV ON https://github.com/mwaskom/seaborn-data）。あなたが利用可能なデータセットのget_dataset_names（）を得ることができる
Trueの場合、オプションのブール値、およびローカルキャッシュにデータをキャッシュするために後続の呼び出しで使用される：キャッシュを
data_home：文字列を、オプションのディレクトリにキャッシュされたデータを格納するために使用されます。デフォルトを使用して、〜/ Seaborn-データ/
KWS：dictの、必要に応じて、pandas.read_csvに渡され
、この点を、公式ウェブを参照してください。もっと
3.matplotlib.pyplot
matplotlib.pyplot.acorr（X、保留=なし、データ=なし、** kwargsから）
パラメータ説明
| バツ | スカラシーケンス |
|---|---|
| ホールド | ブール、オプションで、お勧めできません、既定値：true |
| トレンド除去 | 呼び出し可能な、オプション、デフォルト：mlab.detrend_none |
| ノルム | ブール、オプションで、デフォルト値：true trueの場合、単位長さに正規化ベクトルが入力されます。 |
| usevlines | ブール、オプション、デフォルト：true trueの場合、垂直線がacorrに原点からAxes.vlinesを使用して描画されます。それ以外の場合は、Axes.plot |
| maxlags | 整数、オプション、デフォルト：10;遅延時間を表示。なし場合は、すべて2 * LEN（x）は-1遅れを返します。 |
| 返却値 | （ヒステリシス、C、行、B）：式中、遅れの長さは2であるmaxlags + 1滞后向量。c 是2。maxlags +自己相関ベクトル1ラインたLine2D例プロットによって返され、Bは、x軸です。 |
| もっと | より多くの例については、公式サイトを入力するにはここをクリック |
4.matplotlib.pyplot.plot
matplotlib.pyplot.acorr（X、保留=なし、データ=なし、** kwargsから）
詳細なパラメータは：
ネットワークは非常に便利な感じで書かれた記事を検索し、それを自分で書かない：
1.ブログ参照してくださいmatplotlib.pyplot.plot（）パラメータ説明
：公式サイトを参照してください。2. matplotlib.pyplotはmatplotlibの状態に基づいてインターフェイスです
使用の5例：
図行線（5.1）シリーズ例示的なグラフ------
now = pd.datetime.now()
index = pd.date_range(start=now,periods=6,freq='Q')
s = Series(data=np.random.randint(77,99,size=6),index= index,name='W')
s.plot(kind='line')
（5.1）データフレームの行ライン------図の例示的なグラフ。
now = pd.datetime.now()
index1 = pd.date_range(start=now,periods=6,freq='Q')
data1 = {
'product':np.random.randint(25,45,size=6),
'number_pen':np.random.randint(3,5,size=6)
}
df = DataFrame(data=data1,index=index1)
df.plot(kind='line')
（5.2）シリーズヒストグラムチャートの一例------
s = Series(data=np.random.randint(24,79,size=3),index=list('ABC'))
s.plot(kind='bar/barh')
（5.2）データフレームヒストグラムグラフの例示的な------
df = DataFrame(data=np.random.randint(3,9,size=(3,7)),columns=list('ABCDEFG'))
df.plot(kind='bar/barh')
（5.3）------例示的なヒストグラム
各データ間隔の統計は、データの数が提示
ノルム：確率（0-1）への変換はインターバル発生する可能性が
密度：seabon matplotlibの
data.plot（種類= ' HIST「ビン= 5、ノルム = TRUE）
カーネル密度推定マップ、それぞれの可能な統計のための間隔のデータ確率
data.plot（種類=」KDE「）
の数の違いを示しています。
# 个数
data1 = Series(data=np.random.randn(827))
data1.plot(kind='hist')
data1.plot(kind='hist',bins=15)
TrueとFalseの正常な
# normal
data1 = Series(data=np.random.randn(827))
data1.plot(kind='hist',bins=4,normed=False)
data1.plot(kind='hist',bins=4,normed=True)
KDEの使用
data1 = Series(data=np.random.randn(827))
data1.plot(kind='hist',bins=6,normed=True)
data1.plot(kind='kde')
data1.plot(kind='hist',bins=2,normed=True)
data1.plot(kind='kde')
rondom率ヒストグラムは、メソッドHISTを呼び出して、乱数を生成し、
- カラムの高さは、オーディオデータの数を表し、列幅は、データのセットのグループを表します
- パラメータの上限数は、正方形の列より小さいより大きい列幅、より細かいデータパケットをヒストグラムビンを設定することができます
- Trueにノルムパラメータセットは、周波数が確率に変換することができます
KDE図：カーネル密度推定を、パラメータを設定するヒストグラムビンの精度を補償するため、無理に起因して問題がないことに
二つの演習は、こちらをクリックしてください
（5.4）------例散布図
：それは植栽の方法を使用して、変換できない場合は
参考リンクを：PANDASカテゴリデータ型の
参照を：学習教材と、すべてのリンクされたサイトから。
