使用python中最有用的50个数据可视化图形，并且用代码清晰的演示了使用matplotlib和seaborn库的过程并且展示了最终的结果。
文章地址：https://blog.csdn.net/qq_35318838/article/details/102590566

前文介绍了Python3抓取电影实体知识，Seaborn可视化展示电影信息，D3可视化布局，关系图谱基本构建。
本篇文章将实现点击节点显示其相关的属性及属性值，通常在知识图谱中称之为消息盒（InfoBox）展示。
希望该资源对你有所帮助，更推荐读者结合博客进行学习。
https://blog.csdn.net/Eastmount/article/details/87193405By:Eastmount

地理图：地理空间数据可视化geoplot是一个高级Python地理空间绘图库。
它是对cartopy和matplotlib的扩展，使制图变得容易：就像seaborn一样用于地理空间。
它具有以下功能：高级绘图API：geoplot是90％用例的制图绘图。
您在地理教科书中可能已经看到的所有标准载体地图都可以轻松访问。
本机投影支持：地理空间绘图的最基本特性是投影：如何以正确的方式将球体展开到平坦表面（地图）上？答案取决于您要描绘的内容。
geoplot提供了这些选项。
与matplotlib兼容性：尽管matplotlib不适合直接处理地理空间数据，但它是其他工具很好地结合的格式。
使用condainstallgeoplot-cconda-forge可以轻松进行condainstallgeoplot-cconda-forge。
。

1.目录1.目录22.绘图函数Plottingfunctions42.1.可视化的统计关系Visualizingstatisticalrelationships42.1.1.用散点图联系变量Relatingvariableswithscatterplots42.1.2.强调线条图的连续性Emphasizingcontinuitywithlineplots102.1.3.显示与切面的多个关系Showingmultiplerelationshipswithfacets212.2.分类数据绘图Plottingwithcategoricaldata242.2.1.分类散点图Categoricalscatterplots262.2.2.分类观测值分布Distributionsofobservationswithincategories312.2.3.分类统计估计Statisticalestimationwithincategories372.2.4.对“wide-form”数据作图Plotting“wide-form”data412.2.5.显示与facet的多个关系Showingmultiplerelationshipswithfacets432.3.可视化数据集的分布Visualizingthedistributionofadataset442.3.1.绘制单变量分布Plottingunivariatedistributions452.3.2.绘制二元分布Plottingbivariatedistributions512.3.3.在数据集中可视化成对关系Visualizingpairwiserelationshipsinadataset552.4.可视化线性关系Visualizinglinearrelationships572.4.1.函数绘制线性模型Functionstodrawlinearregressionmodels582.4.2.拟合不同种类的模型Fittingdifferentkindsofmodels612.4.3.在其他变量上的情况Conditioningonothervariables682.4.4.控制图表的大小和形状Controllingthesizeandshapeoftheplot712.4.5.在其他上下文中绘制回归图Plottingaregressioninothercontexts733.多图网格Multi-plotgrids763.1.构建结构化的多图网格Buildingstructuredmulti-plotgrids763.2.有条件的小倍数Conditionalsmallmultiples773.3.使用定制函数Usingcustomfunctions863.4.绘制成对的数据关系Plottingpairwisedatarelationships904.绘图美学Plotaesthetics994.1.控制图表美学Controllingfigureaesthetics994.1.1.Seaborn图表风格Seabornfigurestyles1014.1.2.删除轴上的小凸起Removingaxesspines1044.1.3.临时设置图表样式Temporarilysettingfigurestyle1054.1.4.覆盖Seaborn样式的元素Overridingelementsoftheseabornstyles1064.1.5.缩放图表元素Scalingplotelements1084.2.选择调色板Choosingcolorpalettes1114.2.1.创建颜色调色板Buildingcolorpalettes1114.2.2.定性调色板Qualitativecolorpalettes1124.2.3.连续调色板Sequentialcolorpalettes1164.2.4.不同颜色的调色板Divergingcolorpalettes1224.2.5.设置默认调色板Settingthedefaultcolorpalette1245.教程中的数据集125

seaborn可视化库

pysci：IPython，Numpy，Pandas，Matplotlib，Seaborn，Sklearn，Statsmodels

注：数据集太大，可在压缩包中的数据集html页面中点击链接下载完整数据集。
本项目采用ASSISTments2012数据集，在所有数据集中，问题通常只有一种技能，但极少数可能与两种或三种技能相关联。
它通常取决于内容创建者给出的结构。
一些研究人员通过复制将具有多种技能的记录分成多个单一技能记录。
Wilson[6]声称这种类型的数据处理可以人为地显著提高预测结果，因为这些重复行可以占到DKT模型的Assistment09数据集中大约25%的记录。
因此，为了比较的公正性，我们在所有数据集中去掉了重复和多技能重复记录。
本项目基于pandas+Matplotlib+seaborn等工具包对学生的测试数据进行可视化统计分析，并利用学生2012年和2013年上半年不同类型题目的测试结果数据，构建机器学习面向，实现对学生的画像建模，以此预测2013年下半年测试对不同类型问题的表现。
可以看出，该决策树模型的预测结果如下，可以较好的依据用户测试的行为数据（测试过的试题种类、测试时间、犹豫情况、提示次数等等），预测该学生能否能考试达标（测试准确率＞60%）

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。