数据可视化是数据分析中一个非常重要的环节，它可以帮助我们更直观地理解数据。Python提供了多种数据可视化工具，其中Matplotlib和Seaborn是两个非常流行且功能强大的库。下面，我们将通过一些实际的例子来探讨如何使用这两个库来创建各种类型的图表。
Matplotlib：基础图表库
Matplotlib是Python中使用最广泛的绘图库之一，它提供了丰富的接口来创建各种静态、动态和交互式图表。Matplotlib的API模仿了MATLAB的绘图风格，因此对于熟悉MATLAB的用户来说，上手会非常快。
基本使用
首先，我们需要导入Matplotlib库，并创建一个图形和一个坐标轴对象：
import matplotlib.pyplot as plt
# 创建一个图形和一个坐标轴
fig, ax = plt.subplots()接下来，我们可以使用plot函数来绘制一些基本的线条图：
x = [1, 2, 3, 4, 5]
y = [1, 4, 9, 16, 25]
ax.plot(x, y)
ax.set_title("Simple Line Plot")
ax.set_xlabel("x label")
ax.set_ylabel("y label")
plt.show()子图
Matplotlib还允许我们在一个图形中创建多个子图：
fig, axs = plt.subplots(2, 2) # 创建2x2的子图布局
# 绘制四个不同的图表
axs[0, 0].plot(x, y)
axs[0, 1].scatter(x, y)
axs[1, 0].bar(x, y)
axs[1, 1].hist(y)
plt.show()Seaborn：高级数据可视化库
Seaborn是基于Matplotlib的高级图表绘制库，它提供了更多的接口来创建统计图形，并且具有更美观的默认样式。
分布图
Seaborn的distplot函数可以用来绘制单变量的分布图：
import seaborn as sns
import numpy as np
# 创建一个随机数据集
data = np.random.normal(0, 1, size=100)
sns.distplot(data)
plt.title("Distribution Plot")
plt.show()箱型图
箱型图是一种展示数据分布的图形，它能够很好地展示数据的中位数、四分位数以及异常值：
# 创建一个包含异常值的数据集
data = np.random.normal(0, 1, size=100)
data[0] = 10 # 添加一个异常值
sns.boxplot(data=data)
plt.title("Boxplot with Outliers")
plt.show()热力图
热力图是一种展示矩阵数据的图形，颜色深浅表示数值大小：
# 创建一个矩阵
matrix_data = np.random.rand(10, 10)
sns.heatmap(matrix_data, annot=True, fmt=".0f")
plt.title("Heatmap")
plt.show()结合使用Matplotlib和Seaborn
Matplotlib和Seaborn可以结合使用，利用Matplotlib的灵活性和Seaborn的美观性来创建更复杂的图表。例如，我们可以使用Seaborn来绘制图表，然后使用Matplotlib来调整样式：
# 使用Seaborn绘制一个箱型图
sns.boxplot(data=data)
# 使用Matplotlib调整样式
plt.title("Custom Styled Boxplot")
plt.xticks(rotation=45) # 旋转x轴标签
plt.show()通过这些例子，我们可以看到Matplotlib和Seaborn在数据可视化方面的强大功能。无论是基本的线条图、子图，还是更高级的分布图、箱型图和热力图，这两个库都能帮助我们以直观的方式展示数据。
