一、Matplotlib库
Matplotlib是Python中最常用的可视化库之一，它可以用于绘制静态图、动态图以及交互式图表。Matplotlib提供多种绘图工具，包括线图、散点图、柱状图、饼图等。
1.线图
线图是最基本的图表类型之一，可以使用Matplotlib轻松地创建。以下是一个简单的例子：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.plot(x, y)
plt.show()以上代码会生成一个五个数据点的线图，其中x轴表示1到5的整数，y轴表示2到10的偶数。
2.散点图
散点图可以用于显示一组数据的分布情况，每个点代表一个数据。以下是一个使用Matplotlib创建的简单散点图的例子：
import matplotlib.pyplot as plt
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
plt.scatter(x, y)
plt.show()以上代码会生成一个五个数据点的散点图，其中x轴表示1到5的整数，y轴表示2到10的偶数。
3.柱状图
柱状图是用于比较不同数据的大小或频率的一种图表类型。以下是一个使用Matplotlib创建的简单柱状图的例子：
import matplotlib.pyplot as plt
x = ['A', 'B', 'C', 'D', 'E']
y = [10, 24, 35, 20, 16]
plt.bar(x, y)
plt.show()以上代码会生成一个五个数据点的柱状图，其中x轴表示字母A到E，y轴表示每个字母对应的数量。
4.饼图
饼图是一种非常有效的可视化方式，可以用于展示数据的占比情况。以下是一个使用Matplotlib创建的简单饼图的例子：
import matplotlib.pyplot as plt
labels = ['A', 'B', 'C', 'D', 'E']
sizes = [10, 24, 35, 20, 16]
plt.pie(sizes, labels=labels)
plt.show()以上代码会生成一个五个数据点的饼图，其中每个数据点的名称和数量会在图表上显示。
二、Seaborn库
Seaborn是基于Matplotlib的可视化库，它提供了很多美观、高效的图表类型，可以更加方便地绘制各种复杂的图表。
1.分布图
Seaborn中非常常见的图表类型是分布图，可以用于显示数据的分布情况。以下是一个简单的例子：
import seaborn as sns
sns.set()
data = sns.load_dataset('iris')
sns.histplot(data=data, x="petal_length", hue="species")
以上代码会生成一个鸢尾花数据集的分布图，其中x轴表示花瓣长度，y轴表示数量，不同的颜色代表不同鸢尾花物种。
2.热力图
热力图可以用于显示数据的相关性或者密度情况。以下是一个简单的例子：
import seaborn as sns
sns.set()
data = sns.load_dataset('flights')
data = data.pivot("month", "year", "passengers")
sns.heatmap(data, cmap="YlGnBu")
以上代码会生成一个航班数据集的热力图，其中x轴表示年份，y轴表示月份，每个单元格的颜色表示该月份和年份的航班人数。
3.联合图
Seaborn提供了一种联合图，可以在同一图表中显示两个变量之间的关系。以下是一个简单的例子：
import seaborn as sns
sns.set()
data = sns.load_dataset('iris')
sns.jointplot(data=data, x="petal_length", y="petal_width", hue="species")
以上代码会生成一个鸢尾花数据集的联合图，其中x轴表示花瓣长度，y轴表示花瓣宽度，不同的颜色代表不同鸢尾花物种。
三、Plotly库
Plotly是一个基于JavaScript的可视化库，可以生成高质量、交互式的可视化图表。使用Python，可以使用Plotly生成各种类型的图表，包括线图、面积图、散点图、热力图等。
1.线图
以下是一个简单的例子，演示如何使用Plotly生成线图：
import plotly.graph_objects as go
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
fig = go.Figure()
fig.add_trace(go.Scatter(x=x, y=y))
fig.show()以上代码会生成一个五个数据点的线图，其中x轴表示1到5的整数，y轴表示2到10的偶数。
2.面积图
面积图可以用于显示数据的变化趋势。以下是一个简单的例子，演示如何使用Plotly生成面积图：
import plotly.graph_objects as go
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
fig = go.Figure()
fig.add_trace(go.Scatter(x=x, y=y, fill='tozeroy'))
fig.show()以上代码会生成一个五个数据点的面积图，其中x轴表示1到5的整数，y轴表示2到10的偶数。
3.散点图
散点图可以用于显示一组数据的分布情况，每个点代表一个数据。以下是一个使用Plotly创建的简单散点图的例子：
import plotly.graph_objects as go
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]
fig = go.Figure()
fig.add_trace(go.Scatter(x=x, y=y, mode='markers'))
fig.show()以上代码会生成一个五个数据点的散点图，其中x轴表示1到5的整数，y轴表示2到10的偶数。
4.热力图
热力图可以用于显示数据的相关性或者密度情况。以下是一个简单的例子：
import plotly.graph_objects as go
import numpy as np
np.random.seed(0)
z = np.random.randn(20, 20)
fig = go.Figure(data=go.Heatmap(z=z))
fig.show()以上代码会生成一个20x20大小的热力图，其中每个单元格的颜色代表该值的大小。
