标签：卸载 网盘下载 解释 soa add 技术 qpi webp 目的
回想群主刚进希捷时，收到一封Advanced 6 sigma training的报名通知邮件，虽然更好的选择是从零学起，但选日不如撞日，于是很冲动地报名参加了，从此走上了数据分析的不归路！6 sigma黑带毕业后，老板把我当成部门吉祥物供着，一旦有数据分析的任务都要找我。在迎合老板的过程中，群主奇迹般地从一个小白蜕变为一个作图达人！从前车马慢，作图只会柱状图，后来CDF，等高线图，散点矩阵，矩形树图，气泡图等都尝试了一遍。直到有一天，历经繁华的群主不小心点开perceptual edge这个网站，作者把一些花哨唬人的作图方式都痛批了一遍，得出结论：这些3D炫彩的凹造型方式其实不如柱状图！看到这句话，群主的脑中响起了《道德经》的BGM：“大智若愚，大巧若拙。大音希声，大象无形。”整个世界都安静了，山高月小，水落石出。群主决定回归自然。不久遇到了matplotlib（python最著名的绘图库），发现这货竟然能徒手写代码画图，群主的断舍离情结得到了满足，于是连夜卸载了JMP, Tableau等肤浅的作图软件，踏上了一条少有人走的艰辛而美妙的岔路……
本周笔记中出现的数据文件可从百度网盘下载：
http://pan.baidu.com/s/1o82pZ2i
一、数据可视化原则
1. 什么是数据可视化
数据可视化就是将数据合理地映射成图形元素的过程。
2. 数据可视化的目的
人类是视觉动物，其视觉神经系统有强大的模式识别和分析能力，数据可视化是启动这套系统的途径。
3. 数据可视化的原则
明确可视化的具体目标
可视化的类型
探索型：做之前并不知道数据中有哪些规律。可视化是探索的工具。
解释型：知道规律，目的是方便传递（以让其他人更容易理解数据中的规律）。要考虑受众。
要传送什么样的信息
哪些信息最重要
使用什么数据
考虑受众群体
阅读者的角色和知识背景：例如高层领导者就可能更需要偏宏观的信息。
需要何类信息？
细节程度？
选择合适的视觉编码方法（如下图形元素）
位置
长度
尺寸
角度
颜色
形状……
二、开始作图
基本概念
figure：画布
axes：坐标轴，或者理解成所画的图形
一张画布（figure）可以有很多图（axes）
其他
label：坐标轴的标注
ticks：刻度
legend：图例
loc = 0：自动寻找最好的位置
ncol = 3：分三列
fontsize
frameon = True ：边框
画布：
三、图的类型
基本图形类型
线图line
条形图bar （表现离散数据）
饼图pie
直方图 histogram（画连续数据）
散点图 scatter （两个因素的相关性)
坐标轴属性：
注意区别：
fig, ax = plt.subplots() 画布里只有一个axes。 fig 后跟 ax
fig, axes = plt.subplots(1, 4, figsize=(16, 3)) 画布里有多个axes。 fig 后跟 axes
学完这些，相信大家和我一样脑海中滚动着《杀手leon》的著名台词：
Is life always this hard, or is it just when you are a kid?
Always like this.
配图：笑着活下去.jpg
似乎画图都已经这么难了，那后面的机器学习算法呢？不用担心，群主以24K纯种理科生的经验保证，matplotlib画图这节是最难的，因为死记硬背的细节太多了！只要跨过这个坎，前面一片坦途ヾ(o???)?加油，还有一次matplotlib的学习笔记，下周不见不散！
标签：卸载 网盘下载 解释 soa add 技术 qpi webp 目的
原文地址：http://www.cnblogs.com/turingbrain/p/6979978.html
