数据可视化¶

数据可视化是数据分析领域的关键技术，其核心价值在于将抽象数据转化为直观的认知图谱。数据可视化不仅是信息呈现工具，更是驱动决策的认知加速器。

考点一：matplotlib 基础绘图（原生绘图）¶

原生绘图一般指直接调用 plt.xxx()。
普通 .py 脚本最后要 plt.show()；Jupyter 里通常可省略。

先统一导入：

import matplotlib.pyplot as plt
import numpy as np

1. `plt.plot()` 折线图¶

作用¶

画折线图，也可以画点、线组合。

基本写法¶

plt.plot(x, y, 'ro--', label='红色圆形虚线')
plt.title('折线图标题')
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.legend(loc='upper left')
plt.show()

格式字符串：`'颜色 + 标记 + 线型'`¶

例如：

'ro--'

含义：

部分	含义
`r`	红色 red
`o`	圆形标记
`--`	虚线

常见线型：

写法	含义
`-`	实线
`--`	虚线
`-.`	点划线
`:`	点线

常见颜色：

写法	颜色
`r`	红
`g`	绿
`b`	蓝
`k`	黑
`y`	黄
`m`	品红
`c`	青

常见标记：

写法	形状
`o`	圆点
`s`	方块
`^`	上三角
`*`	星号
`x`	叉号

多张曲线画在同一张画布¶

x = [1, 2, 3, 4]
y1 = [1, 4, 9, 16]
y2 = [2, 3, 5, 8]

plt.plot(x, y1, label='曲线1')
plt.plot(x, y2, label='曲线2')
plt.legend()
plt.show()

不指定样式时，matplotlib 会自动分配颜色。

关键参数¶

参数	作用
`label`	图例文字，必须写在 `plot()` 里
`plt.title()`	总标题
`plt.xlabel()`	X轴名称
`plt.ylabel()`	Y轴名称
`plt.legend()`	显示图例
`loc`	图例位置，如 `upper left`、`upper right`
`plt.show()`	弹出绘图窗口

注意：
loc 只调图例位置，不能隐藏图例。

记忆短句¶

plot 设置线样式，label 写好图例名；
legend 调出图例看，show 命令弹出图；
多次 plot 画多线，默认配色做分辨；
legend 的 loc 调位置，xlabel 标记坐标轴；
title 设置图总标题，label 才是图例言。

2. `plt.bar()` 垂直柱状图 & `plt.barh()` 水平条形图¶

`plt.bar(x, y)` 垂直柱状图¶

x：横轴类别
y：纵轴数值，也就是柱子高度
x 可以直接传字符串分类标签，不需要转成数字

fruits = ['苹果', '香蕉', '橙子']
counts = [10, 15, 7]

plt.bar(fruits, counts)
plt.title('水果数量')
plt.xlabel('水果')
plt.ylabel('数量')
plt.show()

`plt.barh(x, y)` 水平条形图¶

barh 里的 h 是 horizontal，水平的意思。
坐标轴互换：

纵轴：分类标签
横轴：数值，也就是条的长度

fruits = ['苹果', '香蕉', '橙子']
counts = [10, 15, 7]

plt.barh(fruits, counts)
plt.title('水果数量')
plt.xlabel('数量')
plt.ylabel('水果')
plt.show()

注意：
bar 和 barh 的参数位置不能随意互换。
最直观理解：

bar(x, y)：x 是类别，y 是高度
barh(x, y)：x 是类别，y 是长度，但显示为水平条

记忆短句¶

bar 绘制柱状图，x 定横轴 y 定高；
文本类别直接用，无需转成数字标；
bar 竖直立，barh 横向延；
h 是 horizontal，坐标轴互换；
纵轴写分类，横轴记长短。

3. `plt.scatter()` 散点图¶

作用¶

看两个连续变量之间的关系。

x = [1, 2, 3, 4, 5]
y = [2, 4, 1, 5, 3]

plt.scatter(x, y, s=100, c='red', marker='o', alpha=0.6)
plt.title('散点图')
plt.xlabel('X')
plt.ylabel('Y')
plt.show()

参数¶

参数	作用
`s`	点大小
`c`	点颜色
`marker`	点形状
`alpha`	透明度，0 到 1，越小越透明

记忆短句¶

scatter 绘制散点图，
s 控制点的大小；
c 设置点的颜色，
marker 改外形，alpha 调透明。

4. `plt.pie()` 饼图¶

作用¶

展示各部分占总体比例。
原始数据总和不需要等于 100，会自动换算占比。

labels = ['A', 'B', 'C', 'D']
sizes = [15, 30, 45, 10]

plt.pie(sizes, labels=labels, autopct='%1.1f%%')
plt.title('饼图')
plt.show()

参数¶

参数	作用
`labels`	扇形外侧分类标签
`autopct='%1.1f%%'`	扇形内部显示百分比
`%%`	输出一个 `%`

%1.1f%% 的意思：

%1.1f：保留 1 位小数的浮点数
%%：显示一个百分号

例如显示：33.3%

记忆短句¶

pie 绘制饼状图，总和不用等于百；
labels 外侧标名称，autopct 内部显示百分比；
格式里面双百分号，输出单个 % 出来。

5. `plt.hist()` 直方图¶

和 `bar()` 的区别¶

图	数据类型	柱子之间
`bar()` 条形图	离散分类数据	一般留有空隙
`hist()` 直方图	连续数值，划分区间统计频次	一般无空隙

基本写法¶

data = np.random.randn(1000)

plt.hist(data, bins=30)
plt.title('直方图')
plt.xlabel('数值')
plt.ylabel('频数')
plt.show()

参数¶

参数	作用
`bins`	分组数量，也就是柱子数量，不是颜色
`density=False`	默认，纵轴为频数
`density=True`	纵轴为概率密度，全部柱子总面积 = 1
`cumulative=True`	开启累计

`np.random.randn(1000)`¶

生成 1000 个标准正态随机数。

data = np.random.randn(1000)

记忆短句¶

hist 绘制直方图，连续数值做分组；
bins 控制分组数，多组数据也可出；
对比 bar 条形图，分类空隙要记住；
randn 生成正态随机数，bins 设置分组数；
density False 计频数，True 之后看密度；
cumulative 才做累计数。

6. `plt.boxplot()` 箱线图（盒须图）¶

作用¶

分析数据分布，展示：

中位数
四分位数
异常值

适合多组数据集对比分布。

多组数据对比¶

必须把多组数据放进列表：

data1 = [1, 2, 3, 4, 5, 100]
data2 = [2, 3, 4, 5, 6, 7]

plt.boxplot([data1, data2], labels=['组1', '组2'])
plt.title('箱线图')
plt.show()

注意：

正确：[data1, data2]
错误：data1 + data2，这样会合并成一组
集合 {} 不能用作参数

参数¶

参数	作用
`vert=True`	默认，竖直箱线
`vert=False`	水平箱线
`showmeans=True`	显示均值，小三角标记
`labels`	给每组数据加类别标签

注意：

箱体中间自带横线是中位数，不是均值。
showmeans=True 显示的是小三角标记点，不是直线。

适用场景¶

当题目需要：

对比多类别下连续变量分布
展示异常值

优先选箱线图。

对比：

柱状图无法标记异常值
饼图只看占比

记忆短句¶

boxplot 箱线看分布，多组对比列表护；
直接相加会合并，集合参数不可用；
vert 控制箱线横竖向，False 水平 True 竖直样；
showmeans 设为 True，均值标记三角上；
箱体中间原有线，它是中位数别忘；
多组连续比分布，异常数值要看露；
箱线 labels 标类别，直方条形做不到；
饼图只管占比数。

matplotlib 原生绘图函数汇总¶

函数	作用
`plt.plot()`	折线图
`plt.bar()`	垂直柱状图
`plt.barh()`	水平条形图
`plt.scatter()`	散点图
`plt.pie()`	饼图
`plt.hist()`	直方图，常用 `bins`、`density`
`plt.boxplot()`	箱线图

考点二：seaborn 高级绘图；子图与分面¶

先导入：

import seaborn as sns
import matplotlib.pyplot as plt

内置数据集：

tips = sns.load_dataset("tips")

7. `plt.subplots()` 手动创建子图¶

作用¶

在一张画布里手动划分多个子图。

fig, axes = plt.subplots(1, 2, figsize=(10, 4))

axes[0].plot([1, 2, 3], [1, 4, 9])
axes[0].set_title('左图')

axes[1].plot([1, 2, 3], [9, 4, 1])
axes[1].set_title('右图')

plt.show()

参数解释¶

参数	含义
`1, 2`	1 行 2 列
`fig`	整个画布
`axes`	子图数组
`axes[0]`	第一个子图
`ax=axes[i]`	seaborn 绘图时指定画在哪张子图上

seaborn 绘图时：

sns.histplot(data=tips, x="total_bill", ax=axes[0])
sns.boxplot(data=tips, x="day", y="total_bill", ax=axes[1])

`subplots` 和 `FacetGrid` 区别¶

名称	作用
`plt.subplots()`	手动划分子图
`FacetGrid`	seaborn 自动分面类

记忆短句¶

subplots 划分子画布，一行两列并排处；
ax 选定绘图坐标轴，两图分画各自处；
FacetGrid 自动分面，本题代码并未使用。

8. `sns.histplot`¶

作用¶

底层直方图绘图函数。
注意：不支持 row、col 分面参数。

sns.histplot(data=tips, x="total_bill", hue="sex", multiple="dodge", alpha=0.6)
plt.show()

参数¶

参数	作用
`hue="字段名"`	依据字段做颜色分组
`multiple`	多组数据展示方式
`alpha`	透明度，0 到 1，越小越透明

`multiple` 四个重点取值¶

取值	含义
`layer`	图层重叠，配合 `alpha` 设置透明度
`stack`	垂直上下堆叠
`dodge`	横向并列错开
`fill`	归一填充，柱子总高度固定为 1，展示占比

记忆短句¶

histplot 绘直方，hue 分组换颜色；
layer 图层相叠加，alpha 调透乐；
stack 上下摞起来，dodge 并排搁；
fill 归一占比图，四种取值要记得。

9. `sns.boxplot`（seaborn 版箱线图，hue 二次分组）¶

作用¶

画箱线图，并且可以用 hue 做二次分组。

sns.boxplot(x="day", y="total_bill", hue="sex", data=tips)
plt.show()

参数¶

参数	作用
`x`	一级大类
`y`	连续变量
`hue`	大类内部再次细分

适合分析：

两个分类变量对一个连续变量分布的影响。

对比其他 seaborn 图¶

图	作用
`kdeplot`	连续变量的密度曲线
`scatterplot`	分析两个连续变量之间的相关关系
`boxplot`	看分布、异常值、多组对比

记忆短句¶

boxplot 箱线察分布，x 分大类 hue 再组；
两分类看连续量，异常数值也可睹；
直方统计频次数；kde 绘制密度图；
散点专看两连续。

10. `sns.displot`（高层分面绘图）¶

作用¶

高层函数，支持分面。
用 kind 指定绘图类型。

sns.displot(data=tips, x="total_bill", col="sex", kind="hist")
plt.show()

参数¶

参数	作用
`hue`	颜色分组，全部绘制在同一个坐标轴，不生成新子图
`col`	横向分列分面，水平生成并排独立子图
`row`	纵向分行分面，竖直堆叠独立子图
`kind="hist"`	直方图
`kind="kde"`	核密度图

注意：
底层 histplot 不能使用 row、col 分面。

记忆短句¶

displot 可做分面图，col 横向 row 纵向驻；
hue 仅改换颜色，所有数据一图处；
histplot 底层绘图，row-col 参数不能用；
kind 选定图类型，hist 直方 kde 密度。

11. `sns.jointplot` 联合分布图¶

作用¶

中间绘制两个变量的联合关系；
上方、右侧自动生成边缘分布图，不需要手动建子图。

sns.jointplot(data=tips, x="total_bill", y="tip", kind="scatter")
plt.show()

`kind` 参数¶

取值	含义
`scatter`	默认联合散点
`hex`	六边形分箱密度图，适合样本量大、散点严重重叠
`kde`	二维核密度等高线
`reg`	附带线性拟合回归线

记忆短句¶

jointplot 做联合图，中间主图边缘附；
scatter 基础散点出；
hex 六边形解重叠；
kde 绘制等高线；
reg 画出回归线。

12. `sns.relplot` 高层关系绘图（分面）¶

作用¶

高层函数，支持 row / col 分面以及 hue 颜色分组。
底层 scatterplot、lineplot 不支持分面。

sns.relplot(data=tips, x="total_bill", y="tip", kind="scatter", col="sex", hue="smoker")
plt.show()

参数¶

参数	作用
`kind="scatter"`	散点图
`kind="line"`	折线图
`col`	横向分列
`row`	纵向分行
`hue`	颜色分组

审题要点：

分列 → col
分色 → hue
col 与 hue 可以同时使用

记忆短句¶

relplot 高层关系图，kind 选定线或散；
col 横向分列驻，row 纵向分行处；
hue 仅颜色做区分，子图并不生成；
底层 scatterplot 绘图，分面参数不可输。

13. `sns.heatmap` 热力图 & pandas 相关系数矩阵¶

计算相关系数矩阵¶

corr = tips.corr(numeric_only=True)
print(corr)

df.corr(numeric_only=True)：

只选取数值列
计算皮尔逊相关系数矩阵
自动忽略字符串分类字段

绘制热力图¶

sns.heatmap(corr, annot=True, fmt=".2f", cmap="coolwarm")
plt.show()

参数¶

参数	作用
`annot=True`	格子内部显示相关系数
`fmt=".2f"`	保留两位小数
`cmap="coolwarm"`	冷暖配色

颜色含义：

红色：正相关
蓝色：负相关

记忆短句¶

corr 求解相关矩阵，heatmap 绘制热力图；
annot 格子显数值，fmt 把控小数位数；
coolwarm 冷暖配色，正负相关颜色区分。

考点三：统计学基础考点¶

14. 正态分布与 3-Sigma 经验法则¶

正态分布两个参数¶

参数	作用
均值	控制曲线左右平移，中心位置
标准差	控制高矮胖瘦，离散程度

规律：

标准差越大，数据越分散，曲线越扁平
标准差越小，曲线越瘦高
与样本量无关
正态分布对称，均值 = 中位数 = 众数

经验法则：68-95-99.7¶

范围	包含数据比例
均值 ± 1 个标准差	约 68%
均值 ± 2 个标准差	约 95%
均值 ± 3 个标准差	约 99.7%

记忆短句¶

正态钟形有两参，均值平移定中间；
标准差管胖和瘦，均中众数值一般；
一二三倍西格玛，六八九五九九七。

15. 变量类型：名义（定类）、等级（定序）¶

名义变量（定类）¶

仅区分类别
无先后、大小顺序
例子：性别、职业
只能统计频次、百分比
不可求均值、中位数

等级变量（定序）¶

存在等级先后顺序
但相邻等级间隔不相等
没有统一度量单位
例子：满意度评级 A/B/C
同样不可以直接计算算术平均数

记忆短句¶

名义变量分类型，无序只算频与率；
等级变量有高低，间隔不等忌取均。

16. 描述统计指标¶

集中趋势：找中心¶

指标	适合场景
均值	容易受极端值干扰，连续变量优先
中位数	适合含极端值
众数	多用于分类

离中（离散）趋势：看波动分散¶

指标	含义
极差	`max - min`，稳定性差
方差	离散程度
标准差	离散程度，数值越大越分散

分布形态指标¶

指标	作用
偏度	判断左偏/右偏，对称性
峰度	判断曲线陡峭或扁平

频数统计指标¶

指标	含义
频次	出现次数
频率	频次 / 总数
百分比	频率 × 100%
累积频率	累加频率

多用于分类变量统计。

记忆短句¶

均值代表集中势，极差标准差离散；
偏度识别斜分布，三类指标记仔细；
均值中位与众数，找准数据集中处；
方差标准差离中，偏度峰度观形态；
频次频率算占比，分类数据派用处。

17. 统计报表：频次表、交叉表、汇总表¶

频次表（频数表）¶

单个分类变量
只做计数
只有分类项 + 频次
无独立度量部分

例子：

性别	频次
男	10
女	12

交叉表（列联表）¶

处理两个及以上分类变量
行、列设置不同分类维度
单元格放频数

例子：

性别是否吸烟	是	否
男	5	5
女	3	9

汇总表¶

同时包含维度 + 度量
度量可以是计数、均值、求和、最大最小值
不局限于频次

例子：

班级	平均分
一班	85
二班	90

记忆短句¶

频次单类计数量，交叉两表相对望；
汇总维度加度量，均值频次皆可放。

最后：一张总表帮你区分最容易混的点¶

容易混的点	正确理解
`label` 和 `title`	`label` 是图例文字，`title` 是总标题
`legend` 和 `loc`	`legend()` 显示图例，`loc` 只调位置
`bar` 和 `barh`	`bar` 竖直，`barh` 水平
`bar` 和 `hist`	`bar` 分类数据有间隙，`hist` 连续数据分组
`bins`	直方图分组数量，不是颜色
`density=True`	纵轴概率密度，总面积 1
`boxplot` 多组数据	必须写成 `[data1, data2]`
箱体中间线	是中位数，不是均值
`showmeans=True`	显示均值，小三角
`histplot`	不支持 `row`、`col` 分面
`displot`	支持分面，`col` 横向，`row` 纵向
`hue` 和 `col`	`hue` 只改颜色，不生成新子图；`col` 生成新子图
`jointplot`	中间主图，边缘自动分布图
`relplot`	高层关系图，支持 `row`、`col`、`hue`
`heatmap`	常配合 `df.corr(numeric_only=True)`
名义变量	无序，只算频次百分比
等级变量	有序，但间隔不等，不能直接算均值
正态分布	均值定中心，标准差定胖瘦
经验法则	68%、95%、99.7%

下面是 “考试速查版” 整理：
只保留 函数名 + 必考参数 + 一句话作用 + 记忆短句。
适合考前快速过一遍。

考点一：matplotlib 基础绘图¶

1. `plt.plot()`¶

必考参数：label、plt.title()、plt.xlabel()、plt.ylabel()、plt.legend(loc=...)
一句话作用：画折线图，可多次调用在同一画布画多条线。
记忆短句：plot 设置线样式，label 写好图例名；legend 调出图例看，show 命令弹出图；多次 plot 画多线，默认配色做分辨；legend 的 loc 调位置，xlabel 标记坐标轴；title 设置图总标题，label 才是图例言。

2. `plt.bar()`¶

必考参数：x 分类标签，y 数值高度
一句话作用：画垂直柱状图，x 可直接用字符串类别。
记忆短句：bar 绘制柱状图，x 定横轴 y 定高；文本类别直接用，无需转成数字标。

3. `plt.barh()`¶

必考参数：x 分类标签，y 数值长度
一句话作用：画水平条形图，坐标轴互换。
记忆短句：bar 竖直立，barh 横向延；h 是 horizontal，坐标轴互换；纵轴写分类，横轴记长短。

4. `plt.scatter()`¶

必考参数：x、y、s、c、marker、alpha
一句话作用：画散点图，看两个连续变量关系。
记忆短句：scatter 绘制散点图，s 控制点的大小；c 设置点的颜色，marker 改外形，alpha 调透明。

5. `plt.pie()`¶

必考参数：labels、autopct='%1.1f%%'
一句话作用：画饼图，展示各部分占比，总和不用等于 100。
记忆短句：pie 绘制饼状图，总和不用等于百；labels 外侧标名称，autopct 内部显示百分比；格式里面双百分号，输出单个 % 出来。

6. `plt.hist()`¶

必考参数：bins、density、cumulative
一句话作用：画直方图，连续数值分组统计频次。
记忆短句：hist 绘制直方图，连续数值做分组；bins 控制分组数，多组数据也可出；对比 bar 条形图，分类空隙要记住；randn 生成正态随机数，bins 设置分组数；density False 计频数，True 之后看密度；cumulative 才做累计数。

7. `plt.boxplot()`¶

必考参数：[data1, data2]、vert、showmeans、labels
一句话作用：画箱线图，看分布、四分位数、异常值，适合多组对比。
记忆短句：boxplot 箱线看分布，多组对比列表护；直接相加会合并，集合参数不可用；vert 控制箱线横竖向，False 水平 True 竖直样；showmeans 设为 True，均值标记三角上；箱体中间原有线，它是中位数别忘；多组连续比分布，异常数值要看露；箱线 labels 标类别，直方条形做不到；饼图只管占比数。

matplotlib 原生绘图函数汇总¶

函数	一句话作用
`plt.plot()`	折线图
`plt.bar()`	垂直柱状图
`plt.barh()`	水平条形图
`plt.scatter()`	散点图
`plt.pie()`	饼图
`plt.hist()`	直方图
`plt.boxplot()`	箱线图

考点二：seaborn 高级绘图；子图与分面¶

8. `plt.subplots()`¶

必考参数：1, 2、figsize、axes[i]、ax=axes[i]
一句话作用：手动创建多个子图，seaborn 用 ax= 指定画在哪张子图。
记忆短句：subplots 划分子画布，一行两列并排处；ax 选定绘图坐标轴，两图分画各自处；FacetGrid 自动分面，本题代码并未使用。

9. `sns.histplot`¶

必考参数：hue、multiple、alpha
一句话作用：底层直方图，不支持 row、col 分面。
记忆短句：histplot 绘直方，hue 分组换颜色；layer 图层相叠加，alpha 调透乐；stack 上下摞起来，dodge 并排搁；fill 归一占比图，四种取值要记得。

10. `sns.boxplot`¶

必考参数：x、y、hue、data
一句话作用：seaborn 箱线图，hue 做二次分组。
记忆短句：boxplot 箱线察分布，x 分大类 hue 再组；两分类看连续量，异常数值也可睹；直方统计频次数；kde 绘制密度图；散点专看两连续。

11. `sns.displot`¶

必考参数：hue、col、row、kind
一句话作用：高层分面绘图，col 横向分面，row 纵向分面。
记忆短句：displot 可做分面图，col 横向 row 纵向驻；hue 仅改换颜色，所有数据一图处；histplot 底层绘图，row-col 参数不能用；kind 选定图类型，hist 直方 kde 密度。

12. `sns.jointplot`¶

必考参数：x、y、kind
一句话作用：联合分布图，中间主图，边缘自动生成分布图。
记忆短句：jointplot 做联合图，中间主图边缘附；scatter 基础散点出；hex 六边形解重叠；kde 绘制等高线；reg 画出回归线。

13. `sns.relplot`¶

必考参数：kind、col、row、hue
一句话作用：高层关系绘图，支持分面与颜色分组。
记忆短句：relplot 高层关系图，kind 选定线或散；col 横向分列驻，row 纵向分行处；hue 仅颜色做区分，子图并不生成；底层 scatterplot 绘图，分面参数不可输。

14. `sns.heatmap`¶

必考参数：annot=True、fmt=".2f"、cmap="coolwarm"
一句话作用：画热力图，常配合 df.corr(numeric_only=True)。
记忆短句：corr 求解相关矩阵，heatmap 绘制热力图；annot 格子显数值，fmt 把控小数位数；coolwarm 冷暖配色，正负相关颜色区分。

考点三：统计学基础考点¶

15. 正态分布与 3-Sigma 经验法则¶

必考参数：均值、标准差
一句话作用：均值定中心，标准差定胖瘦；68%、95%、99.7%。
记忆短句：正态钟形有两参，均值平移定中间；标准差管胖和瘦，均中众数值一般；一二三倍西格玛，六八九五九九七。

16. 变量类型：名义、等级¶

必考参数：名义（定类）、等级（定序）
一句话作用：名义无序只算频次；等级有序但间隔不等，不能直接算均值。
记忆短句：名义变量分类型，无序只算频与率；等级变量有高低，间隔不等忌取均。

17. 描述统计指标¶

必考参数：均值、中位数、众数、极差、方差、标准差、偏度、峰度、频次、频率
一句话作用：集中趋势找中心，离散趋势看波动，偏度峰度看形态，频数频率算占比。
记忆短句：均值代表集中势，极差标准差离散；偏度识别斜分布，三类指标记仔细；均值中位与众数，找准数据集中处；方差标准差离中，偏度峰度观形态；频次频率算占比，分类数据派用处。

18. 统计报表：频次表、交叉表、汇总表¶

必考参数：频次、维度、度量
一句话作用：频次表单分类计数；交叉表两分类交叉；汇总表维度 + 度量。
记忆短句：频次单类计数量，交叉两表相对望；汇总维度加度量，均值频次皆可放。

考前最后 10 条最容易混的点¶

label 是图例文字，title 是总标题。
legend() 显示图例，loc 只调位置。
bar 竖直，barh 水平。
bar 分类有间隙，hist 连续无间隙。
bins 是分组数，不是颜色。
density=True 纵轴是密度，总面积 = 1。
boxplot 多组数据必须写成 [data1, data2]。
箱体中间线是中位数，不是均值。
histplot 不能 row、col 分面；displot 可以。
hue 只改颜色，不生成新子图；col、row 才生成子图。

数据可视化¶

考点一：matplotlib 基础绘图（原生绘图）¶

1. plt.plot() 折线图¶

作用¶

基本写法¶

格式字符串：'颜色 + 标记 + 线型'¶

多张曲线画在同一张画布¶

关键参数¶

记忆短句¶

2. plt.bar() 垂直柱状图 & plt.barh() 水平条形图¶

plt.bar(x, y) 垂直柱状图¶

plt.barh(x, y) 水平条形图¶

记忆短句¶

3. plt.scatter() 散点图¶

作用¶

参数¶

记忆短句¶

4. plt.pie() 饼图¶

作用¶

参数¶

记忆短句¶

5. plt.hist() 直方图¶

和 bar() 的区别¶

基本写法¶

参数¶

np.random.randn(1000)¶

记忆短句¶

6. plt.boxplot() 箱线图（盒须图）¶

作用¶

多组数据对比¶

参数¶

适用场景¶

记忆短句¶

matplotlib 原生绘图函数汇总¶

考点二：seaborn 高级绘图；子图与分面¶

7. plt.subplots() 手动创建子图¶

作用¶

参数解释¶

subplots 和 FacetGrid 区别¶

记忆短句¶

8. sns.histplot¶

作用¶

参数¶

multiple 四个重点取值¶

记忆短句¶

9. sns.boxplot（seaborn 版箱线图，hue 二次分组）¶

作用¶

参数¶

对比其他 seaborn 图¶

记忆短句¶

10. sns.displot（高层分面绘图）¶

作用¶

参数¶

记忆短句¶

11. sns.jointplot 联合分布图¶

作用¶

kind 参数¶

记忆短句¶

12. sns.relplot 高层关系绘图（分面）¶

作用¶

参数¶

记忆短句¶

13. sns.heatmap 热力图 & pandas 相关系数矩阵¶

计算相关系数矩阵¶

绘制热力图¶

参数¶

记忆短句¶

考点三：统计学基础考点¶

14. 正态分布与 3-Sigma 经验法则¶

正态分布两个参数¶

经验法则：68-95-99.7¶

记忆短句¶

15. 变量类型：名义（定类）、等级（定序）¶

名义变量（定类）¶

等级变量（定序）¶

记忆短句¶

16. 描述统计指标¶

集中趋势：找中心¶

离中（离散）趋势：看波动分散¶

分布形态指标¶

1. `plt.plot()` 折线图¶

格式字符串：`'颜色 + 标记 + 线型'`¶

2. `plt.bar()` 垂直柱状图 & `plt.barh()` 水平条形图¶

`plt.bar(x, y)` 垂直柱状图¶

`plt.barh(x, y)` 水平条形图¶

3. `plt.scatter()` 散点图¶

4. `plt.pie()` 饼图¶

5. `plt.hist()` 直方图¶

和 `bar()` 的区别¶

`np.random.randn(1000)`¶

6. `plt.boxplot()` 箱线图（盒须图）¶

7. `plt.subplots()` 手动创建子图¶

`subplots` 和 `FacetGrid` 区别¶

8. `sns.histplot`¶

`multiple` 四个重点取值¶

9. `sns.boxplot`（seaborn 版箱线图，hue 二次分组）¶

10. `sns.displot`（高层分面绘图）¶

11. `sns.jointplot` 联合分布图¶

`kind` 参数¶

12. `sns.relplot` 高层关系绘图（分面）¶

13. `sns.heatmap` 热力图 & pandas 相关系数矩阵¶

1. `plt.plot()`¶

2. `plt.bar()`¶

3. `plt.barh()`¶

4. `plt.scatter()`¶

5. `plt.pie()`¶

6. `plt.hist()`¶

7. `plt.boxplot()`¶

8. `plt.subplots()`¶

9. `sns.histplot`¶

10. `sns.boxplot`¶

11. `sns.displot`¶

12. `sns.jointplot`¶

13. `sns.relplot`¶

14. `sns.heatmap`¶