上面那个小游戏教程写不下去了，以后再写吧，今天学点新东西，了解的越多，发现python越强大啊！
数据可视化指的是通过可视化表示来探索数据，它与数据挖掘紧密相关，而数据挖掘指的是使用代码来探索数据集的规律和关联。数据集可以是用一行代码就能表示的小型数字列表，也可以是数以吉字节的数据。
最流行的工具之一是matplotlib，它是一个数学绘图库，我们将使用它来制作简单的图表，如折线图和散点图。然后，我们将基于随机漫步概念生成一个更有趣的数据集——根据一系列随机决策生成的图表。我们还将使用Pygal包，它专注于生成适合在数字设备上显示的图表。通过使用Pygal，可在用户与图表交互时突出元素以及调整其大小，还可轻松地调整整个图表的尺寸，使其适合在微型智能手表或巨型显示器上显示。我们将使用Pygal以各种方式探索掷骰子的结果。
一 折线图
1 绘制简单的折线图
下面来使用matplotlib绘制一个简单的折线图，再对其进行定制，以实现信息更丰富的数据可视化。我们将使用平方数序列1、4、9、16和25来绘制这个图表。
import matplotlib.pyplot as plt squares = [1, 4, 9, 16, 25] plt.plot(squares) plt.show()
运行结果如下图：
plt.show()打开matplotlib查看器，并显示绘制的图形，
2 修改标签文字和线条粗细
import matplotlib.pyplot as plt
squares=[1,4,9,16,25]
plt.plot(squares,linewidth=5)
#设置图标标题，并给坐标轴加上标签
plt.title("Square Numbers",fontsize=24)
plt.xlabel("value",fontsize=14)
plt.ylabel("Square of value",fontsize=14)
#设置刻度标记的大小
plt.tick_params(axis="both",labelsize=14)
plt.show()
代码注释的很详细了，这里再强调几点：
（1）参数linewidth决定了plot()绘制的线条的粗细。函数title()给图表指定标题
（2）函数xlabel()和ylabel()让你能够为每条轴设置标题
（3）在上述代码中，出现了多次的参数fontsize指定了图表中文字的大小。
（4）函数tick_params()设置刻度的样式
运行结果如下图：
3 校正图像
图形更容易阅读后，我们发现没有正确地绘制数据：折线图的终点指出4.0的平方为25！下面修复这个问题。
当你向plot()提供一系列数字时，它假设第一个数据点对应的x坐标值为0，但我们的第一个点对应的x值为1。为改变这种默认行为，我们可以给plot()同时提供输入值和输出值：
import matplotlib.pyplot as plt
input_values=[1,2,3,4,5]
squares=[1,4,9,16,25]
plt.plot(input_values,squares,linewidth=5)
#设置图标标题，并给坐标轴加上标签
plt.title("Square Numbers",fontsize=24)
plt.xlabel("value",fontsize=14)
plt.ylabel("Square of value",fontsize=14)
#设置刻度标记的大小
plt.tick_params(axis="both",labelsize=14)
plt.show()
结果如下：
二 散点图
1 使用scatter()绘制散点图并设置其样式
要绘制单个点，可使用函数scatter()，并向它传递一对x和y坐标，它将在指定位置绘制一个点：
import matplotlib.pyplot as plt plt.scatter(2,4) plt.show()
下面来设置输出的样式，使其更有趣：添加标题，给轴加上标签，并确保所有文本都大到能够看清：
import matplotlib.pyplot as plt
plt.scatter(2,4,s=400)
# 设置图表标题并给坐标轴加上标签
plt.title("Square Numbers", fontsize=24)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis=‘both‘, which=‘major‘, labelsize=14)
plt.show()
2 使用scatter()绘制一系列的点
要绘制一系列的点，可向scatter()传递两个分别包含x值和y值的列表，如下所示：
import matplotlib.pyplot as plt
x_values=[1,2,3,4,5]
y_values=[1,4,9,16,25]
plt.scatter(x_values,y_values,s=400)
# 设置图表标题并给坐标轴加上标签
plt.title("Square Numbers", fontsize=24)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis=‘both‘, which=‘major‘, labelsize=14)
plt.show()
列表x_values包含要计算其平方值的数字，而列表y_values包含前述每个数字的平方值。将这些列表传递给scatter()时，matplotlib依次从每个列表中读取一个值来绘制一个点。要绘制的点的坐标分别为 (1, 1)、(2, 4)、(3, 9)、(4, 16)和(5, 25)，最终的结果如图：
三 自动计算数据
手工计算列表要包含的值可能效率低下，需要绘制的点很多时尤其如此。可以不必手工计算包含点坐标的列表，而让Python循环来替我们完成这种计算。下面是绘制1000个点的代码：
import matplotlib.pyplot as plt
x_values = list(range(1,1001))
y_values = [x**2 for x in x_values]
plt.scatter(x_values,y_values,s=40)
# 设置图表标题并给坐标轴加上标签
plt.title("Square Numbers", fontsize=24)
plt.xlabel("Value", fontsize=14)
plt.ylabel("Square of Value", fontsize=14)
# 设置刻度标记的大小
plt.tick_params(axis=‘both‘, which=‘major‘, labelsize=14)
#设置每个坐标的取值范围
plt.axis([0,1100,0,1100000])
plt.show()
由于这个数据集较大，我们将点设置得较小，并使用函数axis()指定了每个坐标轴的取值范围。函数axis()要求提供四个值：x和y坐标轴的最小值和最大值，结果如下图：
四 删除数据点的轮廓
matplotlib允许你给散点图中的各个点指定颜色。默认为蓝色点和黑色轮廓，在散点图包含的数据点不多时效果很好。但绘制很多点时，黑色轮廓可能会粘连在一起。要删除数据点的轮廓可在调用scatter()时传递实参edgecolor=‘none‘：
plt.scatter(x_values, y_values, edgecolor=‘none‘, s=40)将相应调用修改为上述代码后，如果再运行scatter_squares.py，在图表中看到的将是蓝色实心点。
五 自定义颜色
要修改数据点的颜色，可向scatter()传递参数c，并将其设置为要使用的颜色的名称，如下
plt.scatter(x_values, y_values, c=‘red‘, edgecolor=‘none‘, s=40)
你还可以使用RGB颜色模式自定义颜色。要指定自定义颜色，可传递参数c，并将其设置为一个元组，其中包含三个0~1之间的小数值，它们分别表示红色、绿色和蓝色分量。例如，下面的代码行创建一个由淡蓝色点组成的散点图：
plt.scatter(x_values, y_values, c=(0, 0, 0.8), edgecolor=‘none‘, s=40)
值越接近0，指定的颜色越深，值越接近1，指定的颜色越浅。
六 使用颜色映射
颜色映射（colormap）是一系列颜色，它们从起始颜色渐变到结束颜色。在可视化中，颜色映射用于突出数据的规律，例如，你可能用较浅的颜色来显示较小的值，并使用较深的颜色来显示较大的值。
模块pyplot内置了一组颜色映射。要使用这些颜色映射，你需要告诉pyplot该如何设置数据集中每个点的颜色。下面演示了如何根据每个点的y值来设置其颜色：
plt.scatter(x_values, y_values, c=y_values, cmap=plt.cm.Blues,edgecolor="none",s=40)
我们将参数c设置成了一个y值列表，并使用参数cmap告诉pyplot使用哪个颜色映射。这些代码将y值较小的点显示为浅蓝色，并将y值较大的点显示为深蓝色，生成的图形如图。
七 自动保存图片
要让程序自动将图表保存到文件中，可将对plt.show()的调用替换为对plt.savefig()的调用：
plt.savefig(‘squares_plot.png‘, bbox_inches=‘tight‘)
第一个实参指定要以什么样的文件名保存图表，这个文件将存储到scatter_squares.py所在的目录中；第二个实参指定将图表多余的空白区域裁剪掉。如果要保留图表周围多余的空白区域，可省略这个实参。