将数据绘制为图表，可以帮我们直观地发现数据的一些内在结构，及数据层面可能存在的问题。但必须要注意的一点是，人们经常关注自己期望结果的相关证据，而会忽略其余部分，所以一般来说，对于构建一个假设来说绘图会很有帮助，但千万不要试图从图形层面去验证一个假设。
matplotlib是Python中常用的一个绘图库，之前的几篇文章中也有已经有所提及，这篇我们再专门介绍一下。
数据准备
在绘图前我们先准备一下后续需要的数据，先引入matplotlib库
这篇文章中我们使用苹果与微软的价格数据为基础，通过get_pricing方法我们会获取到一个DataFrame，我们将列名由默认修改为易于处理的股票代码
接下来我们就根据这个数据，来介绍几种常见的图表。
直方图(Histogram)
直方图常用于显示不同数据的出现频率，可以直观地显示出观测数据中大部分数据的分布情况。直方图中每个条块的纵向高度表示频率，横向则为观测数据划分的不同区间。直方图可看作为一个离散的概率密度函数(P.D.F)。
首先我们将微软2014年的股价，横向切分为20个区间，展示价格在不同区间出现的频率。
进一步，我们可以通过pct_change()函数将价格数据转换为价格变动数据，进而展示出每日价格波动比率的分布情况。
累计概率密度函数(C.D.F)应用也非常广泛，与概率密度函数不同之处在于，每个区域的直方块高度不仅仅包含本区间内出现次数，还包含了其左侧所有直方块代表的次数，所以图表中展示为一个从左至右不断升高的图形。
散点图（Scatter plot）
散点图常用于分析两个数据集间的关联关系，两个数据集需要有一定的关联，如下例中微软和苹果公司的股票价格通过日历关联，散点图中没一点表示相同日期两个公司的股票价格。
同样，我们使用pct_change()函数，将价格数据转换为价格变动数据，再来绘制一次散点图
线图（Line graph）
线图用来展示Y轴变量随X轴变量的变化趋势，价格波动图就是最为常见的线图，表示股票价格随时间的变化所发生的变化。我们来绘制出微软与苹果2014年的股票价格变动图。
通过以上的介绍，是不是觉得matplotlib很酷，将扁平的数据转化为活灵活现的图标，这将非常有助于我们去验证一些自己的想法。
本文就到这里，感谢阅读，欢迎订阅。
