有任何问题欢迎在评论区提出！
用到的csv文件：
链接：https://pan.baidu.com/s/1OEg-U23EcEooVLwQCW_pzg
提取码：1234
'''
来源：天善智能韦玮老师 课堂笔记
作者：Dust
数据可视化分析
'''
import pandas as pda
import numpy as npy
import matplotlib.pylab as pyl
data=pda.read_csv("E:/Python3.7/data/starcraft.csv")
print(data.shape) # 总共多少行列
print(data.values[0][0])# 输出第0行第0列的数据
data2=data.T # 转置，用于提取第0列的数据
print(data2.values[0]) # 提取data2第0行数据(就是data的第0列的数据)
x1=data2.values[0]
y1=data2.values[2]
pyl.plot(x1,y1)
pyl.show()
这个是ID和年龄的图，没什么参考性，自己看着玩玩就行(话说游戏为什么要统计年龄？总之可以看出来20岁左右的巨多，当然也有40多的，最多不超过45岁，最低不低于15岁)

一、课程概况
课程名称：
Python
数据分析、挖掘与可视化
课程编号：
课程性质：限制性选修
考核方式：考查
建议学时：
48+16
前导课程：线性代数、高等数学
适用专业：计算机科学与技术、数据科学、统计、金融、管理等理工科和商科专
业
二、教学目的和要求
通过本课程的学习，
使得学生能够理解
Python
的编程模式，
熟练运用
Python
内置函数与运算符、列表、元组、字典、集合等基本数据类型以及相关列表推导
式、切片、序列解包等语法来解决实际问题，熟练掌握
Python
分支结构、循环
结构、
函数设计以及类的设计与使用，
掌握
numpy
数组运算和矩阵运算、
pandas
基本数据结构以及数据分析与处理、机器学习基本算法原理以及
sklearn
实现、
matplotlib
数据可视化与科学计算可视化。能够根据问题性质和特点选择合适
的机器学习算法，能够根据数据特点选择合适的可视化方式。
三、教学内容以及重点、难点
第
1
章
Python
开发环境搭建与编码规范
1.1  Python
开发环境搭建与使用
教学内容：
在
Python
官方网站下载安装包并安装，
下载并安装
Anaconda3
，
IDLE
、
Jupyter Notebook
、
Spyder
简单使用，使用
pip
和
conda
命令安装扩展
库。
重点、难点：
系统环境变量
path
的设置，安装扩展库。
1.2  Python
编码规范
教学内容：
缩进对业务逻辑的影响，变量命名规则。
重点、难点：
缩进的作用。
1.3
标准库、扩展库对象的导入与使用

Information Visualizationand Visual Data Mining
Daniel A. Keim, Member, IEEE ComputerSociety
摘要 历史上从来没有过像如今这么高量产生的数据。探索和分析大量的数据变得越来越难了。信息可视化和可视化数据挖掘可以帮助处理海量的信息。可视化数据探索的优点是用户直接参与数据挖掘过程。在过去的十年中，大量的可视化技术被开发来支持大规模数据集的信息探索。在本文中，我们提出了信息可视化，以及基于可视化的数据类型、可视化技术，交互和变形技术的可视化数据挖掘技术的分类。 我们用几个小的例子，来说明这个分类，他们中的大多数是指在这个特殊的部分技术和系统。
关键词：信息可视化；可视化数据挖掘；可视化数据探索；分类
 
1 引言
硬件技术的进步，允许今天的计算机系统存储大量数据。来自伯克利大学的研究人员估计，每年产生大约1 Exabyte (= 1 Million Terabytes)的数据，其中很大一部分是数字形式。这意味着，在以后的三年，将产生更多的数据，相比人类以往历史。这数据通常依靠探测器和检测系统自动记录。即便是每天简单的事务，例如信用卡支付，使用电话，这些都具代表性的记录在电脑上。通常，很多参数被记录，导致一个高维的多维数据。采集这些所提到的数据，是因为人们相信它是潜在的有价值信息的来源，提供一个竞争优势。寻找隐藏在它们中的有价值的信息，然而，这是很艰难的任务。如今的数据管理系统，唯一的可能观察到很小一部分数据。如果数据原本地表现，这个数据量能显示在某些100数据项的范围，但是当处理数百万具有数据项的数据集时，就像大海中的一滴水。由于，不可能充分的探索这些大量因潜在效益而收集起来的数据，所以这些数据变得无用，并且数据库变成数据垃圾场。
1.1可视化数据探索的好处
为了有效的数据挖掘，人类数据探索处理，并结合人类弹性，创造力，生产的知识和拥有巨大存储能力，以及运算能力的电脑。可视化数据探索目标是集成人类在数据探索的处理，应用如今电脑系统对大数据集的知觉能力。 这个可视化数据探索的基本思想是表现数据在某些可视化的方式，运行人类窥探数据内部，绘制结论，直接与数据交互。可视化数据挖掘技术已被证明是高价值的探索性数据分析，他们也有很高的潜力，针对大型数据库的探索。当很少了解数据，并且探索的目标是模糊的时候，可视化数据探索特别有用。由于用户是直接参与探索的处理，移动和调整，探索目标是必要时自动完成。
可视化数据探索的过程可以被看作是一个假设生成过程，数据的可视化允许用户窥探数据，并提出新的假设。假设的验证也可以通过可视化数据探索，但也可能通过自动完成从统计技术或者机器学习。除用户直接参与外，可视化数据探索的主要优点在从自动数据挖掘技术到统计或机器学习：
²  可视化数据探索可以轻松应对高的非齐次和噪音数据，
²  可视化数据探索是直观的，不需要难以理解的复杂的数学或统计算法或参数。
总而言之，通常一个可视化数据探索允许更快的数据探索，并经常提供更好的结果，尤其是在自动算法失败情况下。另外，可视化数据挖掘技术提供在探索研究结果的更加高度的信任。这一事实导致的可视化探索技术的高要求，使他们在连接自动探测技术中不可缺少。
1.2视觉探索的范例
可视化数据探索通常遵循三个步骤：先概述一下，zoom和filter，和按需求详细。
第一，用户需要能纵观这些数据，在这个纵观中，用户可以标记感兴趣的图案，并集中一个或多个。为了分析这个图案，用户需要向下挖掘和访问详细的数据。可视化技术可能用这所以的三步来进行数据探索过程：可视化技术对于显示和纵观数据很有用，允许用户标定兴趣的子集。在这一步中，保持查看可视化的同时利用另一种可视化技术集中在子集上。一个可供选择的是变化概观可视化，为了集中在某些兴趣的子集上。为了更远的探索兴趣子集，用户需要向下挖掘的能力，为了获取关于数据的详细信息。注意这个可视化的技术不能为这三步提供基础的可视化技术，但是也桥接这些步骤之间的缝隙。

数据分析、数据挖掘与数据可视化是一个古老的话题，并非什么新生事物。近些年来，借助于计算机软硬件的飞速发展，数据分析、挖掘、可视化相关理论和技术在各领域的应用更是有了质的飞跃。饭店选址、公交路线与站牌规划、物流规划、春运加班车次安排、原材料选购、商场进货与货架位置摆放、查找隐性贫困生、房价预测、股票预测、寻找黑客攻击向量、犯罪人员社交关系挖掘、网络布线、潜在客户挖掘、个人还贷能力预测、异常交易分析、网络流量预测、成本控制与优化、客户关系分析、商品推荐、文本分类、笔迹识别与分析、智能交通、智能医疗，这些都要借助于数据分析与挖掘相关的理论和工具才能更好更快地完成，而可视化则一直是用来辅助数据分析、挖掘进而做出正确决策的有力工具与技术。
数据分析、数据挖掘与数据可视化是一门综合性非常强的学科领域，既要掌握线性代数、统计学、人工智能、机器学习等大量理论知识，又要熟悉编程语言或相关软件的使用。
在众多编程语言中，Python应该是最适合做数据分析、数据挖掘和数据可视化的，其简洁的语法、强大的功能、丰富的扩展库以及开源免费、易学易用的低门槛特点，使得Python成为多个领域不可替代的语言。
课程主要内容和目标：
1）掌握数据分析、挖掘、可视化时需要了解的Python基础知识；2）掌握扩展库numpy数组运算与矩阵运算；3）掌握扩展库pandas在数据分析与处理相关领域的相关技术；4）掌握扩展库sklearn机器学习常用模型的实现与应用；5）掌握扩展库matplotlib在数据可视化与科学计算可视化方面的应用。