公众号发送"可视化"，获取源码与数据 前言
有小伙伴说，使用 matplotlib 做出来的图表比不上其他的基于 js 包装的库(pyechart、bokeh、plotly等)漂亮，他们可以还可以交互。同时，基于 matplotlib 包装的 seaborn 似乎也比较省代码。
本想写一篇文章整体说一下这些库的对比，但是如果没有实际例子不太符合我的风格。
因此，今天的目标图表是其他上层可视化库难以做到(或者根本无法完成)：
那些基于 js 包装的可视化库，在js环境下，按理应该是可以做到。但在 Python 中就不会这么乐观
有机会我会分享 d3.js 的做法，你会发现他与 matplotlib 的思路很相似
本文所需要的库如下：
数据是这样子：
本文所有的通用函数以宽表作为依据，行索引放 X 轴，每一列作为不同的图表系列
这是颜色的定义：
篇幅有限，我不会对所有的知识点都作详细讲解
逐一击破 通常复杂的可视化是通过多种类型的图形组合而成，显然这次的目标图表是由3个部分组成：
堆积图，实际就是四边形图形而已
泡泡图，实际就是圆圈图形
中间作为连接修饰的长方形
为什么我用"图形"去描述他们？
如果你使用一些上层的可视化库，你会发现他们会在图表类型层面归类，这无疑让你能快速作图。但缺点就是无法随心所欲定制化图表。
而 matplotlib 提供了底层"图形"的控制，同时也提供了基本图表操作。
首先看看如何做出堆积图，下面以2个系列作为示例：
图表如下：
知道这个原理，那么就可以定义通用的函数：
行3是基本的 pandas 操作，有兴趣可以参考我的 pandas 专栏
调用如下：
图表如下：
基本的图表做出来，最后再调整一些细节(比如y轴的位置，刻度线等等)，因为这些只是一些操作，非常简单。
接下来做泡泡图
图形属性映射 数据可视化的本质，实际是数据到图形元素的映射。
看看之前的堆积图，我们成功把数据中的3种维度数据映射上去：
年份，映射到柱子的水平位置(x轴位置)
数值，映射到柱子的高度(调用 bar 方法时的参数 height)
地区，映射到柱子的颜色
看一个极端的例子。数据中还有一列移民人数(migrant )，我们仍然可以往堆积图上映射：
虽然现在图表看起来非常奇怪，但的确是可行：
现在，你应该感受到数据可视化的本质，同时也看到，每一种的图表可以合理映射的维度是有限的。
比如上面的堆积图的柱子宽度显然不是一个合理映射属性。
解决方法就是用其他的"图形"继续做映射。
我们在同一个坐标系上画散点图，映射关系如下：
代码如下：
本文所有通用函数基于 DataFrame 固定列名。比如数据中需要有名为 size 的列，此列作为泡泡的大小。
行6：Axes.scatter 即可画出圆点，参数 s 就是圆点的半径
参数 clip_on 设置为 False，可以防止圆点太大超出了可视区被裁剪
调用如下：
看看图表：
下一步，加上中间连接修饰的矩形框
画图形 matplotlib 内置了许多基本图形，因此创建图形不是什么难事：
注意，上面行9中设置的参数的数值，默认是按数据表示。
比如，[0，40] 的40，相当于指定矩形的左下角点位于 y 轴值为 40 的位置
但是，[0,40] 的 0 应该表示的是 x 轴，为什么是0？
这是因为我们作图时，传给 x 轴的是字符串：
此时坐标系 x 轴被 matplotlib 转成 0 开始的升序编码
matplotlib 有6种坐标系转换，这是最重要的核心机制，这里不深入讲解
看看效果：
矩形左下角在 第一个柱子中间，y 轴点40的位置
高度刚好占 y 轴 20个单位的长度
宽度刚好是 10 个柱子宽度总和
知道了原理，那么需求就非常容易了：
看看效果：
非常好，为泡泡图加上数据标签，原理与之前一样：
最后，按要求调整轴的细节即可：
完整调用如下：
效果如下：
你会发现，整个过程我们一直在设置数据与图形的关联，这就是 matplotlib 的核心思路！
看似需要很多代码，但是我们非常容易就可以使他们在不同的数据之间重复使用。
接下来我会继续编写更多非常规要求的图表，敬请关注！
