plt.subplots,它可以创建一个新的Figure，且返回一个含有已创建的subplot对象的numpy数组。
# Python热力图绘制方法
热力图的使用场景有
1.描述数据在空间的密集程度，常见有城市热力图，区域热力图
2.描述多个变量之间相关性高低程度
# step 1 准备数据集，读取excel列表内容，usecols = index, 这里是表里的第一列不读取。
index =range(1, 11)
dataset = np.array(pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))
# step 2 读取excel行索引转成列表，作为热力图的y轴标签
a = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=[0]))
y_label =list(a.stack())
# step 3 读取excel列索引转成列表，作为热力图的x轴标签
b = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv'))
column_index=(b.columns.tolist())
x_label = column_index[1:]
# 这一步是为了计算热力图的数据的最大值，可以进行标准化处理，也可以直接显示数据，dataframe转成list，从list里面寻找最大值
dataset_max = (pd.read_csv(r'C:\Users\Administrator\Desktop\heatmap.csv', usecols=index))
list1 = np.array(dataset_max.stack())
max_number =max(list1)
# step 4 开始绘制热力图
plt.figure(figsize=(14, 8))# 定义输出图像大小，annot参数决定是否在热力图上显示数值，Vmax,Vmin表示最大最小值，cmap表示颜色
sns.heatmap(dataset, fmt='.0f', annot=True, vmin=0, vmax=max_number, cmap='Reds', yticklabels=y_label,
xticklabels=x_label)
# 绘制标签
plt.xlabel('This is x label', labelpad=15)
plt.ylabel('This is y label', labelpad=20)
plt.show()
上一课介绍了柱形图和条形图，本课将介绍另外几种统计图表。
Box Plot 有多种翻译，盒须图、盒式图、盒状图或箱线图、箱形图等，不管什么名称，它的基本结构是这样的：
这种图是由美国著名统计学家约翰·图基（John Tukey）于 1977 年发明的，它能显示出一组数据的上限、下限、中位数及上下四分位数。
为了更深入理解箱线图的含义，假设有这样一组数据：[1, 3, 5, 8, 10,11, 16, 98 ]，共有 8 个数字。
首先要计算箱线图中的“四分位数”，注意不是 4 个数：
对于已经排序的数据 [1, 3, 5, 8, 10,11, 16, 98 ]，下四分位数（Q1）的位置是数列中从小到大第 2.25 个数，当然是不存在这个数字的——如果是第 2 个或者第 3 个，则存在。但是，可以用下面的原则，计算出此位置的数值。
四分位数等于与该位置两侧的两个整数的加权平均数，此权重取决于相对两侧整数的距离远近，距离越近，权重越大，距离越远，权重越小，权数之和等于 1。
根据这个原则，可以分别计算本例中数列的 3 个四分位数。
在此计算基础上，还可以进一步计算四分位间距和上限、下限的数值。
先看一个简单示例，了解基本的流程。
输出结果：
这里绘制了两张箱线图，一张没有显示平均值，另外一张显示了平均值，所使用的方法就是 boxplot，其完整参数列表为：
参数很多，不要担心记忆问题，更别担心理解问题。首先很多参数都是可以“望文生义”的，再有，与以前所使用的其他方法（函数）的参数含义也大同小异。
输出结果：
所谓的“凹槽”，不是简单形状的改变，左右折线的上限区间表示了数据分布的置信区间，横线依然是上限和下限。
