这一节，我们将前面分析的数据，以图的形式展示出来，也就是“数据可视化”。
代码如下：
graph_data=pd.pivot_table(join_data,index="payment_month",columns="item_name",values="price",aggfunc="sum") graph_data.head()
解释一下代码：
和上一节的代码相似，这里我们去掉了“quantity”。
点击"运行"，执行效果如下图所示。
接下来，我们导入 matplotlib 这个python的数据可视化软件包，将数据可视化。
代码如下：
import matplotlib.pyplot as plt %matplotlib inline plt.plot(list(graph_data.index),graph_data["PC-A"],label="PC-A") plt.plot(list(graph_data.index),graph_data["PC-B"],label="PC-B") plt.plot(list(graph_data.index),graph_data["PC-C"],label="PC-C") plt.plot(list(graph_data.index),graph_data["PC-D"],label="PC-D") plt.plot(list(graph_data.index),graph_data["PC-E"],label="PC-E") plt.legend()
解释一下代码：
第1行：导入matplotlib 数据可视化软件包。
第2行：将可视化的结果显示在Notebook中。
第3行~第7行：将 graph_data 中的数据内容绘制出来。其中第1个参数的数据，显示在X轴上；第2个参数的数据，显示在Y轴上；第3个参数是标签说明。
第4行：将可视化的结果显示出来。
点击"运行"，执行效果如下图所示。
在向客户说明演示的时候，“可视化”的分析数据相当重要。
到这里，以刘先生的线上淘宝店铺的销量数据为例，从数据的读取和整理，到数据的分析以及可视化，基本就讲解完毕了。希望大家可以举一反三，灵活应用。
但是，刘先生的这个案例，数据本身很完美，在数据整理阶段，不需要进行数据修正等处理。
下一个案例：王小姐经营的的线下咖啡店的销量数据分析，数据可能就没那么完美了！
这时应该怎么办呢？下一节再聊！
此处为语雀文档，点击链接查看：https://www.yuque.com/go/doc/10468474