2021-01-01 16:20:09

docs/9.md

@@ -637,7 +637,7 @@ In [106]: plt.title('Changes in log %s versus log %s' % ('m1', 'unemp'))
 
 ![图 9-24 seaborn 的回归/散点图](img/7178691-2133d20739478a80.png)
 
-在探索式数据分析工作中，同时观察一组变量的散点图是很有意义的，这也被称为散点图矩阵（scatter plot matrix）。纯手工创建这样的图表很费工夫，所以 seaborn 提供了一个便捷的 pairplot 函数，它支持在对角线上放置每个变量的直方图或密度估计（见图 9-25）：
+在探索式数据分析工作中，同时观察一组变量的散点图是很有意义的，这也被称为散点图矩阵（scatter plot matrix）。纯手工创建这样的图表很费工夫，所以 seaborn 提供了一个便捷的`pairplot`函数，它支持在对角线上放置每个变量的直方图或密度估计（见图 9-25）：
 
 ```python
 In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})
@@ -645,11 +645,11 @@ In [107]: sns.pairplot(trans_data, diag_kind='kde', plot_kws={'alpha': 0.2})
 
 ![图 9-25 statsmodels macro data 的散点图矩阵](img/7178691-20aa530a44e06f61.png)
 
-你可能注意到了 plot_kws 参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项，可以查阅 seaborn.pairplot 文档字符串。
+你可能注意到了`plot_kws`参数。它可以让我们传递配置选项到非对角线元素上的图形使用。对于更详细的配置选项，可以查阅`seaborn.pairplot`文档字符串。
 
 
 ## 分面网格（facet grid）和类型数据
-要是数据集有额外的分组维度呢？有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn 有一个有用的内置函数 factorplot，可以简化制作多种分面图（见图 9-26）：
+要是数据集有额外的分组维度呢？有多个分类变量的数据可视化的一种方法是使用小面网格。seaborn 有一个有用的内置函数`factorplot`，可以简化制作多种分面图（见图 9-26）：
 ```python
  In [108]: sns.factorplot(x='day', y='tip_pct', hue='time', col='smoker',
    .....:                kind='bar', data=tips[tips.tip_pct < 1])
@@ -665,21 +665,21 @@ In [109]: sns.factorplot(x='day', y='tip_pct', row='time',
    .....:                kind='bar', data=tips[tips.tip_pct < 1])
 ```
 
-![图 9-27 按天的 tip_pct，通过 time/smoker 分面](img/7178691-4e52192441c609f7.png)
+![图 9-27 按天的`tip_pct`，通过`time`/`smoker`分面](img/7178691-4e52192441c609f7.png)
 
-factorplot 支持其它的绘图类型，你可能会用到。例如，盒图（它可以显示中位数，四分位数，和异常值）就是一个有用的可视化类型（见图 9-28）：
+`factorplot`支持其它的绘图类型，你可能会用到。例如，盒图（它可以显示中位数，四分位数，和异常值）就是一个有用的可视化类型（见图 9-28）：
 
 ```python
 In [110]: sns.factorplot(x='tip_pct', y='day', kind='box',
    .....:                data=tips[tips.tip_pct < 0.5])
 ```
 
-![图 9-28 按天的 tip_pct 的盒图](img/7178691-356fb27a7c658920.png)
+![图 9-28 按天的`tip_pct`的盒图](img/7178691-356fb27a7c658920.png)
 
-使用更通用的 seaborn.FacetGrid 类，你可以创建自己的分面网格。请查阅 seaborn 的文档（https://seaborn.pydata.org/）。
+使用更通用的`seaborn.FacetGrid`类，你可以创建自己的分面网格。请查阅 [seaborn 的文档](https://seaborn.pydata.org/)。
 
 # 9.3 其它的 Python 可视化工具
-与其它开源库类似，Python 创建图形的方式非常多（根本罗列不完）。自从 2010 年，许多开发工作都集中在创建交互式图形以便在 Web 上发布。利用工具如 Boken（https://bokeh.pydata.org/en/latest/）和 Plotly（https://github.com/plotly/plotly.py），现在可以创建动态交互图形，用于网页浏览器。
+与其它开源库类似，Python 创建图形的方式非常多（根本罗列不完）。自从 2010 年，许多开发工作都集中在创建交互式图形以便在 Web 上发布。利用工具如 [Boken](https://bokeh.pydata.org/en/latest/) 和 [Plotly](https://github.com/plotly/plotly.py)，现在可以创建动态交互图形，用于网页浏览器。
 
 对于创建用于打印或网页的静态图形，我建议默认使用 matplotlib 和附加的库，比如 pandas 和 seaborn。对于其它数据可视化要求，学习其它的可用工具可能是有用的。我鼓励你探索绘图的生态系统，因为它将持续发展。