江湖流传一句话："字不如表，表不如图"，在 Python 中数据可视化有许多选择，但是大多数的库在语法简洁与灵活度不能平衡，本系列将探讨数据探索时如何使用合适的数据可视化库完成工作。
本系列或多或少涉及一些 pandas 的骚操作(网上很难看到相关的资料)，其并非可视化的重点，不会多做讲解。
一切技巧与应用，尽在 pandas 专栏中
前言
不管是在数据探索还是报告阶段，数据可视化都是一个非常有用的工具。今天我们来看看如何使用四象限图(波士顿矩阵图)，为店铺销售员分门别类。本系列我将尽可能使用不同的工具制作。
计划中的工具：
- Python 的 seaborn
- Python 的 altair (能做出动态图，这是目前能比较方便做出图表之间联动的库)
- Python 的 plotly (能做出动态图，这是一个非常容易学习的库，前提是找到正确的思路)
- Power BI
- Tabluea
- Excel
今天的主角是 seaborn
为什么需要介绍多个 Python 的可视化库？因为他们各有特点，而且我不喜欢太复杂的东西，总是在找一个最简单的可视化库。这也是我为可视化专栏做的准备工作
导入包代码如下：
用你的分析能力，提供改善建议
某商品销售店铺某天的订单数据：
- 每一行记录表示，某订单的信息(单价多少，数量多少，是哪位销售员负责)
- 日期列不重要，因为我们只分析一天的数据
每位销售员接待客人的记录：
- 每个销售员接待的人数
现在你要根据这些数据，得到这些问题的答案：
- 换掉其中某几位员工(意味着裁员)，应该裁掉谁？
- 从中选出某一位员工，对其他员工进行培训和销售技能分享。应该选谁分享，哪些人需要被培训？
分析指标
如果我们只是根据简单的销售数量或销售额：
这些指标不足以看出问题。在零售领域中已经有许多被证明有效的统计指标，今天我们将使用其中2个指标：
- 客单价：能反映每个顾客的质量，这其实与大环境因素(店铺位置，商品组合等)有关，也能反映销售能力。
- 成交率：这就能直观反映销售员的能力
假设大环境元素相对固定的情况下，我们就可以使用以上指标分析销售员的水平
如何用 pandas 得到这些指标不是本文重点，反正一顿骚操作如下：
- 行5-9：其中的 pd.NameAgg 需要 pandas 0.25 或以上的版本才能使用
虽然得到2个重要的指标，但你能通过数据看出啥吗？
不容易吧。因为人对数字的变化不是很敏感。
但是，人对位置却极其敏感。
接下来，我们不妨把数值的差异在位置上展现出来。
散点图加点料
有2个数值指标，刚好对应二维图表的xy轴，于是很容易想到的是使用散点图：
- 对于 seaborn 来说，散点图是数据关系可视化的一种，rel 实际是 relationships 的缩写
- relplot 是一个图形级别的函数(意味着我们能使用他做出多种或一次性多个图表的复合图表)，用他能做出多种不同的图像，默认情况下是散点图(参数 kind='scatter')
现在能大致看出这些销售员的能力位置！
但这还不够，因为还不能直观看出来哪些处于平均水平以下或以上。
那么，就在2个指标上各自加上一个均值线：
- 使用 matplotlib 能简单画出直线
- 行2:plt.axvline 画出垂直线(v 是 vertical 的缩写)，自然地，需要在第一个参数中指定该线穿过 x 轴的哪个点
- 行3:plt.axhline 画出横线(h 是 horizontal 的缩写)，自然地，需要在第一个参数中指定该线穿过 y 轴的哪个点
现在还缺点东西，在图上看不出那些点是哪位员工。
把销售员名字加上：
- 行2：通过 relplot 返回的对象的 axes[0] 中包含多个图表，由于现在我们只是画出简单的一个图表，因此通过索引 0 即可获取其中的图表对象(Axes)
- 行4-6：遍历数据，通过 ax.text 就可以在图表上写字。前2个参数分别是 x，y 的位置，第3个参数是文本内容
这就是四象限图，他有如下特点：
- 按2个指标以及指标的均值线，把平面划分出4个代表不同能力的区域
- 一般情况尽可能使得2个指标越大表示越有优势，这样右上区域就是优秀水平，左下区为次等水平
现在可以回答文章开头的问题：
- 员工D是最差劲的，A和H同样如此，但是H的成交率距离均值线不远(可以考虑留下考察)
- 员工C在2项指标都高于平均水平，并且他的成交率是最高的，可以让他对B/G/F/H 做有关提高成交率的销售培训
- 员工E在客单价方面很低(只推销低端商品)，此时可以考虑让F对其培训
- 员工B应该是最有潜力的员工
总结
seaborn 一般需要配合 matplotlib 才能做出比较复杂的图表。因此，了解 matplotlib 的对象层次是一个比较关键的学习方式。
