可视化的展示方式可以使数据更易读，且容易看出一些数据下隐藏的“结果”，而添加注释则可以进一步聚焦到想重点展示的“信息”。

matplotlib核心剖析（http://www.cnblogs.com/vamei/archive/2013/01/30/2879700.html#commentform）

这篇文章可以说是《怎么分析和展示RNAseq基因表达数据中基因的相关性》的延续。上次绘制了下图：

上述处理的都是向量数据，而matplot()、matpoints() 和 matlines()都是处理矩阵形式数据的。

1、figure中的figsize(控制画布大小)、dpi(图像解析度)，在figure上添加子图

A、坐标轴在不设置时，会自动根据数据的大小进行最合适的展示（当然只是电脑认为最合适的），但没有坐标轴的名字，大多数时候需要定制坐标轴。

library(tidyverse)library(patchwork)dat_wide <- tibble( x = 1:3, top = c(4.5, 4, 5.5), middle = c(4, 4.75, 5), bottom = c(3.5, 3.75, 4.5))dat <- d...

seaborn中实现scatterplot的主要参数 seaborn.catplot(x=None, y=None, hue=None, data=None, row=None, col=None, col_wrap=None, order=None, hue_order=None, row_order=None, ...

Boxenplot可以看做是加强版的Boxplot，适用于大数据，能更方便真实的反应数据情况。这种图原来叫做“letter value” plot，是用分位数来反应数据情况。

修改位置有两种方式，一种是直接给出四种位置中的一个：“left”,“top”, “right”, “bottom”, “none”。