Python 提供了一组丰富的库，使我们能够快速有效地创建可视化。在使用 Python 进行探索性数据分析过程中有几种常用的可视化类型，包括：

• 条形图（Bar charts）：用于显示不同类别之间的比较。
• 折线图（Line charts）：用于显示一段时间内或不同类别之间的趋势。
• 饼状图（Pie charts）：用于显示不同类别的比例或百分比。
• 直方图（Histograms）：用于显示单个变量的分布。
• 热力图（Heatmaps）：用于显示不同变量之间的相关性。
• 散点图（Scatter plots）：用于表示两个连续变量之间的关系。
• 箱形图（Box plots）：用于显示变量的分布和识别异常值。

使用 Python 创建数据可视化的一般步骤如下：

1. 理解业务问题：这一步很重要，因为这关系到最后我们能否获得正确的可视化结果。
2. 导入必要的库：如 Pandas, Seaborn, Matplotlib, Plotly。
3. 加载数据集：加载需要分析和可视化的数据集。
4. 数据清理和预处理：通过删除缺失值、重复值和异常值来对数据进行清洗和预处理。另外，将分类数据转换为数值数据。
5. 统计汇总：计算描述性统计数据，如平均值、中位数、众数、标准差和相关系数，以便了解变量之间的关系。
6. 数据可视化和解释：创建可视化来理解数据中的分布、关系和模式。然后解释可视化，从而获得关于数据的启发性见解和结论。

1. 理解业务问题

心血管疾病是全球人员死亡的主要原因。据世界卫生组织（WHO）统计，每年约有1790万人死于心脏病，其中85%的死亡是由心脏病发作和中风引起的。

在本文中，我们将探索心脏病发病数据集（获取方式见文末），利用 Python 为探索性数据分析创建数据可视化。

该数据集包含患者的各种变量数据，如年龄、性别、血压、胆固醇水平以及是否患有心脏病。我们的目标是根据患者的医疗属性来预测他们是否有心脏病发病的风险。

2. 加载必要的库

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots