案例描述：
邓老师是夜曲中学初一年级的年级主任，上个月期末考试后，他收集了4个班：文科（语文+英语），理科（数学+物理）的考试成绩。
他打算通过分析月考的情况，制定下个月的教学策略。
总分和平均分
根据以往的经验，他先计算各个班的总分和平均分，了解各班成绩的总体情况。
非常巧合的是：每个班语文+英语的总分都是990，平均分为90.00。
数学+物理的总分约为825.1，平均分约为75.01。那是不是这4个班的成绩就差不多了呢？
波动情况
邓老师正纳闷，旁边的唐老师见状，凑近一看说：“邓老师，你这个方法会有误差哦。”
“虽然各个班的平均分差不多，但很可能情况不一样：比如有的班成绩特别好和成绩特别差的都比较多，波动很大。有的班成绩都比较平均，差距不大。
这样两个班的情况就会非常不同了，教学策略也会不一样。”
“那我要怎么计算成绩的波动呢？”邓老师很好奇。
“其实你可以用标准差来计算成绩的波动幅度，标准差的值越高说明成绩波动越大。”唐老师建议到。
邓老师在唐老师的建议下，计算出了各个班的标准差，却吃惊地发现：
咦？各个班的文科成绩和理科成绩的标准差竟然也差不多。看来各个班的成绩波动也都是相似的。
邓老师还有一个猜测：会不会这几个班成绩差不多，但是偏科比较严重呢？比如有的班文科成绩特别好，理科成绩特别不好。
张老师路过，听到了他们的讨论，忍不住说：“试试计算一下相关系数呢，如果相关系数越高，说明文科成绩和理科成绩的关联度比较高，也就是文科成绩好，理科成绩也比较好，如果相关系数很低，那就可能是偏科很严重，文科成绩好但理科成绩很差。”
邓老师经过一通计算，又得出一个非常震惊的结果：
每个班级文科（语文+英语）和理科（数学+物理）的相关系数都是0.82。
不仅不偏科，水平几乎完全一样。
有了这几份统计学数据作支撑，邓老师立即决定下个月1,2,3,4班的都设定相同的教学提升计划。
教学总监看到这份计划，有些疑惑，建议邓老师将学生成绩画出图表来仔细分析。没想到，图表显示的结果。。。。。完全不相同！
1班的成绩比较分散，有波动。
2班成绩分布呈抛物线趋势。
3班成绩几乎都是线性分布，有一位同学的文科成绩非常高。
而4班的成绩更为神奇，10位同学的文科成绩几乎都相同，只有一位同学特别出类拔萃。
幸好通过图表发现了数据的异常，如果只是迷信数据分析的结果，给出的教学计划显然是不合理的。
安斯科姆四重奏
其实刚刚那组数据并不是邓老师统计的，而是统计学家弗朗西斯·安斯库姆（Francis Anscombe），在1973年构造的。
这位统计学家在和数据打了很多年交道后发现，仅仅依赖概括性统计度量，可能具有误导性，而挖掘数据的视觉模式，趋势和异常值反而更加重要。
于是构造了这组统计特性一致，绘制出的图表则截然不同的数据，让大家了解数据可视化的重要性。
彩蛋
除此之外，美国迈阿密大学教授Alberto Cairo也曾构造了一组统计学意义上相同，画出来的图表完全不同的数据，如图所示，是不是很神奇呢？
选择图表
数据可视化如此重要，学会制作严谨而科学的图表就显得非常重要了。
今天咱们先迈出数据可视化的第一步：选择图表。
在不同的场景中，我们所得到的数据不同，想要获取的信息不同，所以选择的图表也不同。
根据数据关系图表可以分为：比较、趋势、构成、联系四种类型。
接下来我们将针对这四种类型的数据关系，来介绍每种关系下常见的图表类型。
比较-柱状图
定义：柱状图，又称长条图、柱形图，是一种以长方形的长度为变量的统计图表。
应用：柱状图能够反应数据间的差异，一般用来进行分类项目间的比较。
注意：柱状图仅适用于中小规模数据集，超过10个就不建议使用哦。
比较—条形图
定义：条形图（bar chart）简单来说就是横着排列的柱状图。
应用：条形图和柱状图都可以进行数据间的比较，不过当数据较多，比如超过10项时，需要使用条形图。
例如：2020年全球30个国家的GDP对比。
趋势-折线图
定义：以折线的上升或下降来表示统计数量的增减变化的统计图,叫作折线统计图。
应用：折线图可以显示随时间而变化的连续数据，非常适用于显示在相等时间间隔下数据的趋势。
趋势—平滑折线图
- 定义：平滑折线图是显示随时间而变化的连续数据，主要用于反应数据的整体趋势。
- 应用：如果时间跨度大或者数据波动比较大时，可以使用平滑折线图，因为此时使用折线图显得较乱，光滑折线图则比较清晰。
构成—饼图
定义：饼图，是一个划分为几个扇形的圆形统计图表，用于描述量、频率或百分比之间的相对关系。
应用：在需要描述某一部分占总体的百分比时，适合使用饼图。
例如：占据公司全部资金一半的两个渠道；某公司员工的男女比例等。
散点图
定义： 散点图也叫 X-Y图，它将所有的数据以点的形式展现在直角坐标系上，以显示变量之间的相互影响程度，点的位置由变量的数值决定。
应用：分析坐标点的分布情况，判断两个变量（数据）之间的关联或分布趋势。
例如：体重和身高的关系，GDP与房价的关系。
联系—气泡图
- 定义：气泡图通常是用来表述三个数据之间的关系，或者同时呈现三维数据。简单来说就是在散点图的基础上加上散点大小这个维度来进行比较。
- 应用：例如统计学家汉斯.罗林在Ted演讲中用到的这个图，展示了200个国家：人均收入、寿命、人口。气泡基本分布在一条斜线上，人均收入和寿命有一定相关性。
应用场景总结
分类比较：柱状图
变化趋势：折线图
总体构成：饼图
相关关系：散点图
更多的图表类型
除此之外，还有很多不同的图表类型，比如：
地理位置：地图
流量分布：桑基图
关系：关系图
部分与整体：漏斗图我们会在后面的课程中继续学习。
Why pyecharts
在Python中可以用于制作图表的模块非常多，我们选择使用pyecharts，因为 :
API设计简洁，使用简单
有30+常见的交互式图表，配置灵活，图表精美
多达400+地图文件以及原生的百度地图，为地理数据可视化提供强有力的支持
模块更新频率高，使我们可以用上最新的特性和图表
