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。
一切技巧与应用，尽在 pandas 专栏中
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：
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：
某商品销售店铺某天的订单数据：
每位销售员接待客人的记录：
现在你要根据这些数据，得到这些问题的答案：
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：
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：
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。
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：
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：
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：
这就是四象限图，他有如下特点：
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。