本数据可视化系列文章，迄今已探讨了可视化设计的核心基础要素。在实际设计和构建可视化之前，理解这些原则至关重要，它们能确保底层数据得到公正而准确的呈现。建议读者查阅此系列前几篇文章（链接如上），以建立全面的理解：
现在，读者已准备好开始构建自己的可视化作品。未来的文章将涵盖多种构建方式——本着数据科学的精神，其中许多方法都将涉及编程。为了确保读者为此下一步做好准备，本文将简要回顾Python编程的核心要素，并讨论它们与数据可视化编码的相关性。
编程基础：表达式、变量与函数
表达式、变量和函数是所有Python代码（乃至任何编程语言代码）的主要构建块。接下来，将深入探讨它们的工作原理。
表达式
一个表达式是一个计算后能得到某个值的语句。最简单的表达式是任何类型的常量值。例如，以下是三个简单的表达式：第一个是整数，第二个是字符串，第三个是浮点数。
7
'7'
7.0
更复杂的表达式通常包含数学运算。可以对各种数字进行加、减、乘、除等操作：
3 + 7
820 - 300
7 * 53
121 / 11
6 + 13 - 3 * 4
根据定义，Python会遵循PEMDAS（括号、指数、乘法、除法、加法、减法）的数学运算顺序 [1] 将这些表达式评估为一个单一值。例如，上面最后一个表达式的计算结果为7.0。（读者知道为什么吗？）
变量
表达式本身虽然强大，但单独使用并不总是非常有用。在编程中，通常需要保存某些表达式的值，以便在程序的后续部分使用它们。变量是一个容器，用于存储表达式的值，并允许在稍后访问它。以下是与第一个示例完全相同的表达式，但这次它们的值被保存到不同的变量中：
int_seven = 7
text_seven = '7'
float_seven = 7.0
Python中的变量具有几个重要的特性：
- 变量的名称（等号左侧的词）必须是一个单词，且不能以数字开头。如果变量名需要包含多个单词，约定俗成的做法是用下划线分隔它们（如上例所示）。
- 在Python中处理变量时，无需像其他编程语言那样指定数据类型。这是因为Python是一种动态类型语言。
- 一些其他编程语言区分变量的声明和赋值。在Python中，声明变量和赋值在同一行完成，因此不需要区分两者。
当变量被声明时，Python会始终先将等号右侧的表达式评估为一个单一值，然后再将其赋值给变量。（这与Python评估复杂表达式的方式密切相关）。例如：
yet_another_seven = (2 * 2) + (9 / 3)
上面的变量被赋值为7.0，而不是复合表达式(2 * 2) + (9 / 3)本身。
函数
函数可以被看作是一种机器。它接受一个（或多个）输入，运行一些代码来转换传入的对象，并输出一个确切的值。在Python中，函数主要用于两个目的：
- 处理感兴趣的输入变量并得出所需输出（类似于数学函数）。
- 避免代码重复。通过将代码封装在函数内部，每当需要运行该代码时，只需调用函数即可（而不是一遍又一遍地编写相同的代码）。
理解如何在Python中定义函数的最简单方法是查看示例。下面，编写了一个简单的函数，它将一个数字的值翻倍：
def double(num):
doubled_value = num * 2
return doubled_value
print(double(2)) # outputs 4
print(double(4)) # outputs 8
关于以上示例，有一些重要的点需要确保理解：
def关键字告诉Python正在定义一个函数。def后面直接跟着的词是函数的名称，因此上面的函数名为double。- 函数名之后是一对括号，括号内部放置函数的参数（一个花哨的术语，表示函数的输入）。重要提示：如果函数不需要任何参数，仍然需要包含括号——只是不要在其中放入任何内容。
def语句的末尾必须使用冒号，否则Python会报错。整个def语句所在的行被称为函数签名。def语句之后的所有行都包含构成函数的代码，并向内缩进一个层级。这些行共同构成了函数体。- 函数中的最后一行是return语句，它使用
return关键字指定函数的输出。return语句不一定非得是函数的最后一行，但一旦遇到它，Python就会退出函数，后续代码行将不再运行。更复杂的函数可能包含多个return语句。 - 通过编写函数名并在括号中放入所需的输入来调用函数。如果调用没有输入的函数，仍然需要包含括号。
Python与数据可视化
现在，来回答可能一直在思考的问题：为什么要先回顾Python呢？毕竟，可视化数据的方法有很多种，它们肯定不都受限于Python知识，甚至不都受限于编程知识。
这确实是事实，但作为一名数据科学家，很可能需要在某个时候进行编程——而在编程领域，最常使用的语言极有可能是Python。当团队中的数据工程师交付数据清洗和分析管道时，如果能快速有效地将其转化为一系列可操作、可展示的视觉洞察，那将非常有价值。
总的来说，了解Python对于数据可视化至关重要，原因有以下几点：
-
它是一种易于上手的语言。如果读者刚转型到数据科学和可视化工作，使用Python编程可视化图表会比使用JavaScript中的D3等更底层的工具容易得多。
-
Python拥有许多不同且流行的库，它们都能够利用上述学习到的Python基础知识来可视化数据。例如Matplotlib、Seaborn、Plotly和Vega-Altair（以前简称Altair）。未来的文章将探讨其中一些工具，特别是Altair。
-
此外，上述库都能与Python中基础的数据科学库pandas无缝集成。pandas中的数据可以直接融入这些库的代码逻辑来构建可视化图表；通常甚至不需要导出或转换数据，就可以开始进行可视化。
-
本文讨论的基本原则看似初级，但它们对于实现数据可视化大有裨益：
-
正确计算表达式并理解他人编写的表达式，对于确保可视化准确表示数据至关重要。
-
通常需要存储特定值或一组值，以便稍后整合到可视化中——这时就需要变量。
- 有时，甚至可以将整个可视化存储在变量中，以便后续使用或展示。
-
Plotly和Altair等更高级的库允许调用内置（有时甚至是用户定义）函数来自定义可视化。
-
基本的Python知识将使读者能够使用Plotly Dash和Streamlit等工具，将可视化集成到可以与他人共享的简单应用程序中。这些工具旨在简化初级编程者构建应用程序的过程，而本文涵盖的基础概念足以让读者开始使用它们。
-
如果这些理由还不足以说服读者，建议点击上面任意一个链接，开始亲自探索这些可视化工具。一旦看到它们能做什么，就会爱不释手。
至于后续内容，将在下一篇文章中带来构建可视化的教程。（其中一个或多个工具可能会出现）。敬请期待！
