当我们进行数据分析时，有时候需要在同一个可视化图中展示多个数据或变量，下面介绍几种常用的加多个可视化图方式：

1. 群组柱状图（Grouped Bar Chart）

群组柱状图能够在同一坐标系中显示多个组别之间的对比，适合展示不同组别的数据。

2. 堆积柱状图（Stacked Bar Chart）

堆积柱状图可以显示各个组别的总量，并表现出各个组成部分之间的比例关系。

3. 折线图（Line Chart）

折线图适合显示随时间或其他连续变量变化的趋势，能够同时展示多个变量的走势。

4. 散点图（Scatter Plot）

散点图用于显示两个变量之间的关系，可以同时展示多个变量的分布情况，捕捉变量之间的相关性。

5. 饼图（Pie Chart）

饼图可以展示各部分占总体的比例，适用于展示每个类别在整体中的贡献度。

6. 热力图（Heatmap）

热力图适合展示两个离散变量之间的关系，通过颜色深浅显示两个变量之间的相关性。

7. 并列箱线图（Side-by-Side Boxplot）

并列箱线图可以用于展示多组数据的分布情况及离群点，可以方便比较不同组别之间的差异。

以上这些方法可以帮助你更好地展示多个数据或变量之间的关系，选择合适的可视化图形方式可以更直观地呈现数据分析的结果。

在数据分析中，为了更好地展示数据和结果，常常需要同时使用多个可视化图来呈现不同角度或不同信息。以下是如何在数据分析中添加多个可视化图的几种常见方法：

1. Subplots（子图）：利用subplot功能，可以在同一个画布上显示多个子图。可以使用matplotlib库来实现这一功能。下面是一个简单的示例：

import matplotlib.pyplot as plt

# 创建一个2x2的子图
plt.figure(figsize=(10, 8))

plt.subplot(2, 2, 1) # 第一个子图
plt.plot(x1, y1)

plt.subplot(2, 2, 2) # 第二个子图
plt.plot(x2, y2)

plt.subplot(2, 2, 3) # 第三个子图
plt.plot(x3, y3)

plt.subplot(2, 2, 4) # 第四个子图
plt.plot(x4, y4)

plt.show()

2. FacetGrid：在Seaborn库中，可以使用FacetGrid类来创建多个子图，每个子图会对应一个数据集的子集。这种方法适用于有分组变量的数据。

import seaborn as sns
import matplotlib.pyplot as plt

# 使用FacetGrid创建多个子图
g = sns.FacetGrid(data=df, col='category', hue='group', col_wrap=2)
g.map(plt.scatter, 'x', 'y')
g.add_legend()

plt.show()

3. GridSpec：GridSpec可以更灵活地控制子图的布局。可以使用matplotlib的GridSpec类来实现这一功能。

import matplotlib.pyplot as plt
from matplotlib.gridspec import GridSpec

fig = plt.figure()

gs = GridSpec(2, 3, figure=fig)

ax1 = fig.add_subplot(gs[0, 0]) # 第一个子图
ax1.plot(x1, y1)

ax2 = fig.add_subplot(gs[0, 1]) # 第二个子图
ax2.plot(x2, y2)

ax3 = fig.add_subplot(gs[0, 2]) # 第三个子图
ax3.plot(x3, y3)

ax4 = fig.add_subplot(gs[1, :]) # 跨列的子图
ax4.plot(x4, y4)

plt.show()

4. Plotly：在Plotly库中，可以使用subplot功能来实现多个子图的展示。

import plotly.express as px

fig = px.scatter(df, x='x', y='y', color='group')
fig.add_trace(px.scatter(df, x='x', y='z', color='group').data[0]) # 添加第二个子图

fig.show()

5. 多图分页显示：在Jupyter Notebook等环境中，也可以通过创建多个单独的图来呈现多个可视化图，然后进行分页显示。

以上是在数据分析中加入多个可视化图的几种常见方法，根据具体的需求和数据情况选择合适的方法来展示数据结果。

为可视化图添加多个数据

在数据分析中，有时候需要在同一个图中展示多个数据，以便更直观地比较不同数据之间的关系。接下来将介绍如何使用Python中的matplotlib库和seaborn库为可视化图添加多个数据。

使用matplotlib库添加多个数据

步骤一：导入必要的库

import matplotlib.pyplot as plt

步骤二：创建数据

x = [1, 2, 3, 4, 5]
y1 = [5, 7, 3, 8, 4]
y2 = [3, 6, 2, 7, 5]

步骤三：绘制图形

plt.plot(x, y1, label='Data 1')
plt.plot(x, y2, label='Data 2')
plt.legend()
plt.show()

在上述代码中，我们首先创建了两组数据y1和y2，然后使用plt.plot()分别绘制了这两组数据，通过label参数指定了每组数据的标签，最后使用plt.legend()显示图例，最后使用plt.show()展示可视化图形。

使用seaborn库添加多个数据

步骤一：导入必要的库

import seaborn as sns
import matplotlib.pyplot as plt

步骤二：创建数据

import pandas as pd

data = {
    'x': [1, 2, 3, 4, 5],
    'y1': [5, 7, 3, 8, 4],
    'y2': [3, 6, 2, 7, 5]
}

df = pd.DataFrame(data)

步骤三：绘制图形

plt.figure(figsize=(10, 6))
sns.lineplot(data=df, x='x', y='y1', label='Data 1')
sns.lineplot(data=df, x='x', y='y2', label='Data 2')
plt.legend()
plt.show()

在seaborn库中，可以使用sns.lineplot()方法绘制折线图，通过设置传入的数据data参数和x、y参数实现添加多个数据。使用plt.figure()可以设置图形大小，通过label参数设置数据标签，最后使用plt.legend()显示图例，plt.show()展示可视化图形。

通过以上操作，我们可以轻松地在可视化图中添加多个数据，使得数据分析更加准确和直观。