眾所周知pandas是一個(gè)Python很強(qiáng)大的數(shù)據(jù)處理工具，其實(shí)，pandas更是一個(gè)強(qiáng)大的可視化工具，可以輕松將DataFrame、Series類別數(shù)據(jù)可視化展示。
本文簡(jiǎn)單介紹pandas常用支持圖表。
pandas可視化主要依賴下面兩個(gè)函數(shù)：
注意Dataframe和Series可視化的細(xì)微差異：
0、準(zhǔn)備工作
1、單組折線圖
2、多組折線圖
3、單組條形圖
4、多組條形圖
5、堆積條形圖
6、水平堆積條形圖
7、直方圖
8、分面直方圖
9、箱圖
10、面積圖
11、堆積面積圖
12、散點(diǎn)圖
13、單組餅圖
14、多組餅圖
15、分面圖
16、hexbin圖
17、andrews_curves圖
18、核密度圖
19、parallel_coordinates圖
20、autocorrelation_plot圖
21、radviz圖
22、bootstrap_plot圖
23、子圖（subplot）
24、子圖任意排列
25、圖中繪制數(shù)據(jù)表格
導(dǎo)入依賴包
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import DataFrame,Series
plt.style.use('dark_background')#設(shè)置繪圖風(fēng)格
np.random.seed(0)#使得每次生成的隨機(jī)數(shù)相同
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
ts1 = ts.cumsum()#累加
ts1.plot(kind='line')#默認(rèn)繪制折線圖
np.random.seed(0)
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
df = df.cumsum()
df.plot()#默認(rèn)繪制折線圖
df.iloc[5].plot(kind='bar')
df2 = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df2.plot.bar()
df2.plot.bar(stacked=True)
df2.plot.barh(stacked=True)
df4 = pd.DataFrame(
{
'a': np.random.randn(1000) + 1,
'b': np.random.randn(1000),
'c': np.random.randn(1000) - 1,
},
columns=['a', 'b', 'c'],
)
df4.plot.hist(alpha=0.8)
df.diff().hist(color='r', alpha=0.9, bins=50)
df = pd.DataFrame(np.random.rand(10, 5), columns=['A', 'B', 'C', 'D', 'E'])
df.plot.box()
df = pd.DataFrame(np.random.rand(10, 4), columns=['a', 'b', 'c', 'd'])
df.plot.area()
df.plot.area(stacked=False)
ax = df.plot.scatter(x='a', y='b', color='r', label='Group 1',s=90)
df.plot.scatter(x='c', y='d', color='g', label='Group 2', ax=ax,s=90)
series = pd.Series(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], name='series')
series.plot.pie(figsize=(6, 6))
df = pd.DataFrame(
3 * np.random.rand(4, 2), index=['a', 'b', 'c', 'd'], columns=['x', 'y']
)
df.plot.pie(subplots=True, figsize=(8, 4))
import matplotlib as mpl
mpl.rc_file_defaults()
plt.style.use('fivethirtyeight')
from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])
scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')
plt.show()
df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b'])
df['b'] = df['b'] + np.arange(1000)
df.plot.hexbin(x='a', y='b', gridsize=25)
from pandas.plotting import andrews_curves
mpl.rc_file_defaults()
data = pd.read_csv('iris.data.txt')
plt.style.use('dark_background')
andrews_curves(data, 'Name')
ser = pd.Series(np.random.randn(1000))
ser.plot.kde()
from pandas.plotting import parallel_coordinates
data = pd.read_csv('iris.data.txt')
plt.figure()
parallel_coordinates(data, 'Name')
from pandas.plotting import autocorrelation_plot
plt.figure();
spacing = np.linspace(-9 * np.pi, 9 * np.pi, num=1000)
data = pd.Series(0.7 * np.random.rand(1000) + 0.3 * np.sin(spacing))
autocorrelation_plot(data)
from pandas.plotting import radviz
data = pd.read_csv('iris.data.txt')
plt.figure()
radviz(data, 'Name')
from pandas.plotting import bootstrap_plot
data = pd.Series(np.random.rand(1000))
bootstrap_plot(data, size=50, samples=500, color='grey')
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD'))
df.plot(subplots=True, figsize=(6, 6))
df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False)
fig, axes = plt.subplots(4, 4, figsize=(9, 9))
plt.subplots_adjust(wspace=0.5, hspace=0.5)
target1 = [axes[0][0], axes[1][1], axes[2][2], axes[3][3]]
target2 = [axes[3][0], axes[2][1], axes[1][2], axes[0][3]]
df.plot(subplots=True, ax=target1, legend=False, sharex=False, sharey=False);
(-df).plot(subplots=True, ax=target2, legend=False, sharex=False, sharey=False)
from pandas.plotting import table
mpl.rc_file_defaults()
#plt.style.use('dark_background')
fig, ax = plt.subplots(1, 1)
table(ax, np.round(df.describe(), 2), loc='upper right', colWidths=[0.2, 0.2, 0.2]);
df.plot(ax=ax, ylim=(0, 2), legend=None);
參考：
https://pandas.pydata.org/pandas-docs/stable/user_guide/cookbook.html#cookbook-plotting
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html?highlight=plot#pandas.DataFrame.plot
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.plot.html?highlight=plot#pandas.Series.plot
微信交流
備注來意(交流、合作等等)
聯(lián)系客服
