Pandas内置绘图大全

Posted 2023-05-08

参考技术A

大家好，我是Peter~

之前写过很多关于Pandas的文章都是介绍如何使用Pandas来处理数据，这的确是它的强项。

其实，Pandas还有一个内置的功能：绘图。你没有看错： Pandas自身就是可以绘图的 。本文详细介绍基于Pandas的快速绘图方法。

下面是常见的参数及解释，详细的请参考官网： https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.plot.html

本文中主要使用的一份模拟数据：根据numpy库模拟生成的

绘制最基础的图形：折线图

就是上图右上角的col1、col2、col3

当然，也可以是堆叠的形式：

为了绘制饼图，模拟了一份新数据：

同样的，再绘制一份数据：

参数是同样适用的：

为了绘制不同的蜂窝图，模拟了一份新数据：

使用 Series.plot.kde() 和 DataFrame.plot.kde() 可以画出密度图：

1、针对DataFrame的密度图

2、针对Series的密度图

绘制子图主要的参数：

开启共享y轴的参数：

为了绘制平行分类图，我们导入著名的iris数据集：

其中： 属性Name就是我们进行分类的数据字段

我们总结下Pandas内置绘图的特点：

pandas之绘图

pandas绘图

---

pandas绘图是基于matplotlib的上层封装 正常工作一般先用pandas绘图，再辅以matplotlib修改组件

---

Pandas绘图的优势：

• 代码简洁
• 针对pandas数据结构专门优化过（series/DataFrame） 劣势：
• pandas绘图自定义程度较差
• matplotlib自定义程度高

 

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams[‘font.family‘] = [‘Artial Unicode MS‘,‘Microsoft Yahei‘, ‘SimHei‘, ‘sans-serif‘] # 解决中文乱码问题
# plt.rcParams[‘axes.unicode_minus‘] = False # simhei黑体字 符号乱码 解决
# plt.style.use(‘seaborn‘)  # 改变图像风格

# series绘图
ts = pd.Series(np.random.randn(1000),index=pd.date_range(‘1/1/2000‘,periods=1000))
ts.plot(figsize=(18,8),title=‘股票价格‘)

# DataFrame绘图
df = pd.DataFrame(
    np.random.randn(10,4).cumsum(0),
    columns=[‘A‘,‘B‘,‘C‘,‘D‘],
    index=np.arange(0,100,10)
)
df.plot()

 

pandas绘图常见的参数

• 核密度估计图比直方图的优势
  • 线条表现数据分布，可以对比多组数据的分布情况
  • 分布情况平滑，更容易观看

df.plot()
df.plot(kind=‘bar‘)  # 柱状图
df.plot(kind=‘hist‘, alpha=0.5)
df.plot(kind=‘kde‘,figsize=(18,5),alpha=0.5,grid=True,legend=True) # 核密度估计
# 修改网格粗细和透明度
plt.grid(linewidth=0.2, alpha=0.5)

 

matplotlib子图和pandas结合　　

fig,axis = plt.subplots(2,1)  # 2,1 2行1列
df.plot.bar(ax=axis[0],alpha=0.5)
df.plot.line(ax=axis[1],color=‘red‘,alpha=0.5)

堆积柱状图

df  = pd.DataFrame(
    np.random.rand(6,4),
    index=[‘one‘,‘two‘,‘three‘,‘four‘,‘five‘,‘six‘],
    columns=pd.Index([‘A‘,‘B‘,‘C‘,‘D‘],name=‘Genus‘)
    )
df

df.plot.bar(stacked=True,alpha=0.5,legend=False)

s = pd.Series([1,1,2,3,4,4,4,4,5,6,6])
s.value_counts().plot.bar()
s.value_counts().plot.barh()