一、基于Matplotlib的Pandas绘图方法

　　Pandas绘制图形相较于Matplotlib来说更为简洁，基础函数为df.plot(x,y)

　　例：

>>>df.plot(\'time\',\'Money\')

二、基本数据图形类型

通过kind可以设置图形的类型，df.plot()默认绘制折线图，df.plot(kind =\'\')用于设置各类图形，如下表所示

**df.plot()常用参数表**
参数	说明
x	x轴数据
y	y轴数据
kind	设置图表类型（具体可见右表）
subplots	判断图片是否有子图
figsize	图片尺寸大小
label	用于图例的标签
style	设置风格，传入字符串（如:\'ko-\'）
alpha	设置透明度（越靠近0越透明）
rot	旋转刻度标签（rotation缩写，取值0-360）
fontsize	设置轴刻度的字体大小
xticks	用作x轴刻度的值
yticks	用作y轴刻度的值
xlim	x轴的范围
ylim	y轴的范围
grid	显示刻度背景网格
colormap	设置图形颜色
layout	设置子图排列格式

**通过kind设置图形类型**
参数kind	图形类型
line	折线图
bar/barh	条形图
hist	直方图
box	箱线图
scatter	散点图
pie	饼图

　　　　注意：若在绘制图形时，对象是Series，那么Series对象的索引自动会设置为x轴，但是不会显示刻度标签

linestyle：设置线的样式（简写：style）

marker：设置标记样式

color：设置线的颜色（简写：c）

linewidth：设置显得粗细（简写：lw）

样式参数设置总结如下表：

三、条形图

1、Series.plot(kind = \'bar\')

　　Series绘制条形图时，通常结合value_counts()显示各值的出现频率

　　除了传入kind参数外，也可以简写为data.plot.bar()的形式，此类方法也适用于其他图形。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams[\'font.sans-serif\']=[\'SimHei\']
plt.rcParams[\'axes.unicode_minus\']=False
data = pd.read_csv(\'C:/Users/xhl/Desktop/input/train_sample_utf8.csv\')
cg = data[\'分类\'].value_counts()
cg
汽车     544
科技     511
旅游     510
健康     492
文化     491
房地产    480
财经     469
新闻     458
体育     437
教育     437
娱乐     370
女人     322
Name: 分类, dtype: int64

#两种绘图方式均可
#cg.plot(kind=\'bar\',rot=45)
cg.plot.bar(rot=45)
plt.xlabel(\'分类\')
plt.ylabel(\'频数\')
plt.title(\'新闻分类分布条形图\')

2、DataFrame.plot.bar()

DataFrame绘制条形图时，会将每一行的值分为一组，各列名称作为图例

df = pd.read_excel(\'C:/Users/xhl/Desktop/input/class.xlsx\')
df
  class     sex  score_math  score_music
0     A    male          95           79
1     A  female          96           90
2     B  female          85           85
3     C    male          93           92
4     B  female          84           90
5     B    male          88           70
6     C    male          59           89
7     A    male          88           86
8     B    male          89           74

df_class = df.groupby(\'class\').mean()
df_class
       score_math  score_music
class
A            93.0        85.00
B            86.5        79.75
C            76.0        90.50

df_class.plot.bar()

3、堆积条形图

设置参数stacked=True，每行的值就堆积起来，更易于观察比较各组的分数

df_class.plot.barh(stacked=True)

四、直方图

1、Series.plot.hist()

2、DataFrame.plot.hist()

　　通过bins设置面元，表示将数据分为多少组；

　　当有多种类型进行数据可视化时（堆叠情况发生时）可以设置透明度alpha，将数据的可视化更加明显

df[\'score_math\'].plot.hist(bins=20)
df[[\'score_math\',\'score_music\']].plot.hist(bins=25,alpha=0.5)

　　默认画的是频数图，如果想画频率图，可以修改参数density = True

　调整参数cumulative = True绘制累积直方图

3、绘制子图

设置参数subplots=True，可将各列分布直方图分别绘制在不同的子图中

df.plot.hist(subplots=True,figsize = (7,5))

五、箱线图

1、常规箱线图

　　箱线图是一种用作显示数据分散情况的统计图

　　用于考察数据之间的分布状况，同时又用于考察数据之间的离散和分布程度，离散程度高表明数据之间的差异较大；

　　现绘制各科分数分布箱线图：

color = dict(boxes=\'Green\',whiskers=\'Orange\',medians=\'Blue\',caps=\'Gray\')
df.plot.box(color=color,sym=\'r+\')//sym表示离群点
plt.title(\'各科分布情况箱线图\')

　　可以通过修改箱线图的return_type参数为dict使得绘图函数返回一个字典，这可以让我们方便地从图中提取一些数据。

>>> box = df.plot.box(color=color,sym=\'r+\',return_type=\'dict\')
>>>box
{\'whiskers\': [<matplotlib.lines.Line2D object at 0x00000186969E8DD8>, <matplotlib.lines.Line2D object at 0x00000186969F3438>, <matplotlib.lines.Line2D object at 0x00000186969BA5F8>, <matplotlib.lines.Line2D object at 0x00000186960D2C18>],
 \'caps\': [<matplotlib.lines.Line2D object at 0x00000186969F3780>, <matplotlib.lines.Line2D object at 0x00000186969F3AC8>, <matplotlib.lines.Line2D object at 0x00000186969FDC88>, <matplotlib.lines.Line2D object at 0x00000186969FDFD0>],
 \'boxes\': [<matplotlib.lines.Line2D object at 0x00000186969E8C88>, <matplotlib.lines.Line2D object at 0x00000186969FD4E0>], 
\'medians\': [<matplotlib.lines.Line2D object at 0x00000186969F3E10>, <matplotlib.lines.Line2D object at 0x0000018696A09358>], 
\'fliers\': [<matplotlib.lines.Line2D object at 0x00000186969F3EB8>, <matplotlib.lines.Line2D object at 0x0000018696A096A0>], 
\'means\': []}

>>> box.keys()
dict_keys([\'whiskers\', \'caps\', \'boxes\', \'medians\', \'fliers\', \'means\'])

　　其中：\'boxes\'对应的是箱体部分，\'fliers\'对应的是异常值点，\'whiskers\'对应的是两条须，可以通过提取列表的第一个元素获得相应的图块，然后使用get_xydata()获取其对应的数据点

　　例：查看异常值部分，使用get_xydata()获取对应的异常值

>>> box[\'fliers\'][0].get_xydata()
array([[ 1., 59.]])

2、水平箱线图

　　通过vert = False可设置箱线图为水平方向展示

color = dict(boxes=\'Green\',whiskers=\'Orange\',medians=\'Blue\',caps=\'Gray\')
df.plot.box(color=color,sym=\'r+\',vert=False)
plt.title(\'各科分布情况箱线图\')

3、分组绘图by

　　　箱线图也可以使用df.boxplot()的方法，设置参数by根据某列的唯一值将数据进行分组绘图;子图先列进行分组，然后按照班级分类进行分组（即子图的个数 = 列的个数）；当类别较多时，可以设定columns，也就是要分析的列

　　如按照班级分组：

df.boxplot(by=\'class\',sym=\'r+\')

　　当boxplot默认绘制了两个标题时，可以通过suptitle和title进行调整，并设定grid参数为False不显示刻度背景网格

4、分组绘图groupby

　　使用df.groupby().boxplot()的方法，子图先按照班级分类进行分组，然后每个子图再按照各列进行分组（即子图的个数 = 班级分类的个数）

df.groupby(\'class\').boxplot(sym=\'r+\',figsize=(7,5))

六、散点图

1、基本散点图

　　df.plot.scatter(x,y),绘制散点图需要传入参数x和y，分别设置x轴与y轴的数据。

　　基本的散点图主要考察两个散点图之间的相互依存关系（相关关系）

df.plot.scatter(x = \'score_math\',y = \'score_music\')
plt.title(\'math与music分数散点图\')
plt.xlabel(\'math score\')
plt.ylabel(\'music score\')

　　设置点的样式：

　　s ：设置点的大小

　　marker ：设置点的形状

　　c：设置点的颜色

df.plot(kind = \'scatter\', x = \'score_math\',y = \'score_music\',c=\'g\',marker=\'*\',s=200)

　说明：在散点图的绘制过程中，有些数据可能会重叠，可通过设置透明度alpha解决此类问题，但是散点图本就是分析趋势，所以一般情况下问题不大。

2、加入影响因素（分类散点图）

　　将班级等级进行数值编码，并存与新列grade中：

df[\'grade\'] = df[\'class\'].replace([\'A\',\'B\',\'C\'],[3,2,1])
df.plot(kind = \'scatter\', x = \'score_math\',y = \'score_music\',c=\'grade\',figsize=(7,4))

　　注意：参数c既可以传入颜色，也可以传入列名，不同值的颜色会发生渐变

3、气泡图（散点图的变种）

　　散点图可用于展示三个变量（不是单纯的三个变量之间的关系，数据分析一般☞分析两两量变量之间的关系）之间的关系，现使用气泡图的形式加入班级等级影响因素。

　　为了便于观察，将grade的编码替换为等比数列。

df[\'grade\'] = df[\'grade\'].replace([1,2,3],[1,2,4])
df.plot.scatter(x=\'score_math\',y=\'score_music\',figsize=(7,4),c=\'c\',alpha=0.3,s=100*df[\'grade\'])
plt.title(\'math与music分数散点图\')
plt.xlabel(\'math score\')
plt.ylabel(\'music score\')

　　加入plt.colorbar()，可以给子图添加colorbar（颜色条或渐变色条）

4、六边箱图

　　六边箱图又称为高密度散点图，df.plot.hexbin()，若数据点太密集，该图效果优于散点图

df.plot.hexbin(x=\'score_math\',y=\'score_music\',gridsize=20)
plt.title(\'math与music分数六边箱图\')
plt.xlabel(\'math score\')
plt.ylabel(\'music score\')

　　注意：其中参数gridsize用于设置x轴方向的六边形数量，默认为100个，使用时根据自身需求进行调整

七、饼图

　　查看某特征的分布情况，df.plot.pie()会自动添加标题和各部分的名称

df[\'class\'].value_counts().plot.pie()

　　如何去除默认文字、添加图例、添加每部分百分比数值、设置凸出部分、添加阴影？

　　labels = None：可去除饼图外侧每部分的名称；

　　plt.ylabel(\'\')：设置y轴标签为空可以去掉默认标题；

　　legend = True：添加图例（或者plt.legend()）；

　　bbox_to_anchor：用来移动图例的位置，其中0.9表示左右，0.8表示上下；

　 labels：表示显示的图例文字；

　 autopct:控制图内百分比设置，\'%%\'的表示输出一个百分号，前一个%是转义字符；

　 explode：设置每一块饼图离开中心的距离，如将比重最大的一块凸出；

　　shadow = True：添加阴影。

explode=(0.1,0,0)#0表示默认不离开
df[\'class\'].value_counts().plot.pie(figsize=(5,5),labels=None,
                                    autopct=\'%.2f%%\',fontsize=15,
                                    explode = explode,shadow = True)
plt.ylabel(\'\')
plt.legend(bbox_to_anchor=[0.9,0.8],labels=[\'class B\',\'class A\',\'class C\'])
plt.title(\'班级分布饼图\')

秒客网

7-Pandas的基本绘图函数（常用参数表、图形类型、样式参数设置表、条形图、直方图、箱线图、散点图、气泡图、六边箱图、饼图）

一、基于Matplotlib的Pandas绘图方法

二、基本数据图形类型

三、条形图

1、Series.plot(kind = \'bar\')

2、DataFrame.plot.bar()

3、堆积条形图

四、直方图

1、Series.plot.hist()

2、DataFrame.plot.hist()

3、绘制子图

五、箱线图

2、水平箱线图

通过vert = False可设置箱线图为水平方向展示

3、分组绘图by

4、分组绘图groupby

六、散点图

1、基本散点图

2、加入影响因素（分类散点图）

3、气泡图（散点图的变种）

4、六边箱图

七、饼图

相关文章

7-Pandas的基本绘图函数（常用参数表、图形类型、样式参数设置表、条形图、直方图、箱线图、散点图、气泡图、六边箱图、饼图）

一、基于Matplotlib的Pandas绘图方法

二、 基本数据图形类型

三、条形图

1、Series.plot(kind = \'bar\')

2、DataFrame.plot.bar()

3、堆积条形图

四、直方图

1、Series.plot.hist()

2、DataFrame.plot.hist()

3、绘制子图

五、箱线图

2、水平箱线图

通过vert = False可设置箱线图为水平方向展示

3、分组绘图by

4、分组绘图groupby

六、散点图

1、基本散点图

2、加入影响因素（分类散点图）

3、气泡图（散点图的变种）

4、六边箱图

七、饼图

相关文章

二、基本数据图形类型

　　通过vert = False可设置箱线图为水平方向展示