pandas 知识点补充：绘图plot

1 plot介绍

        使用DataFrame的plot方法绘制图像会按照数据的每一列绘制一条曲线，默认按照列columns的名称在适当的位置展示图例，比matplotlib绘制节省时间，且DataFrame格式的数据更规范，方便向量化及计算。

DataFrame.plot(x=None, y=None, kind='line', ax=None, subplots=False, 
                sharex=None, sharey=False, layout=None, figsize=None, 
                use_index=True, title=None, grid=None, legend=True, 
                style=None, logx=False, logy=False, loglog=False, 
                xticks=None, yticks=None, xlim=None, ylim=None, rot=None, 
                fontsize=None, colormap=None, position=0.5, table=False, yerr=None, 
                xerr=None, stacked=True/False, sort_columns=False, 
                secondary_y=False, mark_right=True, **kwds)

 2 主要参数

kind	绘图类型	‘line’	折线图
		‘bar’	条形图。 stacked为True时为堆叠的柱状图
		‘barh’	横向条形图
		‘hist’	直方图（数值频率分布）
		‘box’	箱型图
		‘kde’	Kernel Density Estimation plot 密度图，主要对柱状图添加Kernel 概率密度线
		‘area’	与x轴所围区域图（面积图）。 Stacked=True时，每列必须全部为正或负值， stacked=False时，对数据没有要求
		‘pie’	饼图。 数值必须为正值，需指定Y轴或者subplots=True
		‘scatter’	散点图。需指定X轴Y轴
		‘hexbin’	蜂巢图。需指定X轴Y轴
subplots	boolean default False 是否对列分别作子图
grid	图片是否有网格
legend	子图的图例 (默认为True)
logx	设置x轴刻度是否取对数
logy	设置y轴刻度是否取对数
loglog	同时设置x，y轴刻度是否取对数
xlim&ylim	设置坐标轴的范围。 数值（最小值）或元组（区间范围）
fontsize	设置轴刻度的字体大小
colormap	设置图的区域颜色
colorbar	柱子颜色
secondary_y	boolean or sequence, default False  设置第二个y轴（右辅助y轴）

 2.1 其他需要注意的地方

2.1.1 设置X、Y轴名称

ax.set_ylabel('yyy')

ax.set_xlabel('xxx')

2.1.2 plt.legend(loc='best')

• loc:图列位置

2.1.3每种绘图类型都有相对应的方法。

比如， df.plot(kind='line')与df.plot.line()等价

2.1.4 画图步骤

1）首先定义画图的画布：fig = plt.figure( )

2）然后定义子图ax ，使用 ax= fig.add_subplot( 行，列，位置标)

3）用 ax.plot( )函数或者 df.plot(ax = ax)

4）结尾加plt.show()

3 画图举例

3.0 直接做图

每一列一条线

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))
#     ts = ts.cumsum()
    df =pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')) 
    df = df.cumsum()

    df.plot()
    #每一列一条线

 

3.0.1 多个子图

import pandas as pd
import numpy as np
from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(100, 4), columns=["a", "b", "c", "d"])
df.plot(subplots=True)

 

 3.0.1.1 子图任意排列

import pandas as pd
import numpy as np
from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(100, 4), columns=["a", "b", "c", "d"])
df.plot(subplots=True,layout=(2,3))

 

 

3.1 主副轴

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))

    df =pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')) 
    df = df.cumsum()
    #A图用左Y轴标注，B图用右Y轴标注，二者共用一个X轴
    df.A.plot()#对A列作图，同理可对行做图
    df.B.plot(secondary_y=True, style='g')#设置第二个y轴（右y轴）

 3.1.1 主副轴分别设置标签位置

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000))

    df =pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')) 
    df = df.cumsum()

    ax = df.plot(secondary_y=['A', 'B'])
# 定义column A B使用右Y轴。

    ax.set_ylabel('CD scale')
    ax.right_ax.set_ylabel('AB scale')
    ax.legend(loc='upper left') #设置图例的位置
    ax.right_ax.legend(loc='upper right')
#分别设置主副轴的位置和标题

    plt.show()

3.2 条形图

3.2.1 单组

import pandas as pd
data=[{'A':10,'B':5,'C':15}]
df=pd.DataFrame(data)
df.plot(kind='bar')

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.iloc[0].plot(kind='bar')

 

 3.2.2 多组

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='bar')

 3.2.3 堆积条形图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='bar',stacked=True)

3.2.4 水平条形图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='barh')

 

3.3直方图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='hist',alpha=0.8)

3.4 箱式图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='box')

 

 3.5 面积图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='area')

 3.5.1 非堆积面积图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot(kind='area',stacked=False)

 3.6 饼图

3.6.1 单组饼图

import pandas as pd
import numpy as np
df=pd.Series(np.random.rand(4),
                index=['a','b','c','d'],
               name='PIE')
df.plot(kind='pie',subplots=True)

 3.6.2 多组饼图

import pandas as pd
import numpy as np
df=pd.DataFrame(np.random.rand(4,2),
                index=['a','b','c','d'],
               columns=['P1','P2'])
df.plot(kind='pie',subplots=True)

3.7 核密度图

import pandas as pd
import numpy as np
from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])
df.plot(kind='kde')

 

 

 4 分面图（scatter_matrix）

import pandas as pd
import numpy as np
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");