pandas 作图 统计_[python][科学计算][pandas]简要使用教程9-快速绘图

最后一次更新日期： 2019/3/17

pandas是基于numpy的数据分析库，提供一些更易用的数据模型和大量高效的统计方法。

使用前先导入模块：

import pandas as pd

按需导入以下模块:

import numpy as np

import matplotlib.pyplot as plt

准备好pandas数据对象就可以调用方法直接绘图，pandas提供的快速绘图只适用于单次绘图，不便于构建复杂的图表，如有需要，使用matplotlib的方法创建图像和子图。

1. 曲线图

In [30]: df=pd.DataFrame({'a':[1,1.5,2.5,4],'b':[3,2.1,3.2,1],'c':[1,2,3,4]})

In [53]: fig=plt.figure(figsize=(12,4))

...:

...: ax1=fig.add_subplot(1,2,1)

...: df.plot.line(ax=ax1)

...:

...: ax2=fig.add_subplot(1,2,2)

...: df.plot.line(x='c',y=['a','b'],ax=ax2)

...:

...: #plt.show()

Out[53]:

参数x设置作为x轴数据的列名(只能一个)，参数y设置作为y轴数据的列名/列名列表，参数ax设置子图对象，默认None单独绘制。

plt.figure用于创建图像，figsize用于设置图像大小，tuple类型，格式为(weight,height);

Figure.add_subplot用于创建子图，第一个参数设置纵向分区个数，第二个参数设置横向分区个数，第三个参数设置是第几个子图，是按分区先横后纵排列的；

plt.plot用于显示绘制好的图像，在当前场景下可以省略，ipython调用完pandas的绘图方法后会直接显示。

绘制曲线图也可以使用plot(kind='line')，参数kind也可以省略，因为默认值就是'line'。

2. 条形图

In [30]: df=pd.DataFrame({'a':[1,1.5,2.5,4],'b':[3,2.1,3.2,1],'c':[1,2,3,4]})

In [147]: fig=plt.figure(figsize=(12,4))

...:

...: ax1=fig.add_subplot(1,2,1)

...: df.plot.bar(ax=ax1)

...:

...: ax2=fig.add_subplot(1,2,2)

...: df.plot.bar(stacked=True,ax=ax2)

Out[147]:

参数stacked设置条形图是否堆叠。

水平条形图需要改用DataFrame.plot.barh方法。

3. 直方图

In [205]: df=pd.DataFrame({'a':[1,2,2,3],'b':[3,3,3,4],'c':[1,2,3,4]})

In [210]: fig=plt.figure(figsize=(12,4))

...:

...: ax1=fig.add_subplot(1,2,1)

...: df.plot.hist(alpha=0.5,ax=ax1)

...:

...: ax2=fig.add_subplot(1,2,2)

...: df.plot.hist(stacked=True,bins=4,ax=ax2)

Out[210]:

参数alpha设置透明度，参数stacked设置是否堆叠，参数bins设置分箱数。

配合diff可以绘制按列拆分为子图的直方图：

In [165]: df.diff().hist(bins=4)

Out[165]:

array([[,

],

[,

]],

dtype=object)

4. 箱线图

In [166]: df = pd.DataFrame(np.random.rand(10, 4),columns=['A','B','C','D'])

In [167]: df.plot.box()

Out[167]:

5. 散点图

In[185]: df=pd.DataFrame(np.random.rand(50,3),columns=['a','b','c'])

In[186]: fig=plt.figure(figsize=(12,4))

...:

...: ax1=fig.add_subplot(1,2,1)

...: df.plot.scatter(x='a',y='b',s=df['c']*200,ax=ax1)

...:

...: ax2=fig.add_subplot(1,2,2)

...: df[df['c']>=0.5].plot.scatter(x='a',y='b',color='b',label='c1',ax=ax2)

...: df[df['c']<0.5].plot.scatter(x='a',y='b',color='g',label='c2',ax=ax2)

Out[186]:

参数x设置作为x轴数据的列名(只能一个)，参数y设置作为y轴数据的列名(只能一个)，参数s设置点的大小，参数color设置点的颜色，参数label设置标签，需要为每个类别绘制不同颜色的点时，筛选出每个类别的数据分别绘制到同一个子图上，并指定颜色和标签。

6. 饼图

In [203]: df=pd.DataFrame(2*np.random.rand(3,2),index=['a','b','c'],columns=['p1','p2'])

In [204]: df.plot.pie(y='p1',figsize=(4,4))

Out[204]:

In [206]: df.plot.pie(subplots=True,figsize=(8.5,4))

Out[206]:

array([,

],

dtype=object)

有两种绘制方式，一是参数y指定一个列作为取值绘制饼图，二是设置参数subplots为True，会用每个列的数据绘制子图。

figsize是绘图的通用参数，用于设置图像大小。