Pandas-可视化详解

　

目录

　　1.折线图

　　2. 柱状图

　　3. 直方图

　　4.箱线图

　　5.区域图

　　6.散点图

       7.饼图

　　8.六边形容器图

---

数据分析的结果不仅仅只是你来看的，更多的时候是给需求方或者老板来看的，为了更直观地看出结果，

数据可视化是必不可少的一个环节。这里带大家来看下一些常用的图形的画法。

　　数据准备

1 2 3 4 5 6 7 8 9 10

# 导入相关库 import numpy as np import pandas as pd   import matplotlib.pyplot as plt import matplotlib # matplotlib.style.use("ggplot") %matplotlib inline #总结：%matplotlib inline 可以在Ipython编译器里直接使用，功能是可以内嵌绘图，并且可以省略掉plt.show()这一步。   np.random.seed(100)

Pandas 的数据可视化的实现底层依赖于 matplotlib，所以画图时很多基础知识需要涉及到 matplotlib。
画图其实就是跟各种数字打交道，这里我们先给伪造一些数据。

1 2 3 4 5 6 7 8 9 10

df = pd.DataFrame(np.random.randint(-10, 10, (10, 3)), index=pd.date_range("1/1/2000", periods=10), columns=list("ABC")) df = df.cumsum() df.head() Out[112]:             A   B   C 2000-01-01 -2  -7  -3 2000-01-02  3  -1  -3 2000-01-03 -5  -9 -11 2000-01-04 -1 -17  -4 2000-01-05  5 -12 -10

　　1.折线图

　　生成数据之后，我们看下如何进行画图。其实非常简单的，调用 plot 方法就可以看到画图的结果了。默认情况下参数 kind="line" 表示图的类型为折线图。通过折线图可以看出数据随着某个变量的变化趋势。

1

df.plot()

1	df.plot(x="A",y="C")

　　

　　2. 柱状图

　　通过柱状图可以对比多个值的差别。如果想要画出柱状图，可以将参数 kind 设置为 bar 或者 barh。

1 2	df.plot(kind="bar") plt.show()

可以看到，设置 kind="bar" 之后，图形以索引为 x 轴， 列为 y 轴。

1 2	df.plot(kind="barh") plt.show()

可以看到，设置 kind="barh" 之后，图形以列为 x 轴， 索引为 y 轴。同样我们也可以自己指定 x 轴和 y 轴。

 

1 2 3

#自己设定x轴y轴 df.plot(kind="bar",x="A",y=["B","C"]) plt.show()

　

#此外，如果想要生成堆叠条形图的haunted，可以设置参数 stacked=True。

1 2	df.plot(kind="bar",stacked=True) plt.show()

　

　　3. 直方图

　　直方图是一种展示数据频数/率的特殊的柱状图。如果想要画出直方图，可以将参数 kind 设置为 hist。可以通过设置参数 bins 来改变 bin 的大小。

1 2	df.plot(kind="hist") plt.show()

1 2	df.plot(kind="hist",bins=5) plt.show()

　　

　　4.箱线图

通过箱线图可以展示出分位数，具体包括上四分位数、下四分位数、中位数以及上下5%的极值。如果想要画出箱线图，可以将参数 kind 设置为 box。

1 2	df.plot(kind="box") plt.show()

　　5.区域图

　　如果想要画出区域图，可以将参数 kind 设置为 area。默认情况下，区域图是堆积的，要生成堆积的区域图图，每列必须全部为正值或全为负值。

1 2	df.abs().plot(kind="area") plt.show()

　　

想要生成不堆积的区域图，设置参数 stacked=False 即可。

1 2	df.plot(kind="area", stacked=False) plt.show()

　　

　　6.散点图

　　如果想要画出散点图，可以将参数 kind 设置为 scatter，同时需要指定 x 和 y。通过散点图可以探索变量之间的关系。

1 2	df.plot(kind="scatter", x="A", y="B") plt.show()

　

可以设置参数 c 作为列的名称以为每个点提供颜色。

1 2	df.plot(kind="scatter", x="A", y="B", c="C") plt.show()

　　

#如果想要在单个轴上绘制多个列组，需要指定 ax。

1 2 3

ax = df.plot(kind="scatter", x="A", y="B", color="blue") df.plot(kind="scatter", x="C", y="B", color="green", ax=ax) plt.show()

　　

7.饼图

如果想要画出饼图，可以将参数 kind 设置为 scatter。

1 2 3

a = df.A[:5] a.abs().plot.pie(subplots=False,figsize=(4,4)) plt.show()

　　

1 2	a.abs().plot.pie(subplots=True,figsize=(4,4)) plt.show()

如果想要自动计算出比例，可以设置参数 autopct。

1 2	a.abs().plot.pie(subplots=True, figsize=(4, 4), autopct="%.2f") plt.show()

　　

　　8.六边形容器图

　　在绘制散点图时，如果数据过于密集，则无法单独绘制出每个点，这时候可以考虑 Hexbin 图。
　　其中，左边坐标表示的是值的分布，右边坐标表示的是数据量大小与颜色的对比。一个有用的关键字参数是 gridsize ; 它控制x方向的六边形数量，并且默认为100.较大的格栅意味着更多的较小的分区。

1 2 3 4

df = pd.DataFrame(np.random.randn(1000, 2), columns=["A", "B"]) df["B"] = df["B"] + np.arange(1000) df.plot(kind="hexbin", x="A", y="B", gridsize=10) plt.show()

　　

 

1 2	df.plot(kind="hexbin", x="A", y="B", gridsize=20) plt.show()