1. 概述
这里我们引入需要用到的库，并做一些基础设置。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 设置 可视化风格
plt.style.use('tableau-colorblind10')
# 以下代码从全局设置字体为SimHei（黑体），解决显示中文问题【Windows】
plt.rcParams['font.sans-serif'] = ['SimHei']
# 解决中文字体下坐标轴负数的负号显示问题
plt.rcParams['axes.unicode_minus'] = False
plot方法默认是折线图，而它还支持以下几类图表类型：
‘line’ : 折线图 (default) ‘bar’ : 柱状图 ‘barh’ : 条形图 ‘hist’ : 直方图 ‘box’ : 箱型图 ‘kde’ : 密度图 ‘density’ : 同密度图 ‘area’ : 面积图 ‘pie’ : 饼图 ‘scatter’ : 散点图 (DataFrame only) ‘hexbin’ : 六边形箱体图 (DataFrame only)
# 随机种子
np.random.seed(1)
ts = pd.Series(np.random.randn(100), index=pd.date_range("1/1/2020", periods=100))
ts = ts.cumsum()
ts.plot()
2. 图表元素设置
图表元素设置主要是指 数据源选择、图大小、标题、坐标轴文字、图例、网格线、图颜色、字体大小、线条样式、色系、多子图、图形叠加与绘图引擎等等。
数据源选择
这里是指坐标轴的x、y轴数据，对于Series类型数据来说其索引就是x轴，y轴则是具体的值；对于Dataframe类型数据来说，其索引同样是x轴的值，y轴默认为全部，不过可以进行指定选择。
# 随机种子
np.random.seed(1)
df = pd.DataFrame(np.random.randn(100, 4), index=ts.index, columns=list("ABCD"))
df = df.cumsum()
df.head()
对于案例数据，直接绘图效果如下（显示全部列）
df.plot()
我们可以指定数据源，比如指定列A的数据
df.plot(y='A')
我们还可以指定x轴和多列为y，我这里先构建一列X，然后进行数据源选取
df["X"] = list(range(len(df)))
df.head()
选择X列为x轴，B、C列为y轴数据
# 指定多个Y
df.plot(x='X',y=['B','C'])
图大小
通过参数figsize传入一个元组，指定图的长宽（英寸）
注意：以下我们以柱状图为例做演示
np.random.seed(1)
df = pd.DataFrame(np.random.rand(10, 3), columns=["a", "b", "c"])
df.head()
# 图像大小
df.plot.bar(figsize=(10,5))
除了在绘图时定义图像大小外，我们还可以通过matplotlib的全局参数设置图像大小
plt.rcParams['figure.figsize'] = (10,5)
标题
通过参数title设置图表标题，需要注意的是如果想要显示中文，需要提前设置相关字体参数，参考此前推文《详解Matplotlib中文字符显示问题》
# 标题
df.plot.bar(title='标题',)
图例
通过参数legend可以设置图例，默认是显示图例的，可以不显示或者显示的图例顺序倒序
# 图例不显示
df.plot.bar(legend=False)
# 图例倒序
df.plot.bar(legend='reverse')
坐标轴文字
细心的朋友可能会发现，在上图中x轴标签数字显示是躺着的，怎么坐起来呢？
那么可以通过参数rot设置文字的角度
# x轴标签旋转角度
df.plot.bar(rot=0)
网格线
默认情况下图表是不显示网格线的，我们可以通过参数grid来设置其显隐
# 网格线
df.plot.bar(grid=True)
图颜色
通过color参数可以设定填充颜色，edgecolor可以设置边框颜色
# 指定颜色
df.plot.bar(color=['red','orange','yellow'], edgecolor='grey')
字体大小
通过fontsize可以设置字体大小
# 字体大小
df.plot.bar(fontsize=20)
线条样式
对于折线图来说，还可以设置线条样式style
df.plot(style = ['.-','--','*-'] # 圆点、虚线、星星
)
色系
通过colormap参数可以指定色系，色系选择可以参考matplotlib库的色系表
# 指定色系
x = df.plot.bar(colormap='rainbow')
多子图
通过subplots参数决定是否以多子图形式输出显示图表
# 多子图
x = df.plot.line(title ='多子图',
fontsize =16,
subplots =True, # 分列
style = ['.-','--','*-','^-'] # 圆点、虚线、星星
)
图像叠加
不同的图表类型组合在一起
df.a.plot.bar()
df.b.plot(color='r')
绘图引擎
通过backend可以指定不同的绘图引擎，目前默认是matplotlib，还支持bokeh、plotly、Altair等等。当然，在使用新的引擎前需要先安装对应的库。
# 绘图引擎
import pandas_bokeh
pandas_bokeh.output_notebook()
df.plot.bar(backend='pandas_bokeh')
# 绘图引擎 plotly
df.plot.bar(backend='plotly',
barmode='group',
height=500, # 图表高度
width=800, # 图表宽度
)
3. 常见图表类型
在介绍完图表元素设置后，我们演示一下常见的几种图表类型。
柱状图
柱状图主要用于数据的对比，通过柱形的高低来表达数据的大小。
# 柱状图bar
df.plot.bar()
（这里不做展示，前面案例中有）
此外我们还可以绘制堆叠柱状图，通过设置参数stacked来搞定
柱状图多子图
# 柱状图多子图
df.plot.bar(subplots=True, rot=0)
条形图
条形图和柱状图其实差不多，条形图就是柱状图的横向展示
# 条形图barh
df.plot.barh(figsize=(6,8))
堆叠条形图
# 堆叠条形图
df.plot.barh(stacked=True)
直方图
直方图又称为质量分布图，主要用于描述数据在不同区间内的分布情况，描述的数据量一般比较大。
# 直方图
np.random.seed(1)
df = pd.DataFrame(
{
"a": np.random.randn(1000) + 1,
"b": np.random.randn(1000),
"c": np.random.randn(1000) - 1,
},
columns=["a", "b", "c"],
)
df.head()
df.plot.hist(alpha=0.5) # alpha设置透明度
单直方图
# 单直方图
df.a.plot.hist()
堆叠并指定分箱数（默认为 10）
# 堆叠并指定分箱数（默认为 10）
df.plot.hist(stacked=True, bins=20)
横向展示
# 可以通过orientation='horizontal'和 cumulative=True 绘制横向和累积直方图
df["a"].plot.hist(orientation="horizontal", cumulative=True)
多子图展示
# 绘制多子图
df.hist(color="k", alpha=0.5, bins=50)
单个直方图（自定义分箱+透明度）
# 以下2种方式效果一致
df.hist('a', bins = 20, alpha=0.5)
# df.a.hist(bins = 20, alpha=0.5)
分组
# by 分组
np.random.seed(1)
data = pd.Series(np.random.randn(1000))
data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4))
箱线图
箱线图又称盒须图、箱型图等，用于显示一组数据分布情况的统计图。
np.random.seed(1)
df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])
df.head()
df.boxplot()
复制
指定元素颜色
# 指定元素颜色
color = {
"boxes": "Green", # 箱体颜色
"whiskers": "Orange", # 连线颜色
"medians": "Blue", # 中位数颜色
"caps": "Gray", # 极值颜色
}
df.boxplot(color=color, sym="r+")
横向展示
df.boxplot(vert=False, positions=[1, 4, 5, 6, 8])
面积图
面积图又称区域图，是将折线图与坐标轴之间的区域使用颜色填充，填充颜色可以很好地突出趋势信息，一般颜色带有透明度会更合适于观察不同序列之间的重叠关系。
np.random.seed(1)
df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])
df.head()
默认情况下，面积图是堆叠的
# 默认是堆叠
df.plot.area()
单个面积图
df.a.plot.area()
取消堆叠
# 取消堆叠
df.plot.area(stacked=False)
散点图
散点图就是将数据点展示在直角坐标系上，可以很好地反应变量之间的相互影响程度
指定一组数据
df.plot.scatter(x="a", y="b")
复制
多组数据并用不同颜色标注
ax = df.plot.scatter(x="a", y="b", color="Blue", label="Group 1")
df.plot.scatter(x="c", y="d", color="red", label="Group 2", ax=ax)
一组数据，x/y及z，其中x/y表示位置、z的值用于颜色区分
df.plot.scatter(x="a", y="b", c="c", s=50) # 参数s代表散点大小
一组数据，然后分类并用不同颜色（色系下）表示
df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50)
气泡图
df.plot.scatter(x="a", y="b", color="red", s=df["c"] * 200)
饼图
饼图主要用于不同分类的数据占总体的比例情况
np.random.seed(8)
series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series")
series
series.plot.pie(figsize=(6, 6), fontsize=20)
多子图展示
np.random.seed(8)
df = pd.DataFrame(
3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"]
)
df
df.plot.pie(subplots=True, figsize=(8, 4), fontsize=16)
指定显示样式
series.plot.pie(
labels=["AA", "BB", "CC", "DD"], # 标签
colors=["r", "g", "b", "c"], # 指定颜色
autopct="%.2f", # 数字格式（百分比）
fontsize=20,
figsize=(6, 6),
)
如果数据总和小于1，可以绘制扇形
series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2")
series.plot.pie(figsize=(6, 6), normalize=False)
4. 其他图表类型
在常见图表中，有密度图和六边形箱型图 绘制过程报错，暂时没有解决（本机环境：pandas1.3.1）
本节主要介绍散点矩形图、安德鲁曲线等，更多资料大家可以查阅官方文档了解
https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html
散点矩形图
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")
安德鲁曲线
from pandas.plotting import andrews_curves
data = pd.read_csv("iris.csv")
andrews_curves(data, "Name")
知道你对python感兴趣，所以给你准备了下面的资料~
这份完整版的Python全套学习资料已经上传，朋友们如果需要可以点击链接免费领取或者滑到最后扫描二v码保证100%免费】
资源免费分享，保证100%免费！！！
需要的话可以点击这里👉Python学习路线（2023修正版）附涉及资料 （安全链接，放心点击）
文末有福利领取哦~
一、Python所有方向的学习路线
Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
二、Python必备开发工具
三、精品Python学习书籍
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、Python视频合集
观看零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
六、Python练习题
检查学习结果。
七、面试资料
我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
python兼职路线
👉这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取【保证100%免费】
这份完整版的Python全套学习资料已经上传，朋友们如果需要可以扫描下方CSDN官方认证二维码或者点击链接免费领取【保证100%免费】
CSDN2024开年大礼包：《python学习路线&全套学习资料》免费分享
https://mp.weixin.qq.com/s/CzC9NfvdR0vlwIbu7bXTgw
1632
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
