解决绘图中乱码问题

plt.rcParams['font.sans-serif']=['Simhei'] # 解决中文乱码问题 plt.rcParams['axes.unicode_minus']=False # 解决坐标轴刻度负号乱码

Pandas中的绘图类型

Pandas通过标准约定来引用matplotlib API来实现更便捷的绘图方法。pandas的Series和DataFrame都自带绘图方法 import pandas as pd import numpy as np import matplotlib.pyplot as plt plt.rc('figure', figsize=(8, 4)) # 设置图片大小，单位为英寸

线图line

Series作图

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2018', periods=1000)) ts = ts.cumsum() ts.head()

生成的Series如下：

2018-01-01 -0.218622 2018-01-02 0.800360 2018-01-03 1.032471 2018-01-04 0.770278 2018-01-05 -0.754439 Freq: D, dtype: float64 plt.figure(figsize=(8,4)) ts.plot(); 图表的横坐标是双坐标

Series画图的参数说明

参数说明kind可以使‘line’线图(默认);’bar’垂直柱状图; ’barh’水平柱状; 'hist’直方图; 'box’箱线图; 'kde’或者’desity’密度图; 'area’区域图; 'scatter’散点图;‘hexbin’六角形图; pie’饼图figsize元组形式表示图的大小，单位为英寸use_index是否用索引作x轴，默认为Truetitle标题grid是否显示网格，默认为Nonelegend是否显示图例，False/True/‘reverse’label用于图例的标签axSubplot对象，默认为当前对象style传给matlibplot的风格字符串，如’ko–’;list或dict的形式表示每列的stylealpha图表的填充不透明度（0-1之间）xtickX轴刻度值xlimX轴界线，如[0,100]

---

s.plot(kind=‘line’) 等价于 s.plot.line()s.plot(kind=‘bar’) 等价于 s.plot.bar()s.plot(kind=‘hist’) 等价于 s.plot.hist()… ts.plot.line() # 图形与上图一样

DataFrame 作图

df = pd.DataFrame(np.random.randn(100, 4).cumsum(0), columns=list('ABCD'), index=np.arange(0, 100, 1)) df.head()

生成的DaraFrame如下：

A B C D 0 0.408464 0.122632 1.285822 -0.074799 1 0.174366 -0.839241 0.791051 1.290122 2 -0.365918 -1.897591 -0.687835 0.081802 3 1.696604 -1.908418 -1.002529 -0.308029 4 2.693575 -2.039872 -1.726345 0.863233 df.plot();

DataFrame画图及其参数说明

DataFrame还有一些用于对列进行灵活处理的选项，例如，要将所有列都绘制到一个subplot中还是创建各自的subplot。参数如下表:

参数说明subplots将各个DataFrame列绘制到单独的subplot中sharex如果subplots=True，则共用同一个X轴，包括刻度和界限sharey类似于上figsize表示图像大小的元组title表示图像标题的字符串legend添加一个subplot图例(默认为True)sort_columns以字母表顺序绘制各列，默认使用前列顺序 df.plot(subplots=True, # layout = (2,3), figsize = (12,6), # sharex = False );

直方图hist

np.random.seed(2017) s = pd.Series(np.random.randn(1000)) s.plot(kind='hist', figsize=(5,3), ylim=[0,300], bins = 20); data = pd.Series(np.random.randn(1000)) data.hist(by = np.random.randint(0,6,1000),figsize = (6,4));

饼图pie

s = pd.Series(np.random.randint(70, size=5), index = ['CN', 'US', 'UK', 'IN', 'CA']) plt.figure(figsize=(4, 4)) # 饼图是圆的! s.plot(kind='pie', label=' ', title='% of revenue by Country', legend=False, colors=['r', 'g', 'b', 'c', 'y'], fontsize=12, figsize=(4, 4), autopct='%.2f');

注： 如果传入的数据和小于1，则画出来是半圆

series = pd.Series([0.2] * 4, index=['a', 'b', 'c', 'd'], name='series2') series.plot.pie(figsize=(4, 4));

条形图bar

Series做条形图

s = pd.Series(np.random.randn(10).cumsum(), index = range(0,100,10)) s = s * -1 s.plot(kind='bar', alpha=0.7) # alpha表示图的透明度 plt.show()

data = pd.Series(np.random.randn(16), index=list('abcdefghijklmnop')) fig, axes = plt.subplots(2, 1, figsize=(8,6)) data.plot(kind='bar', ax=axes[0], color='k', alpha=0.5) data.plot(kind='barh', ax=axes[1], color='k', alpha=0.7) plt.show()

DataFrame做条形图

df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=list('ABCD'), index=np.arange(0, 100, 10)) df.plot(kind = 'barh', # title = "% of revenue by Country", # alpha = 0.5, stacked = True, # grid = True);

区域图area

s = pd.Series(np.random.rand(10).cumsum()) s.plot(kind = "area", title = "% of revenue by Country", stack = True)

密度图kde

s.plot(kind = "kde",title = "% of revenue by Country");

箱线图box

df = pd.DataFrame(np.random.rand(10,5),columns = ["A","B","C","D","E"]) df.plot(kind = "box");

color = dict(boxes='DarkGreen', whiskers='DarkOrange', medians='DarkBlue', caps='Gray') df.plot(kind = "box", color=color, # vert = False, # positions = [1,4,5,6,8], sym='r+');

散点图scatter

df = pd.DataFrame(np.random.rand(50,4),columns = ['a','b','c','d']) df.plot(kind = "scatter", x = 'a', y = 'b', s = df['c']*200); # 点的大小 ax : Subplot对象，默认为当前对象 ax = df.plot.scatter(x='a', y='b', color='DarkBlue', label='Group 1') df.plot.scatter(x='c', y='d', color='DarkGreen', label='Group 2', ax=ax);

六角形hexbin

数据过于密集，无法单独绘制每一个点，那么Hexbin是一个不错的选择 df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b']) df['b'] = df['b'] + np.arange(1000) df.plot(kind = 'scatter',x = 'a',y = 'b')

图片中的点过于密集而无法反应数据间的关系，此时将图形调整为hexbin

df.plot(kind = 'hexbin', x = 'a', y = 'b', gridsize = 25);

df = pd.DataFrame(np.random.randn(1000, 2), columns=['a', 'b']) df['b'] = df['b'] + np.arange(1000) df['z'] = np.random.uniform(0, 3, 1000) df.plot.hexbin(x='a', y='b', C='z', reduce_C_function=np.max, gridsize=25); # 将C的只作为每一个hexagons颜色深浅的计算值，默认计算函数是count

双坐标图

一般在图表中有两个系列及其以上的数据，并且他们的量纲不同或者数据差别很大时，AI同一纵坐标轴下无法很好地展现原本的面貌，这时就采用双坐标图来绘制。 df = pd.DataFrame(np.random.rand(10, 2), columns=["left", "right"]) df["left"] *= 100 df.plot(kind = 'bar')

第一种方法

ax = df.plot(kind = 'bar') ax2 = ax.twinx() for r in ax.patches[len(df):]: r.set_transform(ax2.transData) ax2.set_ylim(0,1.5)

df = pd.DataFrame(np.random.randn(100, 4).cumsum(0), columns=list('ABCD'), index=np.arange(0, 100, 1))

第二种方法

df.A.plot() df.B.plot(secondary_y=True, style='g');

第三种方法

df.plot(secondary_y=['A', 'B'], # mark_right=False, # To turn off the automatic marking # legend=False ); 将图像答应在对角线上 fig, axes = plt.subplots(4, 4, figsize=(6, 6)); plt.subplots_adjust(wspace=0.5, hspace=0.5) target1 = [axes[0][0], axes[1][1], axes[2][2], axes[3][3]] df.plot(subplots=True, ax=target1, legend=False, sharex=False, sharey=False);

将数据表格打印在图上

fig, ax = plt.subplots(1, 1) df = pd.DataFrame(np.random.rand(5, 3), columns=['a', 'b', 'c']) ax.get_xaxis().set_visible(False) # Hide Ticks df.plot(table=True, # table = np.round(df.T,2), ax=ax);

from pandas.plotting import table fig, ax = plt.subplots(1,1) table(ax, np.round(df.describe(),2), loc = 'upper center', # loc = 'upper right', colWidths = [0.3,0.2,0.2]) df.plot(ax = ax,ylim = (0,2),legend = 'best');

参看文档

Pandas数据可视化