pandas画图教程

pandas画图教程

1. 简介

pandas在处理数据上表现出了良好的易用性及优越的性能，他的api简单易用，我们经常会使用pandas框架来处理表格数据，数据处理完成后，通常用matplotlib来进行数据可视化，matplotlib和pandas作为数据科学三剑客，可以说是相辅相成。但是matplotlib给pandas数据画图的时候代码还是显得有点麻烦，而pandas.plot()函数是对matplotlib中plt.plot()函数的一个简单包装 ，可以帮助你在绘图过程中省去那些长长的matplotlib代码。pandas#plot方法绘制图像会为数据的每一列绘制一条曲线，默认按照列名展示图例。

2. plot参数介绍

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)

参数解释:
x : label or position, default None #x轴，对应的列名标签或列的位置
 
y : label or position, default None #y轴，对应的列名标签或列的位置
 
kind : str #作图的类型，有以下这些类型的图
‘line’ : line plot (default)#折线图
‘bar’ : vertical bar plot#条形图
‘barh’ : horizontal bar plot#横向条形图
‘hist’ : histogram#柱状图
‘box’ : boxplot#箱线图
‘kde’ : Kernel Density Estimation plot#Kernel 的密度估计图，主要对柱状图添加Kernel 概率密度线
‘density’ : same as ‘kde’
‘area’ : area plot#不了解此图
‘pie’ : pie plot#饼图
‘scatter’ : scatter plot#散点图  需要传入columns方向的索引
‘hexbin’ : hexbin plot#不了解此图
 
ax : matplotlib axes object, default None #坐标轴，在坐标轴上绘图。如果没有设置，则使用当前matplotlib subplot的坐标轴
 
subplots : boolean, default False, Make separate subplots for each column #是否用子图来画图
 
sharex : boolean, default True if ax is None else False，
In case subplots=True, share x axis and set some x axis labels to invisible; defaults to True if ax is None otherwise False if an ax is passed in; Be aware, that passing in both an ax and sharex=True will alter all x axis labels for all axis in a figure! #如果有子图，子图是否共x轴刻度，标签
 
sharey : boolean, default False，In case subplots=True, share y axis and set some y axis labels to invisible #如果有子图，子图是否共y轴刻度，标签

layout : tuple (optional) (rows, columns) for the layout of subplots #子图的行列布局

figsize : a tuple (width, height) in inches #图片尺寸大小
 
use_index : boolean, default True，Use index as ticks for x axis #默认用索引做x轴
 
title : string，Title to use for the plot，#图片的标题用字符串
 
grid : boolean, default None (matlab style default)，Axis grid lines #图片是否有网格
 
legend : False/True/’reverse’，Place legend on axis subplots #是否添加图例
 
style : list or dict，matplotlib line style per column #对每列折线图设置线的类型
 
logx : boolean, default False#设置x轴刻度是否取对数
Use log scaling on x axis
logy : boolean, default False
Use log scaling on y axis
 
loglog : boolean, default False，Use log scaling on both x and y axes #同时设置x，y轴刻度是否取对数
 
xticks : sequence，Values to use for the xticks #设置x轴刻度值，序列形式（比如列表）
 
yticks : sequence#设置y轴刻度，序列形式（比如列表）
Values to use for the yticks
 
xlim : 2-tuple/list#设置坐标轴的范围，列表或元组形式
ylim : 2-tuple/list
 
rot : int, default None#设置轴标签（轴刻度）的显示旋转度数
Rotation for ticks (xticks for vertical, yticks for horizontal plots)
 
fontsize : int, default None#设置轴刻度的字体大小
Font size for xticks and yticks
 
colormap : str or matplotlib colormap object, default None#设置图的区域颜色
Colormap to select colors from. If string, load colormap with that name from matplotlib.
 
colorbar : boolean, optional  #图片柱子
If True, plot colorbar (only relevant for ‘scatter’ and ‘hexbin’ plots)
 
position : float   
Specify relative alignments for bar plot layout. From 0 (left/bottom-end) to 1 (right/top-end). Default is 0.5 (center)
 
layout : tuple (optional)  #布局
(rows, columns) for the layout of the plot
 
table : boolean, Series or DataFrame, default False  #如果为正，则选择DataFrame类型的数据并且转换匹配matplotlib的布局。
If True, draw a table using the data in the DataFrame and the data will be transposed to meet matplotlib’s default layout. If a Series or DataFrame is passed, use passed data to draw a table.
 
yerr : DataFrame, Series, array-like, dict and str
See Plotting with Error Bars for detail.
 
xerr : same types as yerr.
 
stacked : boolean, default False in line and
bar plots, and True in area plot. If True, create stacked plot.
 
sort_columns : boolean, default False  # 以字母表顺序绘制各列，默认使用前列顺序
 
secondary_y : boolean or sequence, default False  ##设置第二个y轴（右y轴）
Whether to plot on the secondary y-axis If a list/tuple, which columns to plot on secondary y-axis
 
mark_right : boolean, default True
When using a secondary_y axis, automatically mark the column labels with “(right)” in the legend
 
kwds : keywords
Options to pass to matplotlib plotting method
 
Returns:axes : matplotlib.AxesSubplot or np.array of them
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106

3. 案例

3.1 折线图

3.1.1 基本用法

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame(np.random.randn(30, 2).round(2),columns = ['x', 'y'])
df.plot(figsize = (8, 6)) #默认将df中所有列的数据都绘成图，X轴默认为index列，figsize指图形尺寸
plt.show()

1
2
3
4
5
6
7
8
'
运行
运行

3.1.2 添加第二根y轴

df.x.plot() #对x列作图
df.y.plot(secondary_y=True)  # 对y列作图，并将y列设置第二个y轴
plt.show()
1
2
3

df = pd.DataFrame(np.random.randn(6, 4).round(2),columns = ['a', 'b','c','d'])
ax = df.plot(secondary_y=['c', 'd'])  # c,d列使用右Y轴。
ax.set_ylabel('ab')   # 主y轴标签
ax.right_ax.set_ylabel('cd')  # 第二y轴标签
ax.legend(loc='upper left')  # 主轴图例的位置
ax.right_ax.legend(loc='upper right')   # 设置第二图例的位置
plt.show()
1
2
3
4
5
6
7

3.1.3 添加子图

df = pd.DataFrame(np.random.randn(30, 2).round(2),columns = ['x', 'y'])
df.plot(subplots=True) # x列y列分别绘制到子图中
plt.show()
1
2
3

3.2 柱状图

3.2.1 基本用法

柱状图和散点图用法与折线图类似

df = pd.DataFrame(np.random.rand(5, 3).round(2), columns=["a", "b", "c"])
df.plot.bar(rot=0) #rot设置轴标签旋转度数
plt.show()
1
2
3

3.2.2 添加第二根y轴

用法与折线图类似，参考 [3.1.2](#3.1.2 添加第二根y轴)

3.2.3 添加子图

用法与折线图类似，参考 [3.1.3](#3.1.3 添加子图)

3.3 散点图

3.3.1 基本用法

df = pd.DataFrame(np.random.rand(30, 3).round(2), columns=["a", "b", "c"])
df.plot.scatter(x='a',y='b') 
plt.show()
1
2
3

3.3.2 绘制多组数据

df = pd.DataFrame(np.random.rand(30, 3).round(2), columns=["a", "b", "c"])
ax = df.plot.scatter(x="a", y="b", color="red", label="b")
df.plot.scatter(x="a", y="c", color="green", label="c", ax=ax)
ax.legend(loc='upper left') 
plt.show()
1
2
3
4
5