pandas基础操作大全之数据可视化

在pandas 基础操作大全之数据读取&清洗&分析 以及 pandas基础操作大全之数据合并 中介绍了pandas常见的数据处理操作以及常用的数据合并操作，本文继续对pandas数据可视化操作做下介绍，便于大家快速了解，也方便后续需要时快速查询。

一、概述

1.1 plot函数参数

数据可视化，一般用Matplotlib库，该库可与MATLAB作图相媲美，允许完全按照自己的意愿自定义图表的展示方式，但相较于日常快速进行数据分析和可视化，用起来相对繁琐，故pandas基于该库，重新封装了plot方法，该方法还对Series和DataFrame数据格式进行了特定的优化，本文主要讲解pandas的数据可视化工具，首先讲解plot函数常用参数的含义。

#pandas主要使用plot函数进行数据可视化绘图，完整表达式如下，本文仅罗列常见的参数，其他参数待用到时，可自行学习
df.plot(
    x='A',#即绘图x轴用的数据列标签，如果不指定，则默认为index
    y='B',#即绘图y轴用的数据列标签，可指定一个，也可指定多个，指定多个使用列表格式['A', 'B']
    use_index=True,#设置是否用DF的index行索引作为x轴，默认是True，当x不传入值时，便用index
    
    kind='line',#即绘图用的图表类型，枚举有line（折线）、bar（条形图）、barh（横向条形图）、hist（柱状图）、box（箱线图或蜡烛图）、area（面积图）、pie（饼图）、scatter（散点图）等

    subplots=True,#子图，即如果y指定的是多列，则将每列分为一个子图，与layout一起使用
    layout=(2,2),#2*2布局，即4个子图
    sharex=True,#如果有子图，子图共x轴刻度，标签，默认True
    sharey=False,#如果有子图，子图共y轴刻度，标签，默认False，即不共享

    figsize=(12,8),#设置图表大小，横纵方向，单位英尺
    title='title',#设置图表的标题
    grid=True,#设置图表的格子，默认False，即不添加格子
    legend=True，#即设置是否添加图例，默认True
    color=['r', 'g', 'b'],#设置不同序列或不同组对应展示的图表颜色，序列格式（列表或元组），默认none，一般不需要显示指定，系统会自动分配
    
    xticks=[],#设置x轴刻度，序列形式（列表或元组），可自定义横轴的刻度，默认none，一般不需要
    yticks=[],#设置y轴刻度，序列形式（列表或元组），可自定义纵轴的刻度，默认none，一般不需要
    rot=0,#设置轴刻度旋转角度，默认是0，即水平展示
    fontsize=12,#设置横纵坐标刻度字体大小
    xlim=[0,100],#设置x轴刻度区间，序列形式（列表或元素），默认不设置，由系统自动判断
    ylim=(0,100),#设置y轴刻度区间，序列形式（列表或元素），默认不设置，由系统自动判断

    ax,#设置此次绘图的目标axes（坐标系），在本文最后会详细展开，可以理解为，其是pandas暴露的与matplotlib无缝衔接的接口
)

#df.plot()函数返回值为此次绘图所生成的坐标系，可以是1个，也可以是多个，视subplots是True或False而定
#pandas的plot绘图后，还可结合Matplotlib，对生成的图表的属性进一步定制和设置
plt.grid(linewidth=0.2, alpha=0.5) 

1.2 本文用到的数据源说明

#为了让该篇文章更加易懂，这次会使用真实数据进行数据分析及可视化的演示
#网上获取公开数据源的平台比较多，比如AkShare、Tushare、BaoStock等
#其中Tushare使用时较为便捷，但使用接口获取数据时还需要积分达到一定的值，而AkShare数据则完全公开，调用时没有任何限制，故本文内均会使用AKShare的数据

#获取数据方法如下：
import akshare as ak #如果没有安装akshare，请自行pip安装
df=ak.macro_cnbs()  #每一个接口获取的数据不一样，此处只使用历年中国宏观杠杆率数据

#AKShare详细教程和数据可访问以下链接
https://www.akshare.xyz/zh_CN/latest/index.html

二、折线图--kind='line'

#折线图，一般用来分析某数据指标（列）随着index或另外一个数据序列的变化趋势，也是最常见的图表
#数据源，以下使用AkShare 数据平台的 中国宏观杠杆率 作为数据源
import akshare as ak
import pandas as pd
import matplotlib.pyplot as plt
df=ak.macro_cnbs()  #获取中国历史各部门的杠杆率
#df.head()
	年份    	居民部门	    非金融企业部门	政府部门	    中央政府	    地方政府	    实体经济部门	金融部门资产方	金融部门负债方
0	1993-12	8.311222	91.658000	    4.249689	3.572548	7.822237	107.791459	8.896441	    7.128428
1	1994-12	7.808230	82.411703	    4.989987	3.144351	8.134338	98.354271	9.808787	    6.796868
2	1995-12	8.200000	81.000000	    5.700000	3.000000	8.700000	97.900000	10.000000	    7.000000
3	1996-03	8.400000	81.700000	    6.100000	3.000000	9.100000	99.200000	10.200000	    7.200000
4	1996-06	8.600000	82.100000	    6.000000	3.000000	9.000000	99.700000	10.400000	    7.400000


df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='line', figsize=(10,8),fontsize=12,title='金融杠杆率')  
#运行后，生成图表如下，可见基本来说，杠杆率在逐年增加，其中居民部门的杠杆率，在2008年以后出现骤增的趋势，可能与房价快速上涨有关

#如果使用子图，对各个经济部门的杠杆率分开展示，则如下
df.plot(x='年份',y=['居民部门','政府部门','地方政府'], subplots=True, layout=(1,3),kind='line', figsize=(10,8),fontsize=12,title='金融杠杆率') 
#运行后图表如下，可见如果拆成子图之后，会更加清晰些

三、柱状图--kind='bar'

3.1 各组数据（列）分开展示

#柱状图（条形图）一般用来分析某指定时间段内，不同指标之间的对比，同时还可以分析变化趋势
#相较于折线图，会表现的更加直观，条形图，或者叫柱状图,一般用于分析不同时间段不同指标或组别的表现对比，但如果要判断趋势，最好还是用折线图会更加直观
#数据源，仍然以中国各经济部门宏观杠杆率为准，但是只取前20行数据，因数据量太大
df.iloc[range(20)].plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='bar',figsize=(10,8),fontsize=12,title='金融杠杆率')#运算后，生成的图标如下

3.2 各组（列）数据合并展示--stacked

#柱状图还有一种变种，即堆叠柱状图，相当于将需要对比的不同组别的指标值加和，并展示在一个柱内，用不同颜色区分
#该种图表既可以体现同一时期或区间不同组别的指标占比大小（根据数值），还可以观察不同时期对应组别累加值的变化趋势
#比如不同季度4个销售团队的销售业绩，那么堆叠柱状图即可以对比不同季度各个销售团队的业绩，还可以观察4个销售团队在不同季度业绩总和的变化趋势
df.iloc[range(20)].plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='bar', stacked=True,figsize=(10,8),fontsize=12,title='金融杠杆率') #运行后图表如下

3.3  横向柱状图--kind='barh'

#横向柱状图，基本就是将bar图给横过来，没有其他区别，有横向柱状图的原因，主要是长短相较于高低会更加直观些，大概可能是因为人类的视觉习惯吧
#还是以中国宏观杠杆率数据为数据源
df.iloc[range(20)].plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='barh', stacked=True,figsize=(10,8),fontsize=12,title='金融杠杆率') #运行后图表如下，为叠加效果

#以下为不叠加数据的效果
df.iloc[range(20)].plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='barh',figsize=(10,8),fontsize=12,title='金融杠杆率') #运行后图表如下

四、直方图--kind='hist'

4.1 概述

#直方图一般用在统计数据可视化领域，类似概率分布，即数据序列在不同值区间内分布的情况
#默认情况下，plot会将序列数据值分为10个数值区间并统计数值在不同区间的个数，即频数图，如果要展示的是频率图，则设置density = True即可。
#仍以中央宏观杠杆率数据为例，我们想看下不同经济部门历年杠杆率区间分布情况
df.plot(y=['居民部门','地方政府'],kind='hist',figsize=(10,8),fontsize=12,title='金融杠杆率区间分布情况') #运行后，图表如左图，为频数图
df.plot(y=['居民部门','地方政府'],kind='hist',density = True, figsize=(10,8),fontsize=12,title='金融杠杆率区间分布情况') #运行后，图表如中图，为频率图
df.plot(y=['居民部门','地方政府'],kind='hist',density = True, figsize=(10,8),fontsize=12,title='金融杠杆率区间分布情况') #运行后，图表如右图，为频率图，且设置透明度

     

4.2 自定义直方图横向区间数量

#如果对系统自动划分的10个区间不太满意，比如感觉太多或者太少，也可以自定义区间值，一般有两种方式
#1、使用bins参数，直接指定需要划分的区间数量，默认是10，可设置比如15或5等
#2、使用xticks参数，直接指定横轴的坐标刻度值

#1、使用bins参数
df.plot(y=['居民部门','地方政府','中央政府'],kind='hist',figsize=(10,6),fontsize=12,title='金融杠杆率区间分布图',bins=15) #指定将区间划分为15个，如下左图所示

#2、使用xticks参数
xtick=[5,10,15,20,25,30,35,40,45,50,55,60]
colormap=('r','g','b')
df.plot(y=['居民部门','地方政府','中央政府'],kind='hist',figsize=(10,6),fontsize=12,title='金融杠杆率区间分布图',xticks=xtick)#指定将区间按照指定刻度划分，如下右图所示

         

4.3 多子图展示多序列数据

#也可将不同序列数据在不同的子图上进行展示，这个是一个通用方法，所有的绘图方法均可对多序列数据分几个子图进行绘图展示
#以下使用3个子图，对不同的序列数据直方图进行绘制
df.plot(y=['居民部门','地方政府','中央政府'],kind='hist',figsize=(18,6),subplots=True,layout=(1,3),fontsize=12,title='金融杠杆率区间分布图')#运行后效果如下

4.4 一维数据密度图--kind='kde'

#kde是直方图的另外一种变种，相对于直方图，可以认为其区间数量不限，是连续性的，可以更加直观的观察序列数据在不同数值下的概率分布图，看数值主要集中于哪个数值区间范围内
df.plot(y=['居民部门','地方政府','中央政府'],kind='kde',figsize=(18,6),fontsize=12,title='金融杠杆率区间分布图',subplots=True,layout=(1,3))#运行后图表如下

4.5 累积直方图--cumulative = True

#如果希望几个数据序列，在同一区间内的频次或者频率相加，则可以使用累积直方图，相当于将频数或频率在同一区间内叠加展示
df.plot(y=['居民部门','地方政府'],kind='hist',cumulative = True,figsize=(10,8),alpha=0.5,fontsize=12,title='金融杠杆率区间分布情况') #运行后如下图所示

五、箱线图--kind='box'

5.1 默认用法--垂直箱线图

#box箱线图一般用来直观研究一组或多组数据分布特征的统计图，要求所分析的列数据必须是数值格式
#box图会计算出每一组数据的上四分位数、下四分位数、上边缘、下边缘、中位数以及异常值等6个值，并以箱状绘制出来
#箱线图还有其他较多变体
#仍以中国宏观杠杆率数据为例，我们分析下几个关键的部门历年杠杆率数据的分布情况
df.plot(y=['地方政府','中央政府', '实体经济部门','非金融企业部门'],kind='box') #运行后如下图所示，可见地方政府和中央政府的杠杆率整体偏低，而实体经济的杠杆率则最高，但中国整体实体经济又整年缺乏现金流，数据表现比较奇怪

5.2 水平箱线图--vert = False

#如果希望箱线图水平展示，则直接设置 vert=False即可
df.plot(y=['地方政府','中央政府', '实体经济部门','非金融企业部门'], vert=False, kind='box')#运行后效果如下

六、饼图--kind='pie'

6.1 概述

#饼图一般研究在同一时期或数据点下，不同指标列数值的百分比占比情况，比如同一个月内，不同销售团队销售额占比情况
#还是以中国宏观杠杆率数据，我们取2020年9月份的数据，研究下不同经济部门杠杆率占比情况，看哪个部门占比最多，即杠杆率最高，以及其占比情况
#以下s，为从df中抽出2020年9月份数据，然后去掉月份列，并转为Series格式，因为pie一般使用Series格式的数据进行绘图
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,8),fontsize=12,title='2020年9月各经济部门杠杆率占比') #绘图效果如下，可见实体经济部门的杠杆率占比最大

6.2 设置阴影--shadow=True

#为了增强生成的图表的可读性，可对pie图的每个slice添加阴影，不过本人不太喜欢阴影
s.plot(kind='pie',autopct='%1.1f%%',startangle=90, figsize=(10,8), fontsize=12,title='2020年9月各经济部门杠杆率占比') #运行生成的图表如下所示

6.3 设置不同饼区域偏离中心区域的距离--explode

#有时候为了突出展示某几个slice，希望这些slice可以脱离出饼图圆心一定距离，这样就从饼图分离出一部分，可以通过设置explode参数实现
explode_list = [0, 0, 0, 0, 0, 0.2,0.1,0.1] #此处按照数据序列顺序，指定对应silce偏离饼图中心的距离，以半径为单位1，如果是0，则代表不批那里
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各经济部门杠杆率占比') #运行后，效果如下，突出体现了最小的三个部门杠杆率占比

6.4 设置自动产生的百分比文案偏离中心区域的距离--pctdistance

#可能pie图自动生成的百分比文案位置不太满意，此时可以通过pctdistance参数设置其位置偏差
#默认是在饼图半径的一半位置，即pctdistance=0.5，如果设置为1，则会在饼图外边缘位置
#以下将百分比文案位置设置在半径的0.8位置
explode_list = [0, 0, 0, 0, 0, 0.1,0.1,0.1]
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,pctdistance=0.8,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各经济部门杠杆率占比') #运行后效果如下

6.5 去掉列标签，用图例展示

#如果觉得将对应slice的数据名称直接展示在pie图内，整体会显得拥挤，则可以去掉，并添加图例
explode_list = [0, 0, 0, 0, 0, 0.1,0.1,0.1]
s.plot(kind='pie',autopct='%1.1f%%',figsize=(10,15),startangle=90,labels=None,pctdistance=0.8,explode=explode_list, shadow=True,fontsize=12,title='2020年9月各经济部门杠杆率占比')
plt.legend(labels=s.index, loc='upper left')  #添加图例

七、散点图--kind='scatter'

7.1 概述

#散点图，一般用于分析两列（组）二维数据的相关性规律，折线图的x轴一般是线性变化，所以折线图一般只能研究某一指标列的变化趋势，而散点图则可以研究两列数据的相关性，比如是否有线性变化关系等，且两列数据本身已经相对于同一个线性数据进行了对齐（以下例子中即均与年份对齐）
#一般用法
df.plot(
    x='', #设置x轴的数据序列
    y='',#设置y周的数据序列
    s=100,#设置散点的大小
    c='r',#设置散点的颜色，也可传入列名，传入的列名必须是数值化的，那么散点会根据列名的数值大小自动着色
    marker='*',#设置散点的形状
)
#数据源还是中国各个经济部分宏观杠杆率，现在想观察下中央政府和地方政府杠杆率是否有相关性，则
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,title='中央政府和地方政府杠杆率相关性分析') #绘图结果如下，可发现中央政府和地方政府杠杆率呈现一定程度的正相关

7.2 分类散点图--增加另一个维度的数据变量

#一般散点图是分析二维码数据（两个数据序列）之间的关系，也是数据分析最主要的任务，但是如果希望分析三维数据，即三个数据序列之间的变化关系，也可以用散点图实现
#此时将第三个数据序列（必须是数值化的）传给c参数，用第三个数据序列的大小，对散点进行自动着色，颜色越黑，代表第三个数据序列越大
#还是以中国宏观杠杆率数据为例，我们不仅希望知道中央政府和地方政府之间杠杆率变化规则，还希望知道实体经济部门与这两者数据的关系（用颜色深浅代表数值大小），则可以使用分类散点图
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,c='实体经济部门' ,title='中央政府、地方政府即实体经济部门杠杆率相关性分析') #运行后如下图所示，可见中央政府和地方政府杠杆率越大，实体经济部门杠杆率也越大（因为对应的颜色越深）

7.3 气泡图--散点图变种--以气泡大小代表数值大小

#分类散点图是以颜色深浅来判断第三个数据序列与指定的x和y数据序列之间的数值变化关系
#气泡图则是用气泡的大小，来判断，气泡图较为适用于数据点不太多的情况，因为数据太多的话，各个气泡重叠在一起，可视化效果范围不好
df.plot(x='中央政府',y='地方政府',kind='scatter',figsize=(10,8),fontsize=12,c='c' ,alpha=0.5,s=2*df['实体经济部门'], title='中央政府、地方政府即实体经济部门杠杆率相关性分析')
#运行后，效果如下，还是分析实体经济部门与中央政府、地方政府杠杆率数值变化的趋势关系
#其中s为三点的大小，大小直接使用实体经济部门杠杆率数值设置

八、面积图--kind='area'

8.1 默认用法--不同序列数据不叠加值

#面积图，融合了折线图和柱状图的优点，既可以分析不同指标（列标签）随同一个列或index的变化趋势，同时也可以直观的看到大小。如果单纯只是想对比不同指标在同一列下不同大小和变化趋势，则使用折线图最理想。
#如果希望即看不同指标的变化趋势，又希望看不同指标在同一时期内叠加值的变化趋势，且数据点较多，则使用面积图最理想，比如希望看5年内，每个月不同销售团队的销售额的大小对比和变化趋势，又希望看每个月不同销售团队总销售额的变化趋势，使用面积图最理想

df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='area', stacked=False,figsize=(10,8),fontsize=12,title='金融杠杆率')#不同列值不堆叠，绘图效果如下：

8.2 不同序列数据叠加值--stacked

df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='area',  stacked=True,figsize=(10,8),fontsize=12,title='金融杠杆率')#堆叠时绘图效果如下，可见整体叠加杠杆率，近几年上升较快

九、六边图--kind='hexbin'

9.1 概述

六边图又叫六边箱图，主要分析二维（即两个数据序列）数据点数值分布情况，类似二维的直方图，它展示了每个小六边形中观测点的数量，这种图在大数据集上可视化效果最佳。

直方图针对每个数据序列，是单独展示其沿着x周数值区间的频数或频次分布，而六边图则展示了x和y两个数据序列关联起来后的频数分布图，同时还可以展示x和y两个数据序列之间的关联变化关系

#还是以分析中国宏观杠杆率数据，我们想了解中央政府和地方政府杠杆率数值的分布情况，且最好还可以体现两者之间的变化关系
df.plot(x='中央政府',y='地方政府',kind='hexbin',figsize=(10,8),fontsize=12,title='中央政府、地方政府杠杆率分布和变化趋势图')
 #运行效果如下，其中最右侧的标尺，代表分布频数，即每个六边形状内分布的数据点数，图表中用频数代表颜色深浅，频数越大，颜色越深

9.2 调整x轴六边形数量--类似增加密度--gridsize

如果数据点太多时，希望增大统计的区间长度，以更加直观的观察分布情况，则可以调大gridsize的数值

#gridsize默认大小是100，即会将数据归集到100个区间范围内，包括x轴和y轴，但是一般情况下，100比较多，设置个比如20个相对可视化效果会比较好
df.plot(x='中央政府',y='地方政府',kind='hexbin',figsize=(10,8),fontsize=12, gridsize=20,title='中央政府、地方政府杠杆率分布和变化趋势图') 
#运行后效果如下，可见中央政府和地方政府的杠杆率分布比较不均匀，在最小值、中间值、最大值处分布较多

十、常用绘图时设置参数

以下演示的方式，对所有的图表类型均通用

10.1 将不同数据，绘制到同一个图表的不同子图内，且不同子图单独绘图

#比如上面的面积图，希望看下stacked参数不同时，绘图效果，则可分别将数据绘制在指定的子图内
fig, (ax1, ax2) = plt.subplots(2)  #首先创建2个子图
df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='area', ax=ax1,stacked=False,figsize=(10,12),fontsize=12,title='金融杠杆率') #将图表1绘制到子图1内
df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='area',ax=ax2, figsize=(10,12),fontsize=12,title='金融杠杆率')#将图表1绘制到子图1内，数据和x轴数据也可完全不相同

10.2 设置数据序列颜色

#可通过color参数指定在绘制不同数据序列时，对应的颜色，或者pie图中不同slice的颜色，序列格式，一般用列表格式
colors=['r','g','b']
df.plot(x='年份',y=['居民部门','政府部门','地方政府'], color=colors, subplots=True, layout=(1,3),kind='line', figsize=(15,8),fontsize=12,title='金融杠杆率') 
#运行后如下图所示，指定了居民部门、政府部门、地方政府相应的折线的颜色

10.3 设置x和y坐标轴label

#可通过matplotlib库中的xlabel和ylabel设置x和y坐标轴的标签名，一般这些pandas的plot函数会根据实际情况自动添加，不过也可以根据自己需要自行设置
df.plot(x='年份',y=['居民部门','政府部门','地方政府'],kind='line', figsize=(15,8),fontsize=12,title='金融杠杆率') 
plt.xlabel('年份')
plt.ylabel('杠杆率')
#运行后如下图所示，指定了居民部门、政府部门、地方政府相应的折线的颜色

10.4 其他参数设置

其他常见参数说明

参数	说明
title	设置图表的标题，字符串格式
linestyle	设置不同折线的线型，序列格式（列表或元组），默认实线
legend	设置图表的图例是否展示，布尔，默认True，即展示
marker	设置散点图等点的形状
alpha	数值，设置透明度，默认为1，即不透明，0.5，即50%透明度
secondary_y	设置第二个y轴，只有当绘制的数据序列大于等于2时，设置才生效，可设置为True，或直接指定使用哪个数据序列作为第二个y轴的刻度
linewidth	设置线宽，数值
table	图下添加表，如果为True，则使用DataFrame中的数据绘制表格，并且数据将被转置以满足matplotlib的默认布局，一般不要添加，并且添加时性能较差
logx	设置x轴坐标刻度是否取对数，布尔，默认False，即不取
logy	设置y轴坐标刻度是否取对数，布尔，默认False，即不取
loglog	设置x轴和y轴坐标刻度是否均取对数，布尔，默认False，即不取

10.5 ax参数专门讲解

10.5.1 概述

DataFrame.plot()函数中，ax参数如果使用得当，则即可以享受pandas的plot函数带来的便捷性，同时又可以拥有matplotlib的灵活性，如文章以上介绍，其实plot函数给我们提供的参数，只是可以满足日常快速绘图的需求，并可以定义常见的一些绘图属性，但是如果需要定制比如x和y坐标轴的label，坐标轴，或者想隐藏坐标轴、指定坐标轴标签的字体和颜色等等，便无能为力。

而ax则是plot函数暴露出来，直接与matplotlib直接衔接的接口，ax可以认为是一个坐标系，每个图表的绘制，均需要在指定坐标系内完成，而ax参数则指定了此次df.plot调用，绘图的坐标系对象。

其实df.plot()函数本身，返回的便是此次绘图生成的坐标系，如果希望后续df.plot函数也绘制到之前df.plot返回的坐标系内，则可以将ax参数赋值成之前的坐标系值，不过一般不建议使用df.plot返回的坐标系，大部分情况下，一次df.plot即绘制一个

#可以使用ax参数指定此次绘图对应的坐标系（axes）对象
#1、用plt生成的axes赋值给ax
#这种方法最为灵活，一般用于希望将多种（kind）图表拼接展示在一起的时候，如下左图所示
fig,axes=plt.subplots(1,2,figsize=(16,8)) #生成一个1行2列的绘图区，并返回图表本身和对应的2个坐标系
df.plot(x='年份',y='居民部门',ax=axes[0],title='居民部门杠杆率') #将图表绘制到第1个坐标系内
df.plot(x='年份',y=['非金融企业部门','政府部门'],ax=axes[1],title='非金&政府部门杠杆率')#将图表绘制到第2个坐标系内

#2、用上次plot函数返回的ax赋值给ax
#这种方法，一般不常用，因为原则性一次plot调用，就是一次完整的绘图动作，相当于此次在之前的坐标系内进行绘图，如下右图所示
ax1=df.plot(x='年份',y='居民部门',title='居民部门杠杆率') #首先绘图并返回ax1坐标系
df.plot(x='年份',y=['非金融企业部门','政府部门'],ax=ax1)#指定在ax1坐标系继续绘图，就是追加绘图

  

10.5.2 使用ax参数设置具体绘图对象--指定坐标系绘图

一般用的最多的，是先使用plt绘制一个比如3×3的绘图区域，包含9个坐标系，然后使用df.plot()分别在对应坐标系内进行绘图，以达到将不同类型的图表拼接到一起的效果

#使用时，原则性，一次df.plot()就是一次完整的绘图动作，如果希望将多次df.plot绘图动作生成的图表集中展示，则使用下面的方法
fig,axes=plt.subplots(3,3,figsize=(24,24))  #首先生成一个3×3的绘图区，共9个坐标系
df.plot(x='年份',y=['中央政府','地方政府','居民部门'],kind='line',ax=axes[0,0],title='各部门杠杆率') #将图绘制到第1行第1列的坐标系
df.iloc[range(10)].plot(x='年份',y=['居民部门','地方政府'],kind='bar',ax=axes[0,1] ,stacked=True,title='金融杠杆率') #将图绘制到第1行第2列的坐标系
df.plot(y=['居民部门','地方政府'],kind='hist',density = True,ax=axes[0,2] ,title='金融杠杆率区间分布情况') #将图绘制到第1行第3列的坐标系
df.plot(y=['居民部门','地方政府','中央政府'],kind='kde',ax=axes[1,0],title='金融杠杆率区间分布图') #将图绘制到第2行第1列的坐标系
df.plot(y=['地方政府','中央政府', '实体经济部门'],kind='box',ax=axes[1,1],title='各部门杠杆率箱线图')#将图绘制到第2行第2列的坐标系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[1,2] ,title='中央政府和地方政府杠杆率相关性分析')#将图绘制到第2行第3列的坐标系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[2,0] ,c='c' ,alpha=0.5,s=2*df['实体经济部门'], title='中央政府、地方政府即实体经济部门杠杆率相关性分析')#将图绘制到第3行第1列的坐标系
df.plot(x='中央政府',y='地方政府',kind='hexbin', ax=axes[2,1], gridsize=20,title='中央政府、地方政府杠杆率分布和变化趋势图') #将图绘制到第3行第2列的坐标系
df.plot(x='中央政府',y='地方政府',kind='scatter',ax=axes[2,2] ,c='实体经济部门' ,title='中央政府、地方政府即实体经济部门杠杆率相关性分析')#将图绘制到第3行第3列的坐标系

10.5.3 设置x和y坐标轴标签

可以根据df.plot返回的ax来设置坐标轴标签，也可以根据plt生成的坐标系下标来设置坐标轴标签

#1、根据df.plot函数返回的ax直接设置x和y坐标轴label,效果如下左图所示
ax=df.plot(x='年份',y=['中央政府','地方政府','居民部门'],kind='line',title='各部门杠杆率')
ax.set_xlabel('年月')
ax.set_ylabel('各部门杠杆率')

#2、先由plt生成坐标系，然后使用plt生成的坐标系设置x和y坐标轴label，效果如下右图所示
fig,axes=plt.subplots(1,2,figsize=(10,5)) #生成一个1×2的2个坐标系绘图区
df.plot(x='年份' ,y='居民部门',ax=axes[0],title='居民部门杠杆率') #绘制到第1个坐标系
df.plot(x='年份' ,y='政府部门',ax=axes[1],title='政府部门杠杆率')#绘制到第2个坐标系
axes[0].set_xlabel('年月')
axes[0].set_ylabel('居民部门杠杆率')
axes[1].set_xlabel('年月')
axes[1].set_ylabel('政府部门杠杆率')

   

10.5.4 matplotlib子图和subplots指定的子图之前关系

1. 如果对某次df.plot设置了ax参数，则该次df.plot返回的ax，即指定的ax，因为既然已经指定了绘图ax坐标系，返回的肯定也是指定的坐标系
2. df.plot如果将subplots设置为True，则其返回的ax是一个矩阵，矩阵的shape即layout指定的shape
3. matplotlib中的plt.subplots其实生成的也是一个指定shape的绘图区域，类似以上的layout
4. 如果df.plot设置了subplots为True，且此时指定了ax为plt生成的某个ax，此时会将df.plot生成的子图，分别依次绘制到plt对应的子图区域
   1. 比如df.plot，将subplots设置为True，且layout=（2,2），而plt生成的也是一个(2,2)的绘图区域，然后把df.plot的ax指定到了plt绘图区域内的第一个坐标系，则系统会自动将df.plot绘制的4个子图，依次绘制到plt生成的四个绘图坐标系内。

#以下演示当df.plot设置subplots=True时的效果
fig,axes=plt.subplots(1,2)
df.plot(x='年份',y=['居民部门','政府部门'],subplots=True,layout=(1,2),ax=axes)

10.5.5 保存图表

#当图表绘制好之后，一般可能希望将其保存到本地留作他用，需要用fig对象进行保存，fig对象的获取一般有以下两种方式，本质道理一样
#1、使用plt.subplots方法返回的fig并保存
fig,axes=plt.subplots(1,1)
df.plot(x='年份',y='居民部门',ax=axes)
fig.savefig('filename.png')

#2、使用df.plot函数返回的ax简介获取fig并保存
ax=df.plot(x='年份',y='居民部门')
ax.get_figure().savefig('filename.png')

十一、不同图表类型的区别

1. 一维数据分析
   1. 即分析一个数据序列的数值变化趋势、分布情况（频数、频率）、占比情况
   2. 一般line（数值变化）、bar（数值变化）、barh（数值变化）、hist（数值分布）、kde（数值分布）、box（数值分布）、pie（占比）、area（变化趋势、占比）适用于进行以上一维数据分析
2. 二维数据分析
   1. 即分析两个数据序列之间的数值关联变化趋势、分布情况、占比情况等
   2. 一般scatter、hexbin适用于进行以上二维数据分析
3. 其他数据分析和可视化工具
   1. 后续可学习matplotlib库以及seaborn库，而seaborn库最为推荐，因为做出来的图表颜值非常高，并且很容易上手
   2. Plotly库也是强雷建议学习的，因为其有很多非常惊艳的可视化工具