Pandas绘图df.plot(kind=‘...‘)

line’ : line plot (default)#折线图

‘bar’ : vertical bar plot#条形图。stacked为True时为堆叠的柱状图

‘barh’ : horizontal bar plot#横向条形图

‘hist’ : histogram#直方图（数值频率分布）

‘box’ : boxplot#箱型图

‘kde’ : Kernel Density Estimation plot#密度图，主要对柱状图添加Kernel 概率密度线

‘density’ : same as ‘kde’

‘area’ : area plot#与x轴所围区域图（面积图）。Stacked=True时，每列必须全部为正或负值，
stacked=False时，对数据没有要求

‘pie’ : pie plot#饼图。数值必须为正值，需指定Y轴或者subplots=True

‘scatter’ : scatter plot#散点图。需指定X轴Y轴

‘hexbin’ : hexbin plot#蜂巢图。需指定X轴Y轴

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

# 创建一个小DataFrame
df = pd.DataFrame(index=['Atiya', 'Abbas', 'Cornelia', 'Stephanie', 'Monte'], 
                           data={'Apples':[20, 10, 40, 20, 50],
                                 'Oranges':[35, 40, 25, 19, 33]})
df

	Apples	Oranges
Atiya	20	35
Abbas	10	40
Cornelia	40	25
Stephanie	20	19
Monte	50	33

# 画柱状图，使用行索引做x轴，列的值做高度，使用plot方法，参数kind设为bar;#黑白的像素是一个 0~1 之间的数字
# color = ['R', 'g'] #红绿 
color = ['.2', '.7']
#二值图像(Binary Image)，按名字来理解只有两个值，0和1，0代表黑，1代表白，
#或者说0表示背景，而1表示前景。其保存也相对简单，每个像素只需要1Bit就可以完整存储信息。
#彩色图像，每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）
df.plot(kind='bar', color=color, figsize=(16,4))

# KDE图忽略行索引，使用每列的值作为x轴，并计算y值得概率密度
df.plot(kind='kde', color=color, figsize=(16 , 4)) 
#调用plot时加上kind='kde'即可生成一张密度图（标准混合正态分布KDE）
#表示figure 的大小为长、宽(单位为inch)

# 画三张双变量子图。散点图是唯一需要指定x和y轴的列，如果想在散点图中使用行索引，可以使用方法reset_index。

fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(16,4))
fig.suptitle('Two Variable Plots', size=20, y=1.02)
df.plot(kind='line', color=color, ax=ax1, title='Line plot') 
#绘制散点图时可能会出现“ c”参数包含2个元素，与大小为5的“ x”和“ y”不一致的情况所以c需要重新设置
#ValueError: 'c' argument has 2 elements, which is inconsistent with 'x' and 'y' with size 5.
colors=['.2', '.7','.8','.91','.100']
df.plot(x='Apples', y='Oranges', kind='scatter', color=
        colors, ax=ax2, title='Scatterplot')

df.plot(kind='bar', color=color, ax=ax3, title='Bar plot') #条形图

# 将单变量图也画在同一张图中
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(16,4))
# plot可以绘出精美的图形，但是如果想要在一张图中展示多个子图，plot就很难办了。
# matplotlib提供了subplot来解决这一问题。（其实很像matlab中的绘图方法）
# plt.subplot(nrows=1, ncols=2, index=1,) 
#figsize 调整大小
fig.suptitle('One Variable Plots', size=20, y=1.02)#标题
df.plot(kind='kde', color=color, ax=ax1, title='KDE plot') 
#kind='kde'即可生成一张密度图（标准混合正态分布KDE）核密度曲线（kde）
df.plot(kind='box', ax=ax2, title='Boxplot') #箱线图
df.plot(kind='hist', color=color, ax=ax3, title='Histogram') #直方图（hist）

# matplotlib允许手动指定x和y的值
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(16,4))
df.sort_values('Apples').plot(x='Apples', y='Oranges', kind='line', ax=ax1)
df.plot(x='Apples', y='Oranges', kind='bar', ax=ax2)
df.plot(x='Apples', kind='kde', ax=ax3)
#df.plot(kind='kde', color=color, ax=ax1, title='KDE plot') #标准混合正态分布KDE）核密度曲线
#df.plot(kind='box', ax=ax2, title='Boxplot') #箱线图
#df.plot(kind='hist', color=color, ax=ax3, title='Histogram') #直方图（hist）

Pandas绘图df.plot(kind=‘...‘)

猜你喜欢