pandas plot绘图详解：一文教会你各种绘图

您所在的位置：网站首页 › pandas中的数据结构 › pandas plot绘图详解：一文教会你各种绘图

pandas plot绘图详解：一文教会你各种绘图

2023-07-16 19:03| 来源: 网络整理| 查看: 265

pandas.DataFrame.plot绘图详解一、介绍1.1 参数介绍1.2 其他常用说明二、举例说明2.1 折线图 line2.2 条型图 bar2.3 直方图 hist2.4 箱型图 box2.5 区域图 area2.6 散点图 scatter2.7 蜂巢图 hexbin2.8 饼型图 pie 三、其他格式3.1 设置显示中文标题3.2 设置坐标轴显示负号3.3 使用误差线 yerr 进行绘图3.4 使用 layout 将目标分成多个子图3.5 使用 table 绘制表，上图下表3.6 使用 colormap 设置图的区域颜色

一、介绍

使用pandas.DataFrame的plot方法绘制图像会按照数据的每一列绘制一条曲线，默认按照列columns的名称在适当的位置展示图例，比matplotlib绘制节省时间，且DataFrame格式的数据更规范，方便向量化及计算。

DataFrame.plot( )函数：

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) 1.1 参数介绍 x和y：表示标签或者位置，用来指定显示的索引，默认为Nonekind：表示绘图的类型，默认为line，折线图 line：折线图bar/barh：柱状图（条形图），纵向/横向pie：饼状图hist：直方图（数值频率分布）box：箱型图kde：密度图，主要对柱状图添加Kernel 概率密度线area：区域图（面积图）scatter：散点图hexbin：蜂巢图 ax：子图，可以理解成第二坐标轴，默认Nonesubplots：是否对列分别作子图，默认Falsesharex：共享x轴刻度、标签。如果ax为None，则默认为True，如果传入ax，则默认为Falsesharey：共享y轴刻度、标签layout：子图的行列布局，(rows, columns)figsize：图形尺寸大小，(width, height)use_index：用索引做x轴，默认Truetitle：图形的标题grid：图形是否有网格，默认Nonelegend：子图的图例style：对每列折线图设置线的类型，list or dictlogx：设置x轴刻度是否取对数，默认Falselogyloglog：同时设置x，y轴刻度是否取对数，默认Falsexticks：设置x轴刻度值，序列形式（比如列表）yticksxlim：设置坐标轴的范围。数值，列表或元组（区间范围）ylimrot：轴标签（轴刻度）的显示旋转度数，默认Nonefontsize : int, default None#设置轴刻度的字体大小colormap：设置图的区域颜色colorbar：柱子颜色position：柱形图的对齐方式，取值范围[0,1]，默认0.5（中间对齐）table：图下添加表，默认False。若为True，则使用DataFrame中的数据绘制表格yerr：误差线xerrstacked：是否堆积，在折线图和柱状图中默认为False，在区域图中默认为Truesort_columns：对列名称进行排序，默认为Falsesecondary_y：设置第二个y轴（右辅助y轴），默认为Falsemark_right : 当使用secondary_y轴时，在图例中自动用“(right)”标记列标签，默认Truex_compat：适配x轴刻度显示，默认为False。设置True可优化时间刻度的显示 1.2 其他常用说明 color：颜色s：散点图大小，int类型设置x,y轴名称 ax.set_ylabel(‘yyy’)ax.set_xlabel(‘xxx’) 二、举例说明 2.1 折线图 line

1. 基本用法

ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) ts = ts.cumsum() ts.plot();

在这里插入图片描述

2. 展示多列数据

df = pd.DataFrame(np.random.randn(1000, 4), index=pd.date_range("1/1/2000", periods=1000), columns=list("ABCD")) df = df.cumsum() df.plot()

在这里插入图片描述 3. 使用x和y参数，绘制一列与另一列的对比

df3 = pd.DataFrame(np.random.randn(1000, 2), columns=["B", "C"]).cumsum() df3["A"] = pd.Series(list(range(1000))) df3.plot(x="A", y="B")

在这里插入图片描述 4. secondary_y参数，设置第二Y轴及图例位置

ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000', periods=1000)) df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list('ABCD')) df = df.cumsum() print(df) # 图1：其中A列用左Y轴标注，B列用右Y轴标注，二者共用一个X轴 df.A.plot() # 对A列作图，同理可对行做图 df.B.plot(secondary_y=True) # 设置第二个y轴（右y轴） # 图2 ax = df.plot(secondary_y=['A', 'B']) # 定义column A B使用右Y轴。 # ax（axes）可以理解为子图，也可以理解成对黑板进行切分，每一个板块就是一个axes ax.set_ylabel('CD scale') # 主y轴标签 ax.right_ax.set_ylabel('AB scale') # 第二y轴标签 ax.legend(loc='upper left') # 设置图例的位置 ax.right_ax.legend(loc='upper right') # 设置第二图例的位置

在这里插入图片描述 5. x_compat参数，X轴为时间刻度的良好展示

ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000)) ts = ts.cumsum() ts.plot(x_compat=True)

在这里插入图片描述 6. color参数，设置多组图形的颜色

df = pd.DataFrame(np.random.randn(1000, 4), index=pd.date_range('1/1/2000', periods=1000), columns=list('ABCD')).cumsum() df.A.plot(color='red') df.B.plot(color='blue') df.C.plot(color='yellow')

在这里插入图片描述

2.2 条型图 bar

DataFrame.plot.bar() 或者 DataFrame.plot(kind=‘bar’)

1. 基本用法

df2 = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"]) df2.plot.bar()

在这里插入图片描述 2. 参数stacked=True，生成堆积条形图

df2.plot.bar(stacked=True)

在这里插入图片描述 3. 使用barh，生成水平条形图

df2.plot.barh()

在这里插入图片描述 4. 使用rot参数，设置轴刻度的显示旋转度数

df2.plot.bar(rot=0) # 0表示水平显示

在这里插入图片描述

2.3 直方图 hist

1. 基本使用

df3 = pd.DataFrame( { "a": np.random.randn(1000) + 1, "b": np.random.randn(1000), "c": np.random.randn(1000) - 1, }, columns=["a", "b", "c"], ) # alpha设置透明度 df3.plot.hist(alpha=0.5) # 设置坐标轴显示负号 plt.rcParams['axes.unicode_minus']=False

在这里插入图片描述 2. 直方图可以使用堆叠，stacked=True。可以使用参数 bins 更改素材箱大小

df3.plot.hist(alpha=0.5,stacked=True, bins=20)

在这里插入图片描述 3. 可以使用参数 by 指定关键字来绘制分组直方图

data = pd.Series(np.random.randn(1000)) data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4))

在这里插入图片描述

2.4 箱型图 box

箱型图，用来可视化每列中值的分布

.1. 基本使用

示例：这里有一个箱形图，代表对[0，1]上的均匀随机变量的10个观察结果进行的五次试验。

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

在这里插入图片描述 2. 箱型图可以通过参数 color 进行着色

color是dict类型，包含的键分别是 boxes, whiskers, medians and caps

color = { "boxes": "DarkGreen", "whiskers": "DarkOrange", "medians": "DarkBlue", "caps": "Gray", } df.plot.box(color=color, sym="r+")

在这里插入图片描述 3. 可以使用参数 vert=False，指定水平方向显示，默认为True表示垂直显示

df.plot.box(vert=False)

在这里插入图片描述

4. 可以使用boxplot()方法，绘制带有网格的箱型图

df = pd.DataFrame(np.random.rand(10, 5)) bp = df.boxplot()

在这里插入图片描述 5. 可以使用参数 by 指定关键字来绘制分组箱型图

df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"]) df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"]) bp = df.boxplot(by="X")

在这里插入图片描述 6. 可以使用多个列进行分组

df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"]) df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"]) df["Y"] = pd.Series(["A", "B", "A", "B", "A", "B", "A", "B", "A", "B"]) bp = df.boxplot(column=["Col1", "Col2"], by=["X", "Y"])

在这里插入图片描述

2.5 区域图 area

默认情况下，区域图为堆叠。要生成区域图，每列必须全部为正值或全部为负值。

1. 基本使用

df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"]) df.plot.area()

在这里插入图片描述

2.6 散点图 scatter

散点图需要x和y轴的数字列。这些可以由x和y关键字指定。

1. 基本使用

df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"]) df["species"] = pd.Categorical( ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10 ) df.plot.scatter(x="a", y="b")

在这里插入图片描述 2. 可以使用参数 ax 和 label 设置多组数据

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)

在这里插入图片描述 3. 使用参数 c 可以作为列的名称来为每个点提供颜色，参数s可以指定散点大小

df.plot.scatter(x="a", y="b", c="c", s=50)

在这里插入图片描述 4. 如果将一个分类列传递给c，那么将产生一个离散的颜色条

df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50)

在这里插入图片描述 5. 可以使用DataFrame的一列值作为散点的大小

df.plot.scatter(x="a", y="b", s=df["c"] * 200)

在这里插入图片描述

2.7 蜂巢图 hexbin

如果数据过于密集而无法单独绘制每个点，则蜂巢图可能是散点图的有用替代方法。

df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"]) df["b"] = df["b"] + np.arange(1000) df.plot.hexbin(x="a", y="b", gridsize=25)

在这里插入图片描述

2.8 饼型图 pie

如果您的数据包含任何NaN，则它们将自动填充为0。如果数据中有任何负数，则会引发ValueError

1. 基本使用

series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series") series.plot.pie(figsize=(6, 6))

在这里插入图片描述 2. 如果指定subplot =True，则将每个列的饼图绘制为子图。默认情况下，每个饼图中都会绘制一个图例; 指定legend=False隐藏它。

df = pd.DataFrame( 3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"] ) df.plot.pie(subplots=True, figsize=(8, 4))

在这里插入图片描述 3. autopct 显示所占总数的百分比

series.plot.pie( labels=["AA", "BB", "CC", "DD"], colors=["r", "g", "b", "c"], autopct="%.2f", fontsize=20, figsize=(6, 6), )

在这里插入图片描述

三、其他格式 3.1 设置显示中文标题 df = pd.DataFrame(np.random.rand(5, 3), columns=["a", "b", "c"]) df.plot.bar(title='中文标题测试',rot=0) # 默认不支持中文 ---修改RC参数，指定字体 plt.rcParams['font.sans-serif'] = 'SimHei'

在这里插入图片描述

3.2 设置坐标轴显示负号 df3 = pd.DataFrame( { "a": np.random.randn(1000) + 1, "b": np.random.randn(1000), "c": np.random.randn(1000) - 1, }, columns=["a", "b", "c"], ) df3.plot.hist(alpha=0.5) # 设置坐标轴显示负号 plt.rcParams['axes.unicode_minus']=False

在这里插入图片描述

3.3 使用误差线 yerr 进行绘图

示例1：使用与原始数据的标准偏绘制组均值

ix3 = pd.MultiIndex.from_arrays([['a', 'a', 'a', 'a', 'b', 'b', 'b', 'b'], ['foo', 'foo', 'bar', 'bar', 'foo', 'foo', 'bar', 'bar']], names=['letter', 'word']) df3 = pd.DataFrame({'data1': [3, 2, 4, 3, 2, 4, 3, 2], 'data2': [6, 5, 7, 5, 4, 5, 6, 5]}, index=ix3) # 分组 gp3 = df3.groupby(level=('letter', 'word')) means = gp3.mean() errors = gp3.std() means.plot.bar(yerr=errors,rot=0)

在这里插入图片描述示例2：使用非对称误差线绘制最小/最大范围

mins = gp3.min() maxs = gp3.max() errors = [[means[c] - mins[c], maxs[c] - means[c]] for c in df3.columns] means.plot.bar(yerr=errors,capsize=4, rot=0)

在这里插入图片描述

3.4 使用 layout 将目标分成多个子图 df = pd.DataFrame(np.random.randn(1000, 4), index=pd.date_range("1/1/2000", periods=1000), columns=list("ABCD")) df = df.cumsum() df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False)

在这里插入图片描述

3.5 使用 table 绘制表，上图下表

使用 table=True，绘制表格。图下添加表

fig, ax = plt.subplots(1, 1, figsize=(7, 6.5)) df = pd.DataFrame(np.random.rand(5, 3), columns=["a", "b", "c"]) ax.xaxis.tick_top() # 在上方展示x轴 df.plot(table=True, ax=ax)

在这里插入图片描述

3.6 使用 colormap 设置图的区域颜色

在绘制大量列时，一个潜在的问题是，由于默认颜色的重复，很难区分某些序列。为了解决这个问题，DataFrame绘图支持使用colormap参数，该参数接受Matplotlib的colormap或一个字符串，该字符串是在Matplotlib中注册的一个colormap的名称。在这里可以看到默认matplotlib颜色映射的可视化。

df = pd.DataFrame(np.random.randn(1000, 10), index=pd.date_range("1/1/2000", periods=1000)) df = df.cumsum() df.plot(colormap="cubehelix")

在这里插入图片描述

参考文章：https://blog.csdn.net/h_hxx/article/details/90635650

【本文地址】

公司简介

联系我们