Pandas 内置的十种画图方法

目录

•  前言
• 画图类型
• 面积图（area）
• 条形图（bar）
• 水平条形图（barh）
• 箱线图（boxplot）
• 密度图（density）
• 六边形图（hexbin）
• 直方图（hist）
• 折线图（line）
• 饼图（pie）
• 散点图（scatter）

 前言

Pandas是非常常见的数据分析工具，我们一般都会处理好处理数据然后使用searbon或matplotlib来进行绘制。但在Pandas内部就已经集成了matplotlib，本文将展示Pandas内部的画图方法。

画图类型

在Pandas中内置的画图方法如下几类，基本上都是常见的画图方法。每种方法底层也是使用的matplotlib。

line : line plot (default)

bar : vertical bar plot

barh : horizontal bar plot

hist : histogram

box : boxplot

density/kde : Density Estimation

area : area plot

pie : pie plot

scatter : scatter plot

hexbin : hexbin plot

在进行画图时我们有两种调用方法：

df = pd.DataFrame({
    \'sales\': [3, 3, 3, 9, 10, 6],
    \'signups\': [4, 5, 6, 10, 12, 13],
    \'visits\': [20, 42, 28, 62, 81, 50],
}, index=pd.date_range(start=\'2018/01/01\', end=\'2018/07/01\', freq=\'M\'))
 
# 方法1，这种方法是高层API，需要制定kind
df.plot(kind=\'area\')
 
# 方法2，这种方法是底层API
df.plot.area()

面积图（area）

面积图直观地显示定量数据下面的区域面积，该函数包装了 matplotlib 的area函数。

# 默认为面积堆叠
df.plot(kind=\'area\')

# 设置面积不堆叠
df.plot.area(stacked=False)

# 手动指定坐标轴
df.plot.area(y=\'sales\', x=\'signups\')

条形图（bar）

条形图是一种用矩形条显示分类数据的图，矩形条的长度与它们所代表的值成比例。条形图显示离散类别之间的比较。图的一个轴显示比较的特定类别，另一个轴表示测量值。

df = pd.DataFrame({\'lab\':[\'A\', \'B\', \'C\'], \'val\':[10, 30, 20]})
# 手动设置坐标轴
ax = df.plot.bar(x=\'lab\', y=\'val\', rot=0)

# 并排绘制
df.plot.bar(rot=0)

# 堆叠绘制
df.plot.bar(stacked=True)

# 分图绘制
axes = df.plot.bar(rot=0, subplots=True)
axes[0].legend(loc=2)
axes[1].legend(loc=2)  

水平条形图（barh）

水平条形图是用矩形条形表示定量数据的图表，矩形条形的长度与它们所代表的值成正比。条形图显示离散类别之间的比较。

# 并排绘制
df.plot.barh(rot=0)

# 堆叠绘制
df.plot.barh(stacked=True)

箱线图（boxplot）

箱线图是一种通过四分位数以图形方式描绘数值数据组的方法。该框从数据的 Q1 到 Q3 四分位值延伸，在中位数 (Q2) 处有一条线。

age_list = [8, 10, 12, 14, 72, 74, 76, 78, 20, 25, 30, 35, 60, 85]
df = pd.DataFrame({\"gender\": list(\"MMMMMMMMFFFFFF\"), \"age\": age_list})
ax = df.plot.box(column=\"age\", by=\"gender\", figsize=(10, 8))

密度图（density）

核密度估计 (KDE) 是一种估计随机变量的概率密度函数 (PDF) 的非参数方法。

s = pd.Series([1, 2, 2.5, 3, 3.5, 4, 5])
ax = s.plot.kde()

df = pd.DataFrame({
    \'x\': [1, 2, 2.5, 3, 3.5, 4, 5],
    \'y\': [4, 4, 4.5, 5, 5.5, 6, 6],
})
ax = df.plot.kde()

六边形图（hexbin）

和热力图类似，具体的颜色按照密度来进行展示。但形状使用六边形图代替。

n = 10000
df = pd.DataFrame({\'x\': np.random.randn(n),
                   \'y\': np.random.randn(n)})
ax = df.plot.hexbin(x=\'x\', y=\'y\', gridsize=20)

直方图（hist）

df = pd.DataFrame(
    np.random.randint(1, 7, 6000),
    columns = [\'one\'])
df[\'two\'] = df[\'one\'] + np.random.randint(1, 7, 6000)
ax = df.plot.hist(bins=12, alpha=0.5)

折线图（line）

s = pd.Series([1, 3, 2])
s.plot.line()

df = pd.DataFrame({
   \'pig\': [20, 18, 489, 675, 1776],
   \'horse\': [4, 25, 281, 600, 1900]
   }, index=[1990, 1997, 2003, 2009, 2014])
 
lines = df.plot.line()

饼图（pie）

df = pd.DataFrame({\'mass\': [0.330, 4.87 , 5.97],
                   \'radius\': [2439.7, 6051.8, 6378.1]},
                  index=[\'Mercury\', \'Venus\', \'Earth\'])
 
plot = df.plot.pie(y=\'mass\', figsize=(5, 5))

# 默认使用index进行分组
df.plot.pie(subplots=True, figsize=(11, 6))

散点图（scatter）

df = pd.DataFrame([[5.1, 3.5, 0], [4.9, 3.0, 0], [7.0, 3.2, 1],
                   [6.4, 3.2, 1], [5.9, 3.0, 2]],
                  columns=[\'length\', \'width\', \'species\'])
 
ax1 = df.plot.scatter(x=\'length\',y=\'width\', c=\'DarkBlue\')