Pandas可视化详解 | 轻松玩转Pandas（12）
教你学会 Pandas 不是我的目的，教你轻松玩转 Pandas 才是我的目的。我会通过一系列实例来带入 Pandas 的知识点，让你在学习 Pandas 的路上不再枯燥。 声明：我所写的轻松玩转 Pandas 教程都是免费的，如果对你有帮助，你可以持续关注我。
数据分析的结果不仅仅只是你来看的，更多的时候是给需求方或者老板来看的，为了更直观地看出结果，数据可视化是必不可少的一个环节。这里带大家来看下一些常用的图形的画法。
# 导入相关库
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
# matplotlib.style.use("ggplot")
%matplotlib inline
np.random.seed(100)Pandas 的数据可视化的实现底层依赖于 matplotlib，所以画图时很多基础知识需要涉及到 matplotlib。画图其实就是跟各种数字打交道，这里我们先给伪造一些数据。
df = pd.DataFrame(np.random.randint(-10, 10, (10, 3)), index=pd.date_range("1/1/2000", periods=10), columns=list("ABC"))
df = df.cumsum()
df.head()A | B | C | |
|---|---|---|---|
2000-01-01 | -2 | -7 | -3 |
2000-01-02 | 3 | -1 | -3 |
2000-01-03 | -5 | -9 | -11 |
2000-01-04 | -1 | -17 | -4 |
2000-01-05 | 5 | -12 | -10 |
折线图
生成数据之后，我们看下如何进行画图。其实非常简单的，调用 plot 方法就可以看到画图的结果了。
默认情况下参数 kind="line" 表示图的类型为折线图。通过折线图可以看出数据随着某个变量的变化趋势。
df.plot()<matplotlib.axes._subplots.AxesSubplot at 0x1c570c8e400>
可以看看到，默认情况下，plot 会将索引作为 x 轴，列作为 y 轴，然后画出 line 图。但是有时候，我们需要自己指定 x 轴和 y 轴，这可如何是好呢？
别怕，Pandas 非常方便的为我们提供了参数 x 和 y。
df.plot(x="A", y="C")<matplotlib.axes._subplots.AxesSubplot at 0x1c572cc7a58>
柱状图
通过柱状图可以对比多个值的差别。如果想要画出柱状图，可以将参数 kind 设置为 bar 或者 barh。
df.plot(kind="bar")<matplotlib.axes._subplots.AxesSubplot at 0x1c572cc7048>
可以看到，设置 kind="bar" 之后，图形以索引为 x 轴， 列为 y 轴。
df.plot(kind="barh")<matplotlib.axes._subplots.AxesSubplot at 0x1c570a20470>
可以看到，设置 kind="barh" 之后，图形以列为 x 轴， 索引为 y 轴。同样我们也可以自己指定 x 轴和 y 轴。
df.plot(kind="bar", x="A", y=["B", "C"])<matplotlib.axes._subplots.AxesSubplot at 0x1c573f55748>
此外，如果想要生成堆叠条形图的haunted，可以设置参数 stacked=True。
df.plot(kind="bar", stacked=True)<matplotlib.axes._subplots.AxesSubplot at 0x1c573f13630>
直方图
直方图是一种展示数据频数/率的特殊的柱状图。如果想要画出直方图，可以将参数 kind 设置为 hist。
df.plot(kind="hist")<matplotlib.axes._subplots.AxesSubplot at 0x1c573f0a4a8>
可以通过设置参数 bins 来改变 bin 的大小。
df.plot(kind="hist", bins=5)<matplotlib.axes._subplots.AxesSubplot at 0x1c57407e710>
箱线图
通过箱线图可以展示出分位数，具体包括上四分位数、下四分位数、中位数以及上下5%的极值。如果想要画出箱线图，可以将参数 kind 设置为 box。
df.plot(kind="box")<matplotlib.axes._subplots.AxesSubplot at 0x1c5740d4748>
区域图
如果想要画出区域图，可以将参数 kind 设置为 area。
默认情况下，区域图是堆积的，要生成堆积的区域图图，每列必须全部为正值或全为负值。
df.abs().plot(kind="area")<matplotlib.axes._subplots.AxesSubplot at 0x1c574172c50>
想要生成不堆积的区域图，设置参数 stacked=False 即可。
df.plot(kind="area", stacked=False)<matplotlib.axes._subplots.AxesSubplot at 0x1c574186cf8>
散点图
如果想要画出散点图，可以将参数 kind 设置为 scatter，同时需要指定 x 和 y。
通过散点图可以探索变量之间的关系。
df.plot(kind="scatter", x="A", y="B")<matplotlib.axes._subplots.AxesSubplot at 0x1c574186f98>
可以设置参数 c 作为列的名称以为每个点提供颜色。
df.plot(kind="scatter", x="A", y="B", c="C")<matplotlib.axes._subplots.AxesSubplot at 0x1c57422fe10>
如果想要在单个轴上绘制多个列组，需要指定 ax。
ax = df.plot(kind="scatter", x="A", y="B", color="blue")
df.plot(kind="scatter", x="C", y="B", color="green", ax=ax)<matplotlib.axes._subplots.AxesSubplot at 0x1c574293c50>
饼图
如果想要画出饼图，可以将参数 kind 设置为 scatter。
a = df.A[:5]
a.abs().plot.pie(subplots=True, figsize=(4, 4))array([<matplotlib.axes._subplots.AxesSubplot object at 0x000001C5741E3630>],
dtype=object)
如果想要自动计算出比例，可以设置参数 autopct。
a.abs().plot.pie(subplots=True, figsize=(4, 4), autopct="%.2f")array([<matplotlib.axes._subplots.AxesSubplot object at 0x000001C57531D358>],
dtype=object)
六边形容器图
在绘制散点图时，如果数据过于密集，则无法单独绘制出每个点，这时候可以考虑 Hexbin 图。
df = pd.DataFrame(np.random.randn(1000, 2), columns=["A", "B"])
df["B"] = df["B"] + np.arange(1000)
df.plot(kind="hexbin", x="A", y="B", gridsize=10)<matplotlib.axes._subplots.AxesSubplot at 0x1c5753663c8>
其中，左边坐标表示的是值的分布，右边坐标表示的是数据量大小与颜色的对比。
一个有用的关键字参数是 gridsize ; 它控制x方向的六边形数量，并且默认为100.较大的格栅意味着更多的较小的分区。
df.plot(kind="hexbin", x="A", y="B", gridsize=20)<matplotlib.axes._subplots.AxesSubplot at 0x1c5753c9438>