歡迎關注“勇敢AI”公眾號，更多python學習、資料分析、機器學習、深度學習原創文章與大家分享，還有更多電子資源、教程、資料集下載。勇敢AI，一個專注於人工智慧AI的公眾號。

==================================================================================

一、pandas繪圖

前面講過matplotlib的相關教程，matplotlib雖然功能強大，但是matplotlib相對而言較為底層，畫圖時步驟較為繁瑣，比較麻煩，因為要畫一張完整的圖表，需要實現很多的基本元件，比如影象型別、刻度、標題、圖例、註解等等。目前有很多的開源框架所實現的繪圖功能是基於matplotlib的，pandas便是其中之一，對於pandas資料，直接使用pandas本身實現的繪圖方法比matplotlib更加方便簡單。

二、pandas繪圖的基本介面

pandas的兩類基本資料結構series和dataframe都提供了一個統一的介面plot()，該函式的定義如下所示：我們經常看見這樣的操作方式，比如 df.plot()或者是series.plot()當我們檢視該函式的定義的時候卻查不到，這是為什麼呢？plot的本質又是什麼呢？

1、對於Series物件而言：

plot = CachedAccessor("plot", gfx.SeriesPlotMethods)

plot本質上是一個SeriesPlotMethods型別的一個物件，而為什麼可以直接呼叫plot（）呢，是因為SeriesPlotMethods類實現了物件呼叫的方法__call__()，檢視定義可得：

class SeriesPlotMethods(BasePlotMethods):
    """Series plotting accessor and method

    Examples
    --------
    >>> s.plot.line()
    >>> s.plot.bar()
    >>> s.plot.hist()

    Plotting methods can also be accessed by calling the accessor as a method
    with the ``kind`` argument:
    ``s.plot(kind='line')`` is equivalent to ``s.plot.line()``
    """

    def __call__(self, kind='line', ax=None,
                 figsize=None, use_index=True, title=None, grid=None,
                 legend=False, style=None, logx=False, logy=False,
                 loglog=False, xticks=None, yticks=None,
                 xlim=None, ylim=None,
                 rot=None, fontsize=None, colormap=None, table=False,
                 yerr=None, xerr=None,
                 label=None, secondary_y=False, **kwds):
        return plot_series(self._data, kind=kind, ax=ax, figsize=figsize,
                           use_index=use_index, title=title, grid=grid,
                           legend=legend, style=style, logx=logx, logy=logy,
                           loglog=loglog, xticks=xticks, yticks=yticks,
                           xlim=xlim, ylim=ylim, rot=rot, fontsize=fontsize,
                           colormap=colormap, table=table, yerr=yerr,
                           xerr=xerr, label=label, secondary_y=secondary_y,
                           **kwds)
           --------


 

繪圖時函式的各個引數的解釋：

kind:畫圖的種類，可以是 line（預設），

ax:要在其上進行繪製的matplotlib.subplot物件，如果沒有，則使用預設的subplot物件。 

• ‘bar’ or ‘barh’ for bar plots,bar表示垂直柱狀圖，barh表示水平柱狀圖
• ‘hist’ for histogram
• ‘box’ for boxplot
• ‘kde’ or ‘density’ for density plots。即Kernel Density Estimate 和密度估計，常常與hist一起混合使用。
• ‘area’ for area plots
• ‘scatter’ for scatter plots
• ‘hexbin’ for hexagonal bin plots
• ‘pie’ for pie plots

figsize:影象尺寸

use_index:True(預設)，False。表示預設情況下，會將series和dataframe的index傳給matplotlib，用已繪製X軸。

title：標題

grid：網格

legend：圖例

style，繪圖的風格，如‘ko--’

logx:在X軸上使用對數標尺

logy: 在Y軸上使用對數標尺

loglog:

xticks=None,用做x刻度的值

yticks=None,用做Y軸刻度的值
xlim=None, X軸的界限如【0，10】

ylim=None,Y軸的界限
rot=None,  旋轉刻度標籤 0-360

fontsize=None,

colormap=None,

table=False,        

yerr=None, 

xerr=None,

label=None,

secondary_y=False, **kwds):

---------------------------------------------------------------------------------------------------------------------

下面幾個是DataFrame特有的

sharex: 共用X軸

sharey：

 總結：上面只是一些基本的影象引數設定，再具體繪製每一種圖形的時候，還有具體對應的相關設定，這裡就不一一列舉了，在實際的影象中遇到了在進行講解。

2、對於DataFrame資料結構而言：

plot = CachedAccessor("plot", gfx.FramePlotMethods)

plot本質上是一個FramePlotMethods型別的一個物件，而為什麼可以直接呼叫plot（）呢，是因為FramePlotMethods類實現了物件呼叫的方法__call__()，相關的定義和函式介面和上面的SeriesPlotMethods型別的定義大致差不多，這裡就不在敘述了。

總結：通過上面的原理解釋，現在明白了為什麼

s.plot(kind='line') 和s.plot.line()這兩者是等價的了，因為，前者的plot（）是作為物件呼叫的，本質上plot是一個物件，而line、bar等則是類所實現的方法，當然能夠通過plot物件去呼叫了。

總結：除了上面一些常見的基本圖形以外，dataframe還可以繪製如下一些圖形

These include:

• Scatter Matrix
• Andrews Curves
• Parallel Coordinates
• Lag Plot
• Autocorrelation Plot
• Bootstrap Plot
• RadViz

具體每一種的含義這裡先不討論。

三、pandas繪圖例項

1、bar條形圖

bar（）函式有一個重要的引數，stacked，預設為false，表示不堆積，設定為true則表示為堆積。

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


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

plt.show()

2、histogram

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


df4 = pd.DataFrame({'a': np.random.randn(1000) + 1, 'b': np.random.randn(1000),'c': np.random.randn(1000) - 1}, columns=['a', 'b', 'c'])
df4.plot.hist(alpha=0.5)


plt.show()

3、box繪圖

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


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

plt.show()

4、area繪圖

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


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

plt.show()

5、Hexagonal Bin Plot

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

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)

plt.show()

總結：熟練使用pandas繪圖在使用pandas進行資料分析的時候非常方便。

上面每一種繪圖方法對應有一系列的引數設定，但是通過轉到定義，並不能檢視到究竟有哪一些引數可以設定，只得到下面這一句話：

def bar(self, **kwds):

"""

Vertical bar plot

Parameters

----------

`**kwds` : optional

Additional keyword arguments are documented in

:meth:`pandas.Series.plot`.

故而詳細的引數列表究竟在哪裡我還沒找到，如果哪位大神世道在哪裡檢視每一種繪圖函式的詳細引數列表，望告知！