这篇教程一篇文章让你快速掌握Pandas可视化图表写得很实用，希望能帮到您。
前言今天简单介绍一下Pandas可视化图表的一些操作，Pandas其实提供了一个绘图方法plot()，可以很方便的将Series和Dataframe类型数据直接进行数据可视化。
1. 概述这里我们引入需要用到的库，并做一些基础设置。 import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 设置 可视化风格plt.style.use('tableau-colorblind10') # 以下代码从全局设置字体为SimHei（黑体），解决显示中文问题【Windows】plt.rcParams['font.sans-serif'] = ['SimHei']# 解决中文字体下坐标轴负数的负号显示问题plt.rcParams['axes.unicode_minus'] = False plot方法默认是折线图，而它还支持以下几类图表类型： ‘line' : 折线图 (default) ‘bar' : 柱状图 ‘barh' : 条形图 ‘hist' : 直方图 ‘box' : 箱型图 ‘kde' : 密度图 ‘density' : 同密度图 ‘area' : 面积图 ‘pie' : 饼图 ‘scatter' : 散点图 (DataFrame only) ‘hexbin' : 六边形箱体图 (DataFrame only)
# 随机种子np.random.seed(1)ts = pd.Series(np.random.randn(100), index=pd.date_range("1/1/2020", periods=100))ts = ts.cumsum()ts.plot()
2. 图表元素设置图表元素设置主要是指 数据源选择、图大小、标题、坐标轴文字、图例、网格线、图颜色、字体大小、线条样式、色系、多子图、图形叠加与绘图引擎等等。 数据源选择 这里是指坐标轴的x、y轴数据，对于Series类型数据来说其索引就是x轴，y轴则是具体的值；对于Dataframe类型数据来说，其索引同样是x轴的值，y轴默认为全部，不过可以进行指定选择。 # 随机种子np.random.seed(1)df = pd.DataFrame(np.random.randn(100, 4), index=ts.index, columns=list("ABCD"))df = df.cumsum()df.head()
对于案例数据，直接绘图效果如下（显示全部列） df.plot()
我们可以指定数据源，比如指定列A的数据 df.plot(y='A')
我们还可以指定x轴和多列为y，我这里先构建一列X，然后进行数据源选取 df["X"] = list(range(len(df)))df.head() 
选择X列为x轴，B、C列为y轴数据 # 指定多个Ydf.plot(x='X',y=['B','C']) 
图大小 通过参数figsize传入一个元组，指定图的长宽（英寸） 注意：以下我们以柱状图为例做演示 np.random.seed(1)df = pd.DataFrame(np.random.rand(10, 3), columns=["a", "b", "c"])df.head() 
# 图像大小df.plot.bar(figsize=(10,5)) 
除了在绘图时定义图像大小外，我们还可以通过matplotlib的全局参数设置图像大小 plt.rcParams['figure.figsize'] = (10,5) 标题 通过参数title设置图表标题，需要注意的是如果想要显示中文，需要提前设置相关字体参数，参考此前推文《》 # 标题df.plot.bar(title='标题',) 
图例 通过参数legend可以设置图例，默认是显示图例的，可以不显示或者显示的图例顺序倒序 # 图例不显示df.plot.bar(legend=False) 
# 图例倒序df.plot.bar(legend='reverse') 
坐标轴文字 细心的朋友可能会发现，在上图中x轴标签数字显示是躺着的，怎么坐起来呢？ 那么可以通过参数rot设置文字的角度 # x轴标签旋转角度df.plot.bar(rot=0) 
网格线 默认情况下图表是不显示网格线的，我们可以通过参数grid来设置其显隐 # 网格线df.plot.bar(grid=True) 
图颜色 通过color参数可以设定填充颜色，edgecolor可以设置边框颜色 # 指定颜色df.plot.bar(color=['red','orange','yellow'], edgecolor='grey') 
字体大小 通过fontsize可以设置字体大小 # 字体大小df.plot.bar(fontsize=20) 
线条样式 对于折线图来说，还可以设置线条样式style df.plot(style = ['.-','--','*-'] # 圆点、虚线、星星 ) 
色系 通过colormap参数可以指定色系，色系选择可以参考matplotlib库的色系表 # 指定色系x = df.plot.bar(colormap='rainbow') 
多子图 通过subplots参数决定是否以多子图形式输出显示图表 # 多子图x = df.plot.line(title ='多子图', fontsize =16, subplots =True, # 分列 style = ['.-','--','*-','^-'] # 圆点、虚线、星星 ) 
图像叠加 不同的图表类型组合在一起 df.a.plot.bar()df.b.plot(color='r') 
绘图引擎 通过backend可以指定不同的绘图引擎，目前默认是matplotlib，还支持bokeh、plotly、Altair等等。当然，在使用新的引擎前需要先安装对应的库。 # 绘图引擎import pandas_bokehpandas_bokeh.output_notebook()df.plot.bar(backend='pandas_bokeh') 
# 绘图引擎 plotlydf.plot.bar(backend='plotly', barmode='group', height=500, # 图表高度 width=800, # 图表宽度 ) 
3. 常见图表类型在介绍完图表元素设置后，我们演示一下常见的几种图表类型。 柱状图 柱状图主要用于数据的对比，通过柱形的高低来表达数据的大小。 （这里不做展示，前面案例中有） 此外我们还可以绘制堆叠柱状图，通过设置参数stacked来搞定 # 堆叠柱状图df.plot.bar(stacked=True) 
柱状图多子图 # 柱状图多子图df.plot.bar(subplots=True, rot=0) 
条形图 条形图和柱状图其实差不多，条形图就是柱状图的横向展示 # 条形图barhdf.plot.barh(figsize=(6,8)) 
堆叠条形图 # 堆叠条形图df.plot.barh(stacked=True) 
直方图 直方图又称为质量分布图，主要用于描述数据在不同区间内的分布情况，描述的数据量一般比较大。 # 直方图np.random.seed(1)df = pd.DataFrame( { "a": np.random.randn(1000) + 1, "b": np.random.randn(1000), "c": np.random.randn(1000) - 1, }, columns=["a", "b", "c"],)df.head()
df.plot.hist(alpha=0.5) # alpha设置透明度 
单直方图 
堆叠并指定分箱数（默认为 10） # 堆叠并指定分箱数（默认为 10）df.plot.hist(stacked=True, bins=20) 
横向展示 # 可以通过orientation='horizontal'和 cumulative=True 绘制横向和累积直方图df["a"].plot.hist(orientation="horizontal", cumulative=True) 
多子图展示 # 绘制多子图df.hist(color="k", alpha=0.5, bins=50) 
单个直方图（自定义分箱+透明度） # 以下2种方式效果一致df.hist('a', bins = 20, alpha=0.5)# df.a.hist(bins = 20, alpha=0.5)
分组 # by 分组np.random.seed(1)data = pd.Series(np.random.randn(1000))data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4)) 
箱线图 箱线图又称盒须图、箱型图等，用于显示一组数据分布情况的统计图。 np.random.seed(1)df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])df.head() 
指定元素颜色 # 指定元素颜色color = { "boxes": "Green", # 箱体颜色 "whiskers": "Orange", # 连线颜色 "medians": "Blue", # 中位数颜色 "caps": "Gray", # 极值颜色}df.boxplot(color=color, sym="r+")
横向展示 df.boxplot(vert=False, positions=[1, 4, 5, 6, 8]) 
面积图 面积图又称区域图，是将折线图与坐标轴之间的区域使用颜色填充，填充颜色可以很好地突出趋势信息，一般颜色带有透明度会更合适于观察不同序列之间的重叠关系。 np.random.seed(1)df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])df.head() 
默认情况下，面积图是堆叠的 
单个面积图 
取消堆叠 # 取消堆叠df.plot.area(stacked=False) 
散点图 散点图就是将数据点展示在直角坐标系上，可以很好地反应变量之间的相互影响程度 np.random.seed(1)df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])df["species"] = pd.Categorical( ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10)df.head() 
指定一组数据 df.plot.scatter(x="a", y="b") 
多组数据并用不同颜色标注 ax = df.plot.scatter(x="a", y="b", color="Blue", label="Group 1")df.plot.scatter(x="c", y="d", color="red", label="Group 2", ax=ax) 
一组数据，x/y及z，其中x/y表示位置、z的值用于颜色区分 df.plot.scatter(x="a", y="b", c="c", s=50) # 参数s代表散点大小 
一组数据，然后分类并用不同颜色（色系下）表示 df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50) 
气泡图 df.plot.scatter(x="a", y="b", color="red", s=df["c"] * 200) 
饼图 饼图主要用于不同分类的数据占总体的比例情况 np.random.seed(8)series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series")series 
series.plot.pie(figsize=(6, 6), fontsize=20) 
多子图展示 np.random.seed(8)df = pd.DataFrame( 3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"] )df 
df.plot.pie(subplots=True, figsize=(8, 4), fontsize=16) 
指定显示样式 series.plot.pie( labels=["AA", "BB", "CC", "DD"], # 标签 colors=["r", "g", "b", "c"], # 指定颜色 autopct="%.2f", # 数字格式（百分比） fontsize=20, figsize=(6, 6), ) 
如果数据总和小于1，可以绘制扇形 series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2")series.plot.pie(figsize=(6, 6), normalize=False) 
4. 其他图表类型在常见图表中，有密度图和六边形箱型图 绘制过程报错，暂时没有解决（本机环境：pandas1.3.1） 本节主要介绍散点矩形图、安德鲁曲线等，更多资料大家可以查阅官方文档了解 https://pandas.pydata.org/pandas-docs/stable/user_guide/visualization.html
散点矩形图 from pandas.plotting import scatter_matrixdf = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal="kde") 
安德鲁曲线 from pandas.plotting import andrews_curvesdata = pd.read_csv("iris.csv")andrews_curves(data, "Name")
总结到此这篇关于Pandas可视化图表的文章就介绍到这了,更多相关Pandas可视化图表内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！
让你一文弄懂Pandas文本数据处理
python获取全国最新省市区数据并存入表实例代码 |
