本文的文字及图片来源于网络,仅供学习 、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。

以下文章一级AI入门学习 ，作者小伍哥

刚接触Python的新手 、小白 ，可以复制下面的链接去免费观看Python的基础入门教学视频

https://v.douyu.com/author/y6AZ4jn9jwKW

一 ，可视化概述

在Python中
，常见的数据可视化库有3个：

matplotlib：最常用的库，可以算作可视化的必备技能库 ，比较复杂
，api多，学起来不太容易 。

seaborn：是重构于matplotlib基础上 ，可以满足可视化需求
，更特殊的需求还是需要学习matplotlib 。

pyecharts：上面的两个库都是静态的可视化库，而pyecharts有很好的网络兼容性 ，可以做到可视化的动态效果
。并且种类也比较丰富。这类这个图
，就非常厉害：画图神器pyecharts-旭日图

Pandas：而今天要讲的是Pandas的可视化，Pandas主要作为数据分析的库 ，虽然没有上述三个库那个强大
，但是胜在方便，在数据分析的过程中 ，只要一行代码就能实现 。也非常漂亮
。

二 ，直接看案例

熊猫中
，有11个比较常见的图形可视化，还有几个比较进阶的 ，我们一个一个看看怎么画的

import pandas as pd
import numpy  as np
df= pd.DataFrame(np.random.rand(10, 4), columns=['A','B','C','D'])

01
，柱状图-初步

df.plot.bar()

 

stack = True，画堆叠柱状图

df.plot.bar(stacked=True)

 

02 ，柱状图-横向

df.plot.barh()

 

同样
，stacked = True，画堆叠柱状图

df.plot.barh(stacked=True)

 

03 ，面积图

df.plot.area(alpha = 0.9)

 

df.plot.area(stacked=True,alpha = 0.9)

 

04
，密度图-kde

df.plot.kde()

 

05，密度图-density

df.plot.density()

 

06 ，直方图

换个数据集

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.plot.hist(bins=200)

 

df.plot.hist(stacked=True, bins=20)

 

df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D'])
df.diff().hist(color='k', alpha=0.7, bins=50)

 

07
，箱盒图

df= pd.DataFrame(np.random.rand(100, 4), columns=['A','B','C','D'])
df.plot.box()

 

vert = False也可以换成横向

df.plot.box(vert=False)

 

08，散点图

df.plot.scatter(x='A',y='B')

 

09 ，蜂巢图

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)

 

07 ，饼图

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

 

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

 

08
，矩阵散点图

from pandas.plotting import scatter_matrix
df = pd.DataFrame(np.random.randn(1000, 4), columns=['a', 'b', 'c', 'd'])
scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal='kde')

 

09，安德鲁斯曲线

data = pd.read_csv('C:/Users/wuzhengxiang/Desktop/iris.csv')
pd.plotting.andrews_curves(data , 'Name')

 

andrews_curves(data, 'Name', colormap='winter')

 

10 ，平行坐标图该图也是使用自己加载的iris数据集

from pandas.plotting import parallel_coordinates
parallel_coordinates(data, 'Name', colormap='gist_rainbow')

 

11
，滞后图

from pandas.plotting import lag_plot
df= pd.Series(0.1 * np.random.rand(1000) +
        0.9 * np.sin(np.linspace(-99 * np.pi, 99 * np.pi, num=1000)))
lag_plot(df)

 

12，最大值函数图

直接画图 ，预设为折线图

df= pd.DataFrame(np.random.rand(12, 4), columns=['A','B','C','D'])
df.plot()

 

df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))

 

df= pd.DataFrame(np.random.rand(1000, 4), columns=['A','B','C','D'])
df.plot()

 

df.plot(subplots=True,layout=(2, 2), figsize=(15, 8))

 

13
，bootstrap_plot

s = pd.Series(np.random.uniform(size=100))
pd.plotting.bootstrap_plot(s)

 

三，参数详解

1 ，官方文档

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html
https://pandas.pydata.org/pandas-docs/version/0.18.1/visualization.html

2
，参数介绍

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)

注意：每种绘图类型都有相对应的方法：df.plot（kind = 'line' ）与df.plot.line（）等价

x：标签或位置，默认为None＃指数据列的标签或位置参数

y：标签 ，位置或标签列表
，位置，默认值无

种类：str＃绘图类型

'line'：线图（默认）＃折线图

'bar'：垂直条形图。条形图 。stacked为True时为堆叠的柱状图

'barh'：水平条形图

'hist'：histogram＃直方图（数值频率分布）

'box'：boxplot＃箱型图

'kde'：内核密度估计图＃密度图 ，主要对柱状图添加内核概率密度线

'密度'：与'kde'相同

'area'：area plot＃与x轴所围的区域图（面积图）
。Stacked= True时 ，每列必须全部为正或负值
，stacked = False时，对数据没有要求

'pie'：pie plot＃饼图。数值必须为正值 ，需指定Y轴或者subplots = True

'scatter'：散点图＃散点图 。需指定X轴Y轴

'hexbin'：hexbin图＃蜂巢图
。需指定X轴Y轴

'hexbin'：hexbin图＃蜂巢图。需指定X轴Y轴

ax：matplotlib轴对象
，默认值None＃**子图（axes，也可以理解成坐标轴）要在其上进行交易的matplotlib子图对象 。如果没有设置 ，则使用当前matplotlib子图**其中
，变量和函数通过改变figure和axes中的元素（例如：title，label ，点和线等等）一起描述figure和axes
，也就是在画布上绘图
。

子图：布尔值，默认为False＃是否对列分别作子图

sharex：布尔值 ，默认值为true
，如果ax为None False＃如果ax为None，则设为为True ，否则为False

如果subplots = True ，则共享x轴并将一些x轴标签设置为不可见；如果ax为None则默认为True
，否则为False。请注意，同时传递ax和sharex = True将更改图形中所有轴的所有x轴标签！

sharey：布尔值 ，默认为False＃如果有子图
，子图共y轴刻度，标签

如果subplots = True ，则共享y轴并将一些y轴标签设置为不可见

layout：用于子图的元组（行
，列）＃子图的行列布局

figsize：以英寸为单位的元组（宽度，高度）

use_index：布尔值 ，默认为True

title：字符串＃图片的标题用字符串

地块标题

grid：布尔值
，默认值None＃图片是否有网格

legend：False / True /'reverse'＃子图的图例（交替为True）

样式：列表或字典＃对每列折线图设置线的类型

logx：布尔值，默认为False 。

类型：布尔值 ，默认为False

loglog：布尔值
，默认为False＃同时设置x，y轴刻度是否取对数

xticks：sequence＃设置x轴刻度值 ，序列形式（某些列表）

yticks：sequence＃设置y轴刻度 ，序列形式（几种列表）

xlim：float / 2-tuple / list＃设置坐标轴的范围 。数值（变量）
，列表或元组（区间范围）

ylim：浮点数/ 2元组/列表

rot：int，默认值None＃设置轴标签（轴刻度）的显示旋转度数

fontsize：int ，默认值None＃设置轴刻度的字体大小

colormap：str或matplotlib colormap对象
，默认值为None
。

colorbar：布尔值，可选＃柱子颜色

如果为True ，则绘制颜色条（仅与“散布 ”图和“六边形 ”图有关）

position：float＃条形图的对齐方式
，取值范围[0,1]，即左下端到右上端替换0.5（中间对齐）

layout：tuple（可选）＃布局。layout=（2 ，3）两行三列
，layout =（2，-1）两行自适应列数

例如 。df.plot（subplots = True ，layout =（2
，-1），sharex = False）

table：布尔值 ，Series或DataFrame ，默认为False＃图下添加表
。如果为True
，则使用DataFrame中的数据图表，并且数据将被旋转放置到matplotlib的布局。 。

yer：DataFrame ，Series
，类数组，dict和str

有关详细信息 ，请参见使用误差线绘图
。

xerr：与yerr相同的类型。

堆叠：布尔值
，线形图和条形图默认为False，面积图为True 。如果为True ，则创建堆积图
。＃前面有介绍

sort_columns：布尔值
，默认值为False。

secondary_y：布尔值或序列，默认为False＃设置第二个y轴（右辅助y轴）

是否在次要y轴上绘制如果是 列表/元组 ，则在次要y轴上绘制哪些列

mark_right：布尔值
，默认为True