脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 脚本专栏 → python → Pandas生成可视化图表

Python数据分析:手把手教你用Pandas生成可视化图表的教程

 更新时间：2018年12月15日 12:21:20   作者：刺客五六柒  
今天小编就为大家分享一篇Python数据分析:手把手教你用Pandas生成可视化图表的教程，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

大家都知道，Matplotlib 是众多 Python 可视化包的鼻祖，也是Python最常用的标准可视化库，其功能非常强大，同时也非常复杂，想要搞明白并非易事。但自从Python进入3.0时代以后，pandas的使用变得更加普及，它的身影经常见于市场分析、爬虫、金融分析以及科学计算中。

作为数据分析工具的集大成者，pandas作者曾说，pandas中的可视化功能比plt更加简便和功能强大。实际上，如果是对图表细节有极高要求，那么建议大家使用matplotlib通过底层图表模块进行编码。当然，我们大部分人在工作中是不会有这样变态的要求的，所以一句import pandas as pd就足够应付全部的可视化工作了。

下面，我们总结一下PD库的一些使用方法和入门技巧。

一、线型图

对于pandas的内置数据类型，Series 和 DataFrame 都有一个用于生成各类 图表 的 plot 方法。 默认情况下， 它们所生成的是线型图。其实Series和DataFrame上的这个功能只是使用matplotlib库的plot()方法的简单包装实现。参考以下示例代码 -

import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.randn(10,4),index=pd.date_range('2018/12/18',
 periods=10), columns=list('ABCD'))
 
df.plot()

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

如果索引由日期组成，则调用gct().autofmt_xdate()来格式化x轴，如上图所示。

我们可以使用x和y关键字绘制一列与另一列。

s = Series( np. random. randn( 10). cumsum(), index= np. arange( 0, 100, 10))
s. plot()

Pandas生成可视化图表

pandas 的大部分绘图方法都有 一个 可选的ax参数， 它可以是一个 matplotlib 的 subplot 对象。 这使你能够在网格 布局 中 更为灵活地处理 subplot 的位置。 DataFrame的plot 方法会在 一个 subplot 中为各列绘制 一条 线， 并自动创建图例（ 如图所示）：

df = DataFrame( np. random. randn( 10, 4). cumsum( 0), ...: columns=[' A', 'B', 'C', 'D'], index= np. arange( 0, 100, 10)) 
 
df. plot()

Pandas生成可视化图表

二、柱状图

在生成线型图的代码中加上 kind=' bar'（ 垂直柱状图） 或 kind=' barh'（ 水平柱状图） 即可生成柱状图。 这时，Series 和 DataFrame 的索引将会被用 作 X（ bar） 或 （barh）刻度：

In [59]: fig, axes = plt. subplots( 2, 1) 
 
In [60]: data = Series( np. random. rand( 16), index= list(' abcdefghijklmnop')) 
 
In [61]: data. plot( kind=' bar', ax= axes[ 0], color=' k', alpha= 0. 7) 
 
Out[ 61]: < matplotlib. axes. AxesSubplot at 0x4ee7750> 
 
In [62]: data. plot( kind=' barh', ax= axes[ 1], color=' k', alpha= 0.

对于 DataFrame， 柱状 图 会 将 每一 行的 值 分为 一组， 如图 8- 16 所示：

In [63]: df = DataFrame( np. random. rand( 6, 4), ...: index=[' one', 'two', 'three', 'four', 'five', 'six'], ...: columns= pd. Index([' A', 'B', 'C', 'D'], name=' Genus')) 
 
In [64]: df 
 
Out[ 64]: 
 
Genus 
 
   A   B   C   D 
one 0. 301686 0. 156333 0. 371943 0. 270731 
two 0. 750589 0. 525587 0. 689429 0. 358974 
three 0. 381504 0. 667707 0. 473772 0. 632528 
four 0. 942408 0. 180186 0. 708284 0. 641783 
five 0. 840278 0. 909589 0. 010041 0. 653207 
six 0. 062854 0. 589813 0. 811318 0. 060217 
 
In [65]: df. plot( kind=' bar')

Pandas生成可视化图表

三、条形图

现在通过创建一个条形图来看看条形图是什么。条形图可以通过以下方式来创建 -

import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot.bar()

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

要生成一个堆积条形图，通过指定：pass stacked=True -

import pandas as pd
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
df.plot.bar(stacked=True)

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

要获得水平条形图，使用barh()方法 -

import pandas as pd
import numpy as np
 
df = pd.DataFrame(np.random.rand(10,4),columns=['a','b','c','d'])
 
df.plot.barh(stacked=True)

四、直方图

可以使用plot.hist()方法绘制直方图。我们可以指定bins的数量值。

import pandas as pd
import numpy as np
 
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=20)

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

要为每列绘制不同的直方图，请使用以下代码 -

import pandas as pd
import numpy as np
 
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.hist(bins=20)

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

五、箱型图

Boxplot可以绘制调用Series.box.plot()和DataFrame.box.plot()或DataFrame.boxplot()来可视化每列中值的分布。

例如，这里是一个箱形图，表示对[0,1)上的统一随机变量的10次观察的五次试验。

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

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

六、块型图

可以使用Series.plot.area()或DataFrame.plot.area()方法创建区域图形。

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

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

七、散点图

可以使用DataFrame.plot.scatter()方法创建散点图。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.rand(50, 4), columns=['a', 'b', 'c', 'd'])
df.plot.scatter(x='a', y='b')

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

八、饼状图

饼状图可以使用DataFrame.plot.pie()方法创建。

import pandas as pd
import numpy as np
 
df = pd.DataFrame(3 * np.random.rand(4), index=['a', 'b', 'c', 'd'], columns=['x'])
df.plot.pie(subplots=True)

执行上面示例代码，得到以下结果 -

Pandas生成可视化图表

以上这篇Python数据分析:手把手教你用Pandas生成可视化图表的教程就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持脚本之家。

您可能感兴趣的文章:

相关文章

  • 如何运行带参数的python脚本

    如何运行带参数的python脚本

    这篇文章主要介绍了如何运行带参数的python脚本,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2019-11-11
  • Python3 json模块之编码解码方法讲解

    Python3 json模块之编码解码方法讲解

    这篇文章主要介绍了Python3 json模块之编码解码方法讲解,需要的朋友可以参考下
    2021-04-04
  • python统计函数库scipy.stats的用法解析

    python统计函数库scipy.stats的用法解析

    今天小编就为大家分享一篇python统计函数库scipy.stats的用法解析，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2020-02-02
  • python正确读取文件路径的三种方式

    python正确读取文件路径的三种方式

    这篇文章主要介绍了python正确读取文件路径的三种方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2023-08-08
  • python sitk.show()与imageJ结合使用常见的问题

    python sitk.show()与imageJ结合使用常见的问题

    这篇文章主要介绍了python sitk.show()与imageJ结合使用常见的问题，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2020-04-04
  • python调用git出错的解决

    python调用git出错的解决

    这篇文章主要介绍了python调用git出错的解决方案，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
    2023-06-06
  • Python解惑之True和False详解

    Python解惑之True和False详解

    这篇文章主要给大家介绍了关于Python中常用的数据类型bool（布尔）类型的两个值：True和False的相关资料，通过示例代码给大家进行了解惑，让对这两个值有所疑惑的朋友们能有起到一定的帮助，需要的朋友下面来一起看看吧。
    2017-04-04
  • Python sklearn预测评估指标混淆矩阵计算示例详解

    Python sklearn预测评估指标混淆矩阵计算示例详解

    这篇文章主要为大家介绍了Python sklearn预测评估指标混淆矩阵计算示例详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪
    2023-02-02
  • Python实现PDF转MP3的示例代码

    Python实现PDF转MP3的示例代码

    我们平常看到很多文件都是PDF格式，网上的各类书籍多为此格式。有时候不方便阅读，或者怕费眼睛伤颈椎，那么有没有一种方法可以把它变为音频，本文就来和大家详细讲讲
    2023-05-05
  • python DataFrame 修改列的顺序实例

    python DataFrame 修改列的顺序实例

    下面小编就为大家分享一篇python DataFrame 修改列的顺序实例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2018-04-04

最新评论