我正在参与「启航方案」

前语

一般咱们做数据挖掘或许是数据剖析，再或许是大数据开发提取数据库里面的数据时候，不免只能拿着表格数据左看右看，心里总是希望能够依据自己所想立马生成一张数据可视化的图表来更直观的出现数据。而当咱们想要进行数据可视化的时候，往往需求调用很多的库与函数，还需求数据转换以及很多的代码处理编写。这都是十分繁琐的工作，的确只为了数据可视化咱们不需求实现数据可视化的工程编程，这都是数据剖析师以及具有专业的报表工具来做的事情，日常剖析的话咱们依据自己的需求直接进行快速出图即可，而Pandas正好就带有这个功能，当然还是依赖matplotlib库的，只不过将代码紧缩更简单实现。下面就让咱们来了解一下如何快速出图。

Pandas数据剖析系列专栏已经更新了很久了，基本覆盖到运用pandas处理日常业务以及惯例的数据剖析方方面面的问题。从基础的数据结构逐步入门到处理各类数据以及专业的pandas常用函数讲解都花费了很多时间和心思创造，如果咱们有需求从事数据剖析或许大数据开发的朋友推荐订阅专栏，将在第一时间学习到Pandas数据剖析最有用常用的知识。此篇博客篇幅较长，涉及到处理文本数据(str/object)等各类操作，值得细读实践一番，我会将Pandas的精华部分挑出细讲实践。博主会长期保护博文，有过错或许疑惑能够在评论区指出，感谢咱们的支撑。

一、基础绘图：plot

Series和DataFrame上的plot办法仅仅plt.plot（）的简单包装,这里咱们用一段实际数据来进行可视化展现：

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

这是一段实在地铁通行量特征数据，咱们用此数据进行展现：

df_flow['客流量'].plot()

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

如果索引由日期组成，则调用gcf().autofmt_xdate（）办法能够很好地格式化x轴。

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

在DataFrame上，plot（）能够方便地用标签制作所有列：

df_flow_mark[['湿度','风级','降水量']].plot()

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

能够运用plot（）中的x和y关键字制作一列与另一列的对比，比方咱们想要运用星期六的客流量和周日的客流量作对比：

df_flow_7=df_flow[df_flow['日期']=='周日'].iloc[:7,:]
df_flow_7.rename(columns={'客流量':'周日客流量'},inplace=True)
df_flow_6=df_flow[df_flow['日期']=='星期六'].iloc[:7,:]
df_flow_6.rename(columns={'客流量':'星期六客流量'},inplace=True)
df_compare=pd.concat([columns_convert_df(df_flow_7['周日客流量']),columns_convert_df(df_flow_6['星期六客流量'])],axis=1)
df_compare.plot(x='周日客流量',y='星期六客流量')

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

二、底图板块

依据Pandas包装后的kind关键字咱们整理一下底图种类：

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

也能够运用DataFrame.plot办法创建这些其他绘图而不是供给kind关键字参数。这使得更简单发现绘图办法及其运用的特定参数

df.plot.area     df.plot.barh     df.plot.density  df.plot.hist     df.plot.line     df.plot.scatter
df.plot.bar      df.plot.box      df.plot.hexbin   df.plot.kde      df.plot.pie

除了这些类型，还有DataFrame.hist（）和DataFrame.boxplot（）办法，它们运用独自的接口。

最终，pandas中有几个绘图功能。以Series或DataFrame作为参数的绘图。其中包括：

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

分别是：

  • 散射矩阵
  • 安德鲁斯曲线
  • 平行坐标
  • 滞后图
  • 自相关图
  • 引导图
  • 拉德维兹图

绘图也能够用过错条或表格进行装饰。

1.条形图

df_flow_mark['客流量'].plot(kind='bar')

df_flow_mark['客流量'].plot.bar()

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

多个标签图表也能够一齐绘出：

df_flow_mark[['风级','降水量']].plot.bar()

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

要生成堆叠条形图，传递stacked=True：

df_flow_mark[['风级','降水量']].plot.bar(stacked=True)

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

长久看这个maatplotlib的默许地图有点疲劳了，我这里换个主题，还是一样的作用不碍事。

要获得水平条形图能够运用barh办法：

df_flow_mark[['风级','降水量']].plot.barh(stacked=True)

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

2.直方图

能够运用DataFrame.plo.hist()和Series.plot.hist()办法制作直方图.

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

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)
直方图能够运用stacked=True进行叠加。能够运用bins关键字更改bin巨细。

df4.plot.hist(stacked=True, bins=20);

能够传递matplotlib hist支撑的其他关键字。例如，水平缓累积直方图能够通过orientation='horizontal'和cumulative=True制作。

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

有关详细信息，能够参阅hist办法和matplotlib hist文档。
现有接口DataFrame.hist，但仍然能够运用hist制作直方图

plt.figure();
df_flow_mark['风级'].hist();

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

DataFrame.hist()能够在多个子地块上制作列的直方图：

plt.figure();
df_flow_mark[['风级','降水量']].diff().hist(color="k", alpha=0.5, bins=50);

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

能够指定by关键字来制作分组直方图：

data = pd.Series(np.random.randn(1000))
data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4));

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

此外，还能够在DataFrame.plot.hist()中指定by关键字:

data = pd.DataFrame(
    {
        "a": np.random.choice(["x", "y", "z"], 1000),
        "b": np.random.choice(["e", "f", "g"], 1000),
        "c": np.random.randn(1000),
        "d": np.random.randn(1000) - 1
    }
)
data.plot.hist(by=["a", "b"], figsize=(10, 5));

Pandas数据分析：快速图表可视化各类操作详解+实例代码(一)

点重视，防走丢，如有纰漏之处，请留言指教，非常感谢

以上便是本期全部内容。我是fanstuck ，有问题咱们随时留言评论 ，咱们下期见