Plotly可视化地位岌岌可危？Pandas内置绘图大全来袭！

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

之前写过很多关于Pandas的文章都是介绍如何使用Pandas来处理数据，这的确是它的强项。

其实，Pandas还有一个内置的功能：绘图。你没有看错：Pandas自身就是可以绘图的。本文详细介绍基于Pandas的快速绘图方法。

Pandas内置绘图

参数

下面是常见的参数及解释，详细的请参考官网：https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.plot.html

DataFrame.plot(x=None, y=None,   # 指数据框列的标签或位置参数
               kind='line',  # 图的类型：line bar barh kde area scatter hist box等
               ax=None,  # 坐标轴
               subplots=False,   # 是否绘制子图 
               sharex=None,  # 是否共享xy轴
               sharey=False, 
               layout=None,  # 布局
               figsize=None,  # 大小
               use_index=True,  # 索引
               title=None,  # 图形标题
               grid=None,  # 网格线
               legend=True,   # 图例
               style=None,  # 风格
               logx=False,   # 对数化
               logy=False, 
               loglog=False,  # 开启对数化
               xticks=None,   # 设置x、y轴刻度值，序列形式（比如列表）
               yticks=None, 
               xlim=None,   # 设置坐标轴的范围，列表或元组形式
               ylim=None, 
               rot=None,  # 设置轴标签（轴刻度）的显示旋转度数
               xerr=None,  # 误差
               secondary_y=False,    # 开启第二y轴（右y轴）
               sort_columns=False,   # 以字母表顺序绘制各列，默认使用前列顺序
               **kwds)


模拟数据

本文中主要使用的一份模拟数据：根据numpy库模拟生成的

折线图

绘制最基础的图形：折线图

基础折线图

禁用图例

就是上图右上角的col1、col2、col3

# 禁用图例Legend

df.plot(legend=False,kind="line")
plt.show


调整两个轴的名称

# 设置两个轴的名称

df.plot(kind="line",xlabel="x_new",ylabel="y_new")
plt.show


柱状图

基础柱状图

# 写法1
df.col1.plot(kind="bar",title="use pandas to make bar")
# 写法2
df["col1"].plot(kind="bar",title="use pandas to make bar")
# 写法3
df.col1.plot.bar(title="use pandas to make bar")

plt.show()


多元素柱状图

堆叠柱状图

水平柱状图

当然，也可以是堆叠的形式：

散点图

基础散点图

改变大小和颜色

df.plot(kind="scatter", # 指定类型
        x="col1", y="col3",  # 指定两个轴
        s=df["col2"] *500,  # 点的大小
        c="r"  # 点的颜色
       )  
plt.show()


带颜色棒的散点图

饼图

针对Series

为了绘制饼图，模拟了一份新数据：

series.plot(kind="pie",figsize=(6,6))
plt.show()


针对DataFrame

同样的，再绘制一份数据：

箱型图

基础箱型图

自定义箱型图

# 自定义颜色
color = {"boxes": "DarkGreen",
         "whiskers": "DarkOrange",
         "medians": "DarkBlue",
         "caps": "Gray"}

df.plot.box(color=color, sym="r+")
plt.show()


水平箱型图

# 自定义颜色
color = {"boxes": "DarkGreen",
         "whiskers": "DarkOrange",
         "medians": "DarkBlue",
         "caps": "Gray"}

df.plot.box(color=color, 
            vert=False,  # 关键参数
            sym="r+")
plt.show()


使用boxplot绘箱型图

参数是同样适用的：

蜂窝图

为了绘制不同的蜂窝图，模拟了一份新数据：

基础蜂窝图

改进版蜂窝图

df1.plot(
    kind="hexbin",
    x="A",
    y="B",
    C="C",  # 颜色深度的表示
    reduce_C_function=np.mean, # 指定不同聚合参数：mean/max/min/sum/std
    gridsize=30)
plt.show()


直方图

# 写法1
df.plot(kind="hist",alpha=0.5)
# 写法2
df.plot.hist(alpha=0.5)

plt.show()


密度图

使用 Series.plot.kde() 和 DataFrame.plot.kde() 可以画出密度图：

1、针对DataFrame的密度图

2、针对Series的密度图

面积图

多子图

绘制子图主要的参数：

• subplots: 默认False, 如果希望每列绘制子图， 则赋值为True
• layout: 子图的布局, 即画布被横竖分为几块, 如:(2,3)表示2行3列
• figsize: 整个画布大小

df.plot(subplots=True,
        layout=(1,3),  # 1行3列
        figsize=(15,6),
        kind="bar"
       )
plt.show()


开启共享y轴的参数：

df.plot(subplots=True,
        layout=(1,3),  # 1行3列
        figsize=(15,6),
        kind="bar",
        sharey=True  # 开启共享y轴
       )
plt.show()


散点矩阵图

# 单图导入
from pandas.plotting import scatter_matrix

scatter_matrix(df1,alpha=0.5,figsize=(14,6),diagonal="kde")
plt.show()


平行分类图

为了绘制平行分类图，我们导入著名的iris数据集：

其中：属性Name就是我们进行分类的数据字段

# 导图模块
from pandas.plotting import parallel_coordinates

parallel_coordinates(
    iris, # 数据
    class_column="Name",  # 分类名称所用字段
    color=('#556270', '#4ECDC4', '#C7F464') # 颜色设置
)

plt.show()


总结

我们总结下Pandas内置绘图的特点：

• 代码量少，最大的优点
• 快速简洁，基本绘图可以满足
• 静态化，非动态可视化
• 图片质量一般

推荐阅读

尤而小屋，一个温馨的小屋。小屋主人，一手代码谋求生存，一手掌勺享受生活，欢迎你的光临