Pandas有許多能夠利用DataFrame物件資料組織特點來建立標準圖表的高階繪圖方法，本文主要介紹的是pandas中的繪圖函式。

#coding:utf-8
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from pandas import DataFrame,Series

1. 線形圖

 df.plot( kind='line')

• Series 的plot 方法會以index作為X軸,畫一條線
• DataFrame 的plot 方法會以index作為X軸，給每一列繪製一條線,columns作為圖例。

#第一種建立畫布和畫布分割槽方法，分開建立figure和subplot物件
fig=plt.figure()
#Series 的線形圖
ax1=fig.add_subplot(2,1,1)
s=Series(np.random.rand(10).cumsum(),index=np.arange(0,100,10))  
s.plot( kind='line')
plt.xlabel(u"index") 
plt.title(u"Serise的線形圖")
plt.show()
#DataFrame的線形圖
ax2=fig.add_subplot(2,1,2)
df=DataFrame(np.random.rand(10,4).cumsum(0),index=np.arange(0,100,10),columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot( kind='line')
plt.xlabel(u"index") 
plt.title(u"DataFrame的線形圖")
plt.show()
 

其中，Series.plot方法的引數

• kind ：圖的型別，‘line’,'bar','barh','kde'
• label ：圖例標籤
• ax ：需要繪製的物件
• rot ：旋轉角度
• xticks ：X軸刻度值
• xlim ：X軸刻度範圍
• grid ：顯示網格

2. 柱狀圖

 df.plot( kind='bar') : 垂直柱狀圖

 df.plot( kind='barh') : 水平柱狀圖

 df.plot( kind='bar',stacked=True) : stacked屬性為True可以設定為堆積柱狀圖

Series的柱狀圖

#第二種建立畫布和畫布分割槽方法，建立figure，返回一個subplot物件
fig,axes =plt.subplots(2,1)             
s=Series(np.random.rand(16),index=list('abcdefghijklmnop'))  
s.plot( kind= 'bar' ,ax=axes[0])       #返回的axes的陣列可指定在哪個subplot物件上畫圖
s.plot( kind= 'barh' ,ax=axes[1])      
plt.show()
 

DataFrame的柱狀圖

• 每一行的值為一組，每一列的columns為圖例

fig,axes =plt.subplots(2,1)                    
df=DataFrame(np.random.rand(4,4),index=['one','two','three','four'],columns=pd.Index(['A','B','C','D'],name='Genus'))  
df.plot( kind= 'bar',ax=axes[0] )             
df.plot( kind= 'bar',ax=axes[1],stacked=True )  #stacked=True 可以生成堆積柱狀圖
plt.show()

3.密度圖( KDE, Kernel Density Estimate ,核密度估計 )

• 密度圖即為連續概率分佈圖，將分佈近似為標準混合正態分佈。

 df.plot( kind='kde')

fig=plt.figure()
#Series 的密度圖
fig.add_subplot(2,1,1)
s=Series(np.random.rand(50).cumsum(),index=np.arange(0,100,2))  
s.plot(kind='kde')
plt.title(u"Series的密度圖")
plt.show()

#DataFrame 的密度圖，會給每一列都畫一條密度估計線，並將columns自動生成圖例
fig.add_subplot(2,1,2)
df=DataFrame(np.random.rand(10,4).cumsum(0),index=np.arange(0,100,10),columns=pd.Index(['A','B','C','D'],name='Genus'))
df.plot(kind='kde')
plt.title(u"DataFrame的密度圖")
plt.show()

4.直方圖

• 直方圖是對值頻率進行離散化顯示的柱狀圖，資料點唄拆分到離散的、間隔均勻的面元中。

 df.hist( bins=10) :bins屬性可設定柱子數量

fig=plt.figure()
#Series 的密度圖
fig.add_subplot(2,1,1)
s=Series(np.random.rand(20).cumsum(),index=np.arange(0,100,5))  
s.hist( bins=10)
plt.title(u"Series的直方圖")
plt.show()

#DataFrame 的密度圖，會給每一列都畫一張直方圖，並將列名作為對應標題
fig.add_subplot(2,1,2)
df=DataFrame(np.random.rand(10,4).cumsum(0),index=np.arange(0,100,10),columns=pd.Index(['A','B','C','D'],name='Genus'))
df.hist( bins=10)
plt.show()

5.散點圖

• 散點圖是觀察兩個一維資料間關係的有效方式

 plt.scatter(X,Y)

macro = pd.read_csv('macrodata.csv')
data = macro[['cpi','m1','tbilrate','unemp']]
trans_data = np.log(data).diff().dropna()
# 畫出兩個Series之間的散點圖
plt.scatter(trans_data['m1'],trans_data['unemp'])
plt.title('Change in log %s vs.log %s' % ('m1','unemp'))
plt.show()

DataFrame的散點圖矩陣

• 建立散佈圖矩陣，會把DataFrame中任意兩列畫散點圖，觀察其之間的關係。

• 支援在對角線上放置各變數的直方圖或者密度圖

 pd.scatter_matrix( trans_data ,diagonal = 'kde' ,color ='k' ,alpha=0.3)

# 畫出散佈圖矩陣
pd.plotting.scatter_matrix( trans_data ,diagonal = 'kde' ,color ='k' ,alpha=0.3)
plt.show()