在pandas中，我们有行标签、列标签以及分组信息。也就是说，要制作一张完整的图表，原本需要一大堆的matplotlib代码，现在只需一两条简洁的语句就可以了。pandas有许多能够利用DataFrame对象数据组织特点来创建标准图标的高级绘图方法(这些函数的数量还在不断增加)。
一，利用Series的plot方法绘图
用Series绘图的原理：Series的索引作为x轴，Series的值作为y轴
from matplotlib import pyplot as plt
import numpy as np
from pandas import DataFrame,Series
import pandas as pd
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#用来正常显示负号
plt.rcParams['axes.unicode_minus']=False
#1.利用随机函数创建一组随机序列
series = Series(np.random.randn(10).cumsum()) #数据集累计和
series
#利用series默认的index作为x轴数据，series的value作为y轴值
axes = series.plot(label="折线图",style='ko-')
axes.set_title("利用Series绘制折线图")
axes.legend()
结果显示：
#2.也可以指定series的index的值作为x轴
Index = np.arange(0,100,10)
series1 = Series(np.random.randn(10).cumsum(),index = Index) #数据集累计和
series1
#打印结果：
0 0.377990
10 1.637537
20 1.325206
30 0.376472
40 0.284113
50 1.102053
60 2.342911
70 3.119967
80 4.412816
90 4.505813
dtype: float64
#利用series指定的index值作为x轴数据，series的value作为y轴值
axes = series1.plot(label="折线图")
axes.set_title("利用Series绘制折线图")
axes.legend()
结果显示：
二，利用DataFrame的plot方法绘图
df = DataFrame(np.random.randn(10,4),
columns=list('ABCD'),
index=np.arange(0,100,10))
#Dataframe绘图,每一列绘制一组折线图
df.plot()
plt.show()
结果显示：
df.plot(subplots=True)
结果显示：
df.plot(subplots=True,sharey=True)
结果显示：
#创建画板获取axes对象
fig,ax = plt.subplots(2,1,figsize=(10,10))
# fig.set_size_inches(10,7) #修改已创建子画板大小
#创建绘图数据
data = Series(np.random.randn(16),
index=list('abcdefghijklmnop'))
#利用series数据在2行一列的画板上的第一块区域绘制柱状图,每一行都是一条数据
data.plot(kind='bar',ax=ax[0],color='k',alpha=0.7) #alpha表示图表的填充透明度
#利用series数据在2行一列的画板上的第二块区域绘制条形图
data.plot(kind='barh',ax=ax[1],color='g',alpha=0.5)
打印结果：
三，pandas读取excel文件
df = pd.read_excel("excel/pandas-matplotlib.xlsx","Sheet1")
df
结果显示：
#创建一个空白画板
figure = plt.figure()
#在画板上添加一个axes绘图区域
ax = figure.add_subplot(111)
#在选中的区域里绘直方图
ax.hist(df['Age'],bins=7)
plt.title('Age distribution')
plt.xlabel('Age')
plt.ylabel('Employee')
plt.show()
结果显示：
#绘制箱线图
figure = plt.figure()
ax = figure.add_subplot(111)
#根据年龄绘制箱线图
ax.boxplot(df.Age)
plt.show()
结果显示：
df.Age.describe()
#打印结果：
count 10.000000
mean 34.700000
std 5.121849
min 26.000000
25% 32.000000
50% 35.000000
75% 36.750000
max 44.000000
Name: Age, dtype: float64
#按照性别分类后统计销量总和
var = df.groupby('Gender').Sales.sum()
var
#打印结果：
Gender
F 506
M 782
Name: Sales, dtype: int64
fig = plt.figure()
ax1 = fig.add_subplot(111)
ax1.set_xlabel('Gerder')
ax1.set_ylabel('Sun of Sales')
ax1.set_title('Gender wise Sum of Sales')
#绘制柱状图
var.plot(kind='bar')
结果显示：
#根据BMI分组
var = df.groupby("BMI").Sales.sum()
print(var)
#打印结果：
BMI
Normal 517
Obesity 268
Overweight 114
Underweight 389
Name: Sales, dtype: int64
fig = plt.figure()
ax = fig.add_subplot(111)
ax.set_xlabel("BMI")
ax.set_ylabel("Sum of Sales")
ax.set_title('BMI wise Sum of Sales')
var.plot(kind='line')
plt.show()
结果显示：
#按照身体指数和性别分组后统计销售数量
var = df.groupby(['BMI','Gender']).Sales.sum()
result = var.unstack()
result
打印结果：
#绘制柱状图
result.plot(kind='bar')
结果显示：
#绘制堆积图
result.plot(kind='bar',stacked=True,color=['r','b'])
plt.show()
结果显示：
#绘制散点图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'],df['Sales'])
plt.show()
结果显示：
#绘制气泡图
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(df['Age'],df['Sales'],s=df['Income']) #第三个变量表明根据收入气泡的大小
plt.show()
结果显示：
#绘制饼图
var = df.groupby(['Gender']).sum()
var
结果显示：
x_list = var['Sales']
label_list = var.index
plt.axis('equal')
plt.pie(x_list, labels=label_list,
startangle=90,
shadow = True, #是否显示阴影
explode =[0.05,0],
autopct='%1.1f%%')
plt.title('expense')
plt.show()
结果显示：
