【matplotlib繪圖】Pandas繪圖與matplotlib繪圖的關聯及異同

說到數據可視化繪圖，我們先想到的應該是matplotlib庫，可以對其中的axes對象等調用不同的繪圖方法（如axes.plot()）。
作爲數據分析用的pandas庫提供了Series DataFrame等類型的對象，我們也可以調用上述對象來繪圖（如Series.plot()）。

本文將介紹這個庫之間的關聯，以及他們畫圖之間的異同。

1.關聯

1. Pandas庫提供了Series DataFrame等類型的對象，可以在matplotlib畫圖中作爲數據來源放入參數中，如axes.plot(Series)
2. 可以對Pandas的對象調用畫圖方法，如Series.plot(kind='line')，但說到底還是與matplotlib有關的，是pandas自動幫你生成了axes對象。
3. 我們可以把Pandas畫出來的圖回傳給指定的axes對象，如Series.plot(kind='line', ax=ax1)就把這張折線圖畫在了ax1對象上。

下面我將用matplotlib繪圖和Pandas繪圖兩種方法畫出同樣的一張多子圖圖表

---

matplotlib方法：

import matplotlib.pyplot as plt
from pandas import Series
data = Series([1.47,1.62,1.78,1.94,2.38,2.60],index=['2012','2013','2014','2015','2016','2017'])
#實例化fig1對象
fig1=plt.figure(figsize=(8,8),facecolor='w')
#實例化ax對象
ax1 = fig1.add_subplot(2,2,1)
ax2 = fig1.add_subplot(2,2,2)
ax3 = fig1.add_subplot(2,1,2)
#ax對象畫圖
  #畫ax1
ax1.plot(data)#注意對象名是ax1，它是matplotlib中的axes對象類型
ax1.set_title('line chart')
ax1.set_xlabel('Year')
ax1.set_ylabel('Income')
  #畫ax2
ax2.boxplot(data)
ax2.set_xticks([])
ax2.set_title('box plot')
ax2.set_xlabel('2012~2017')
ax2.set_ylabel('Income')
  #畫ax3
ax3.bar(data.index, data)
ax3.set_title('bar chart')
ax3.set_xlabel('Year')
ax3.set_ylabel('Income')
#設置fig1標題
fig1.suptitle('Using matplotlib')

---

Pandas方法：

import matplotlib.pyplot as plt
from pandas import Series
data = Series([1.47,1.62,1.78,1.94,2.38,2.60],index=['2012','2013','2014','2015','2016','2017'])
#實例化fig1對象
fig2=plt.figure(figsize=(8,8),facecolor='w')
#實例化ax對象
ax4 = fig2.add_subplot(2,2,1)
ax5 = fig2.add_subplot(2,2,2)
ax6 = fig2.add_subplot(2,1,2)
#用pandas繪圖並將圖像回傳給ax對象
  #畫ax4
data.plot(kind='line',ax=ax4)#注意對象名是data，它是Pandas中的Series對象類型
ax4.set_title('line chart')
ax4.set_xlabel('Year')
ax4.set_ylabel('Income')
  #畫ax5
data.plot(kind='box',ax=ax5)
ax5.set_xticks([])
ax5.set_title('box plot')
ax5.set_xlabel('2012~2017')
ax5.set_ylabel('Income')
  #畫ax6
data.plot(kind='bar',ax=ax6)
ax6.set_title('bar chart')
ax6.set_xlabel('Year')
ax6.set_ylabel('Income')
#設置fig2標題
fig2.suptitle('Using Pandas')

---

由上面的兩個例子可以看出調用Pandas繪圖和調用matplotlib繪圖很多時候可以達到相同的效果

2.不同點

仔細分析畫柱狀圖的兩個語句ax3.bar(data.index, data)和data.plot(kind='bar',ax=ax6)
會發現在調用ax3畫圖的時候bar()方法裏面有兩個參量data.index和data，分別是這張圖的x軸類別和y軸高度。
而用pandas畫圖的時候，我們只用把data對象放在前面，它就能自動識別出data裏面的index和value。

從上面也可以看出來，對於用Series DataFrame這些用Pandas對象封裝的多維的數據，調用Pandas繪圖會有更方便和更好的支持。

下面再舉一例：
我們有一個DataFrame類型的人員信息表格，每一行包含一個人的性別，收入等信息。現在我要按照性別分類，畫出女性的收入的箱線圖和男性收入的箱線圖：

import pandas as pd
df = pd.read_csv('Data/bank-data.csv',index_col=0)
df

	age	sex	region	income	married	children	car	save_act	current_act	mortgage	pep
id
ID12101	48	FEMALE	INNER_CITY	17546.00	NO	1	NO	NO	NO	NO	YES
ID12102	40	MALE	TOWN	30085.10	YES	3	YES	NO	YES	YES	NO
ID12103	51	FEMALE	INNER_CITY	16575.40	YES	0	YES	YES	YES	NO	NO
ID12104	23	FEMALE	TOWN	20375.40	YES	3	NO	NO	YES	NO	NO
ID12105	57	FEMALE	RURAL	50576.30	YES	0	NO	YES	NO	NO	NO
...	...	...	...	...	...	...	...	...	...	...	...
ID12696	61	FEMALE	INNER_CITY	47025.00	NO	2	YES	YES	YES	YES	NO
ID12697	30	FEMALE	INNER_CITY	9672.25	YES	0	YES	YES	YES	NO	NO
ID12698	31	FEMALE	TOWN	15976.30	YES	0	YES	YES	NO	NO	YES
ID12699	29	MALE	INNER_CITY	14711.80	YES	0	NO	YES	NO	YES	NO
ID12700	38	MALE	TOWN	26671.60	NO	0	YES	NO	YES	YES	YES

600 rows × 11 columns

---

如果要用matplotlib繪圖的話，就必須對DataFrame進行有條件的篩選切片，選出來所有女性的income列和男性的income列，然後再畫箱線圖：

fig7 = plt.figure(figsize=(6,6),facecolor='w')
ax7 = plt.axes()
ax7.boxplot( (df.loc[df['sex']=='FEMALE', 'income'], df.loc[df['sex']=='MALE', 'income']), 
            labels=('FEMALE','MALE'))
ax7.grid()

---

如果使用Pandas繪圖的話，只需以df作爲對象放在前面，調用boxplot()方法，並將'income',by='sex'填入參數裏即可，相當於是Pandas自動幫你切片出income這一列，並以sex歸類聚合了，比調用matplotlib方便不少，也直觀很多：

fig8 = plt.figure(figsize=(6,6),facecolor='w')
ax8 = plt.axes()
df.boxplot('income', by='sex',ax=ax8)#對於多類別，需要聚合的數據，用pandas調用繪圖要比axex調用繪圖來得方便

3.總結

在大多數情況下我們可以選擇Pandas繪圖和matplotlib繪圖去實現同樣的功能，他們之間也有千絲萬縷的聯繫。
在一些用Pandas封裝的多維的數據（如DataFrame），調用Pandas繪圖會有更方便和更好的支持，免去了手動切片、聚合數據等麻煩。

覺得有用的話，不要吝惜評論點贊分享哦，希望大家多多包涵，有任何問題歡迎指正、討論。
本文基於CC-BY-SA 4.0協議，歡迎轉載
（博客看累了？去我的B站瞧一瞧？）