图表可视化#

笔记

下面的示例假设您使用的是Jupyter。

本节通过图表演示可视化。有关表格数据可视化的信息，请参阅表格可视化部分。

我们使用标准约定来引用 matplotlib API：

In [1]: import matplotlib.pyplot as plt

In [2]: plt.close("all")

我们提供 pandas 的基础知识，以轻松创建美观的绘图。请参阅生态系统页面，了解超出此处记录的基础知识的可视化库。

笔记

所有呼叫np.random均以 123456 为种子。

基本绘图：`plot`#

我们将演示基础知识，请参阅食谱以了解一些高级策略。

Series 和 DataFrame 上的方法plot只是一个简单的包装 plt.plot()：

In [3]: np.random.seed(123456)

In [4]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))

In [5]: ts = ts.cumsum()

In [6]: ts.plot();

如果索引由日期组成，它会调用gcf().autofmt_xdate() 尝试按照上面的方式很好地格式化 x 轴。

在 DataFrame 上，plot()可以方便地绘制带有标签的所有列：

In [7]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD"))

In [8]: df = df.cumsum()

In [9]: plt.figure();

In [10]: df.plot();

x您可以使用和y中的关键字绘制一列与另一列的对比图plot()：

In [11]: df3 = pd.DataFrame(np.random.randn(1000, 2), columns=["B", "C"]).cumsum()

In [12]: df3["A"] = pd.Series(list(range(len(df))))

In [13]: df3.plot(x="A", y="B");

笔记

有关更多格式和样式选项，请参阅下面的格式。

其他地块#

绘图方法允许使用除默认线图之外的多种绘图样式。这些方法可以作为 ,kind 的关键字参数提供plot()，包括：

'bar'或'barh'用于条形图
直方图的“hist”
箱线图的“box”
密度图的“kde”或“密度”
面积图的“面积”
'scatter'用于散点图
'hexbin'用于六边形箱图
'pie'用于饼图

例如，可以通过以下方式创建条形图：

In [14]: plt.figure();

In [15]: df.iloc[5].plot(kind="bar");

您还可以使用这些方法创建这些其他图，DataFrame.plot.<kind>而不是提供kind关键字参数。这使得更容易发现绘图方法及其使用的特定参数：

In [16]: df = pd.DataFrame()

In [17]: df.plot.<TAB>  # noqa: E225, E999
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

除了这些之外kind，还有DataFrame.hist()和DataFrame.boxplot()方法，它们使用单独的接口。

最后，有几个绘图函数以pandas.plotting orSeries作为DataFrame参数。这些包括：

散点矩阵
安德鲁斯曲线
平行坐标
滞后图
自相关图
自举图
RadViz

绘图也可以用误差条或表格来装饰。

条形图#

对于带标签的非时间序列数据，您可能希望生成条形图：

In [18]: plt.figure();

In [19]: df.iloc[5].plot.bar();

In [20]: plt.axhline(0, color="k");

调用 DataFrame 的plot.bar()方法会生成多个条形图：

In [21]: df2 = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])

In [22]: df2.plot.bar();

要生成堆积条形图，请传递stacked=True：

In [23]: df2.plot.bar(stacked=True);

要获得水平条形图，请使用以下barh方法：

In [24]: df2.plot.barh(stacked=True);

直方图#

可以使用DataFrame.plot.hist()和Series.plot.hist()方法绘制直方图。

In [25]: df4 = pd.DataFrame(
   ....:     {
   ....:         "a": np.random.randn(1000) + 1,
   ....:         "b": np.random.randn(1000),
   ....:         "c": np.random.randn(1000) - 1,
   ....:     },
   ....:     columns=["a", "b", "c"],
   ....: )
   ....: 

In [26]: plt.figure();

In [27]: df4.plot.hist(alpha=0.5);

可以使用堆叠直方图stacked=True。可以使用关键字更改 bin 大小bins。

In [28]: plt.figure();

In [29]: df4.plot.hist(stacked=True, bins=20);

您可以传递 matplotlib 支持的其他关键字hist。例如，可以通过 orientation='horizontal'和绘制水平直方图和累积直方图cumulative=True。

In [30]: plt.figure();

In [31]: df4["a"].plot.hist(orientation="horizontal", cumulative=True);

有关更多信息，请参阅该hist方法和 matplotlib hist 文档。

DataFrame.hist仍然可以使用现有的绘制直方图的接口。

In [32]: plt.figure();

In [33]: df["A"].diff().hist();

DataFrame.hist()在多个子图上绘制列的直方图：

In [34]: plt.figure();

In [35]: df.diff().hist(color="k", alpha=0.5, bins=50);

by可以指定关键字来绘制分组直方图：

In [36]: data = pd.Series(np.random.randn(1000))

In [37]: data.hist(by=np.random.randint(0, 4, 1000), figsize=(6, 4));

另外，by还可以在中指定关键字DataFrame.plot.hist()。

在 1.4.0 版本中进行了更改。

In [38]: 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,
   ....:     },
   ....: )
   ....: 

In [39]: data.plot.hist(by=["a", "b"], figsize=(10, 5));

箱线图#

可以调用Series.plot.box()和来绘制箱线图DataFrame.plot.box()，或者DataFrame.boxplot()可视化每列内值的分布。

例如，这是一个箱线图，表示 [0,1) 上均匀随机变量的 10 次观察的 5 次试验。

In [40]: df = pd.DataFrame(np.random.rand(10, 5), columns=["A", "B", "C", "D", "E"])

In [41]: df.plot.box();

箱线图可以通过传递color关键字来着色。您可以传递一个dict 键为boxes, whiskers,medians和的a caps。如果中缺少某些键dict，则将使用相应艺术家的默认颜色。此外，箱线图有sym关键字来指定传单样式。

当您通过关键字传递其他类型的参数时，它将直接传递给 matplotlib进行color所有boxes、whiskers和着色。medianscaps

这些颜色应用于每个要绘制的框。如果您想要更复杂的着色，您可以通过传递 return_type来获取每个绘制的艺术家。

In [42]: color = {
   ....:     "boxes": "DarkGreen",
   ....:     "whiskers": "DarkOrange",
   ....:     "medians": "DarkBlue",
   ....:     "caps": "Gray",
   ....: }
   ....: 

In [43]: df.plot.box(color=color, sym="r+");

此外，您还可以传递 matplotlib 支持的其他关键字boxplot。例如，可以通过 vert=False和positions关键字绘制水平和自定义位置的箱线图。

In [44]: df.plot.box(vert=False, positions=[1, 4, 5, 6, 8]);

有关更多信息，请参阅该boxplot方法和 matplotlib boxplot 文档。

DataFrame.boxplot仍然可以使用现有的绘制箱线图的接口。

In [45]: df = pd.DataFrame(np.random.rand(10, 5))

In [46]: plt.figure();

In [47]: bp = df.boxplot()

您可以使用关键字参数创建分层箱线图by来创建分组。例如，

In [48]: df = pd.DataFrame(np.random.rand(10, 2), columns=["Col1", "Col2"])

In [49]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])

In [50]: plt.figure();

In [51]: bp = df.boxplot(by="X")

您还可以传递列的子集进行绘图，以及按多列进行分组：

In [52]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])

In [53]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])

In [54]: df["Y"] = pd.Series(["A", "B", "A", "B", "A", "B", "A", "B", "A", "B"])

In [55]: plt.figure();

In [56]: bp = df.boxplot(column=["Col1", "Col2"], by=["X", "Y"])

您还可以使用创建分组DataFrame.plot.box()，例如：

在 1.4.0 版本中进行了更改。

In [57]: df = pd.DataFrame(np.random.rand(10, 3), columns=["Col1", "Col2", "Col3"])

In [58]: df["X"] = pd.Series(["A", "A", "A", "A", "A", "B", "B", "B", "B", "B"])

In [59]: plt.figure();

In [60]: bp = df.plot.box(column=["Col1", "Col2"], by="X")

在中boxplot，返回类型可以由 , 关键字控制return_type。有效的选择是。由关键字创建的分面也会影响输出类型：{"axes", "dict", "both", None}DataFrame.boxplotby

`return_type`	刻面	输出类型
`None`	不	轴
`None`	是的	二维轴数组
`'axes'`	不	轴
`'axes'`	是的	轴系列
`'dict'`	不	艺术家词典
`'dict'`	是的	艺术家口述系列
`'both'`	不	命名元组
`'both'`	是的	命名元组系列

Groupby.boxplot总是返回Seriesa return_type。

In [61]: np.random.seed(1234)

In [62]: df_box = pd.DataFrame(np.random.randn(50, 2))

In [63]: df_box["g"] = np.random.choice(["A", "B"], size=50)

In [64]: df_box.loc[df_box["g"] == "B", 1] += 3

In [65]: bp = df_box.boxplot(by="g")

上面的子图首先按数字列分割，然后按列的值分割g。下面的子图首先按的值划分g，然后按数字列划分。

In [66]: bp = df_box.groupby("g").boxplot()

面积图#

您可以使用Series.plot.area()和创建面积图DataFrame.plot.area()。默认情况下，面积图是堆叠的。要生成堆积面积图，每列必须全部为正值或全部为负值。

当输入数据包含时NaN，将自动填充 0。如果要删除或填充不同的值，请在调用之前使用dataframe.dropna()或。dataframe.fillna()plot

In [67]: df = pd.DataFrame(np.random.rand(10, 4), columns=["a", "b", "c", "d"])

In [68]: df.plot.area();

要生成未堆叠的图，请传递stacked=False.除非另有说明，Alpha 值设置为 0.5：

In [69]: df.plot.area(stacked=False);

散点图＃

利用该方法可以绘制散点图DataFrame.plot.scatter()。散点图需要 x 轴和 y 轴的数字列。这些可以通过x和关键字指定y。

In [70]: df = pd.DataFrame(np.random.rand(50, 4), columns=["a", "b", "c", "d"])

In [71]: df["species"] = pd.Categorical(
   ....:     ["setosa"] * 20 + ["versicolor"] * 20 + ["virginica"] * 10
   ....: )
   ....: 

In [72]: df.plot.scatter(x="a", y="b");

要在单个轴上绘制多个列组，请重复plot指定 target 的方法ax。建议指定color和label关键字来区分每个组。

In [73]: ax = df.plot.scatter(x="a", y="b", color="DarkBlue", label="Group 1")

In [74]: df.plot.scatter(x="c", y="d", color="DarkGreen", label="Group 2", ax=ax);

关键字c可以作为列的名称给出，以为每个点提供颜色：

In [75]: df.plot.scatter(x="a", y="b", c="c", s=50);

如果将分类列传递给c，则会生成离散颜色条：

1.3.0 版本中的新增功能。

In [76]: df.plot.scatter(x="a", y="b", c="species", cmap="viridis", s=50);

您可以传递 matplotlib 支持的其他关键字 scatter。下面的示例显示了使用的列DataFrame作为气泡大小的气泡图。

In [77]: df.plot.scatter(x="a", y="b", s=df["c"] * 200);

有关更多信息，请参阅该scatter方法和 matplotlib 分散文档。

六边形箱图#

您可以使用创建六边形箱图DataFrame.plot.hexbin()。如果数据太密集而无法单独绘制每个点，则六边形图可以作为散点图的有用替代方案。

In [78]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"])

In [79]: df["b"] = df["b"] + np.arange(1000)

In [80]: df.plot.hexbin(x="a", y="b", gridsize=25);

一个有用的关键字参数是gridsize;它控制 x 方向上的六边形数量，默认为 100。越大gridsize意味着 bin 越多、越小。

默认情况下，计算每个点周围计数的直方图。您可以通过将值传递给和参数来指定替代聚合。指定每一点的值，并且是一个参数的函数，它将 bin 中的所有值减少为单个数字（例如, , , ）。在此示例中，位置由 columns和给出，而值由 column 给出。这些 bin 通过 NumPy 的函数进行聚合。(x, y)Creduce_C_functionC(x, y)reduce_C_functionmeanmaxsumstdabzmax

In [81]: df = pd.DataFrame(np.random.randn(1000, 2), columns=["a", "b"])

In [82]: df["b"] = df["b"] + np.arange(1000)

In [83]: df["z"] = np.random.uniform(0, 3, 1000)

In [84]: df.plot.hexbin(x="a", y="b", C="z", reduce_C_function=np.max, gridsize=25);

有关更多信息，请参阅该hexbin方法和 matplotlib hexbin 文档。

饼图#

DataFrame.plot.pie()您可以使用或创建饼图Series.plot.pie()。如果您的数据包含任何NaN，它们将自动填充为 0。ValueError如果您的数据中有任何负值，则会引发A。

In [85]: series = pd.Series(3 * np.random.rand(4), index=["a", "b", "c", "d"], name="series")

In [86]: series.plot.pie(figsize=(6, 6));

对于饼图，最好使用正方形图形，即图形纵横比为 1。您可以创建宽度和高度相等的图形，或者通过调用ax.set_aspect('equal')返回的 axes对象在绘图后强制纵横比相等。

请注意，饼图要求您通过参数或DataFrame指定目标列。当指定时，将绘制所选列的饼图。如果指定，则每列的饼图将绘制为子图。默认情况下，每个饼图中都会绘制图例；指定隐藏它。ysubplots=Trueysubplots=Truelegend=False

In [87]: df = pd.DataFrame(
   ....:     3 * np.random.rand(4, 2), index=["a", "b", "c", "d"], columns=["x", "y"]
   ....: )
   ....: 

In [88]: df.plot.pie(subplots=True, figsize=(8, 4));

您可以使用labels和colors关键字来指定每个楔形的标签和颜色。

警告

大多数 pandas 绘图都使用label和color参数（请注意这些参数上缺少“s”）。为了与您保持一致，matplotlib.pyplot.pie()必须使用labels和colors。

如果要隐藏楔形标签，请指定labels=None。如果fontsize指定，该值将应用于楔形标签。此外，还matplotlib.pyplot.pie()可以使用所支持的其他关键字。

In [89]: series.plot.pie(
   ....:     labels=["AA", "BB", "CC", "DD"],
   ....:     colors=["r", "g", "b", "c"],
   ....:     autopct="%.2f",
   ....:     fontsize=20,
   ....:     figsize=(6, 6),
   ....: );
   ....: 

如果传递总和小于 1.0 的值，它们将被重新缩放，以便它们的总和为 1。

In [90]: series = pd.Series([0.1] * 4, index=["a", "b", "c", "d"], name="series2")

In [91]: series.plot.pie(figsize=(6, 6));

有关更多信息，请参阅matplotlib 饼图文档。

绘制缺失数据#

DataFramespandas 尝试在绘图或Series 包含缺失数据方面保持务实。根据绘图类型，缺失值会被删除、省略或填充。

地块类型	NaN 处理
线	在 NaN 处留下间隙
线（堆叠）	补0
酒吧	补0
分散	删除 NaN
直方图	删除 NaN（按列）
盒子	删除 NaN（按列）
区域	补0
凯德	删除 NaN（按列）
六边形	删除 NaN
馅饼	补0

如果这些默认值中的任何一个不是您想要的，或者如果您想明确如何处理缺失值，请考虑在绘图之前使用fillna()或。dropna()

绘图工具#

这些函数可以从中导入pandas.plotting 并采用Series或DataFrame作为参数。

散点矩阵图#

scatter_matrix您可以使用以下方法创建散点图矩阵 pandas.plotting：

In [92]: from pandas.plotting import scatter_matrix

In [93]: df = pd.DataFrame(np.random.randn(1000, 4), columns=["a", "b", "c", "d"])

In [94]: scatter_matrix(df, alpha=0.2, figsize=(6, 6), diagonal="kde");

密度图#

您可以使用Series.plot.kde()和DataFrame.plot.kde()方法创建密度图。

In [95]: ser = pd.Series(np.random.randn(1000))

In [96]: ser.plot.kde();

安德鲁斯曲线#

安德鲁斯曲线允许将多元数据绘制为大量曲线，这些曲线是使用样本的属性作为傅里叶级数的系数创建的，请参阅维基百科条目以获取更多信息。通过为每个类别对这些曲线进行不同的着色，可以可视化数据聚类。属于同一类样本的曲线通常会更靠近并形成更大的结构。

注意：“Iris”数据集可在此处获取。

In [97]: from pandas.plotting import andrews_curves

In [98]: data = pd.read_csv("data/iris.data")

In [99]: plt.figure();

In [100]: andrews_curves(data, "Name");

平行坐标#

平行坐标是一种用于绘制多元数据的绘图技术，有关介绍，请参阅维基百科条目。平行坐标允许人们看到数据中的簇并直观地估计其他统计数据。使用平行坐标点表示为连接的线段。每条垂直线代表一个属性。一组连接的线段代表一个数据点。倾向于聚集的点看起来会更靠近。

In [101]: from pandas.plotting import parallel_coordinates

In [102]: data = pd.read_csv("data/iris.data")

In [103]: plt.figure();

In [104]: parallel_coordinates(data, "Name");

滞后图#

滞后图用于检查数据集或时间序列是否随机。随机数据不应在滞后图中表现出任何结构。非随机结构意味着底层数据不是随机的。争论lag可能会被通过，而当lag=1情节本质上是data[:-1]对的 data[1:]。

In [105]: from pandas.plotting import lag_plot

In [106]: plt.figure();

In [107]: spacing = np.linspace(-99 * np.pi, 99 * np.pi, num=1000)

In [108]: data = pd.Series(0.1 * np.random.rand(1000) + 0.9 * np.sin(spacing))

In [109]: lag_plot(data);

自相关图#

自相关图通常用于检查时间序列中的随机性。这是通过计算不同时间滞后的数据值的自相关来完成的。如果时间序列是随机的，则对于任何和所有时滞分离，这种自相关性都应该接近于零。如果时间序列是非随机的，则一个或多个自相关将显着非零。图中显示的水平线对应于 95% 和 99% 置信带。虚线是 99% 置信带。有关自相关图的更多信息，请参阅维基百科条目。

In [110]: from pandas.plotting import autocorrelation_plot

In [111]: plt.figure();

In [112]: spacing = np.linspace(-9 * np.pi, 9 * np.pi, num=1000)

In [113]: data = pd.Series(0.7 * np.random.rand(1000) + 0.3 * np.sin(spacing))

In [114]: autocorrelation_plot(data);

自举图#

Bootstrap 图用于直观地评估统计量的不确定性，例如平均值、中位数、中值等。从数据集中选择指定大小的随机子集，针对该子集计算相关统计量，过程为重复指定次数。生成的图和直方图构成了引导图。

In [115]: from pandas.plotting import bootstrap_plot

In [116]: data = pd.Series(np.random.rand(1000))

In [117]: bootstrap_plot(data, size=50, samples=500, color="grey");

RadViz #

RadViz 是一种可视化多变量数据的方法。它基于简单的Spring张力最小化算法。基本上你在平面上设置了一堆点。在我们的例子中，它们在单位圆上等距分布。每个点代表一个属性。然后，假设数据集中的每个样本都通过Spring连接到每个点，Spring的刚度与该属性的数值成正比（它们被标准化为单位间隔）。平面上样品稳定的点（作用在样品上的力处于平衡状态）就是绘制代表样品的点的位置。根据样本属于哪个类，它的颜色会有所不同。有关详细信息，请参阅 R 包Raviz 。

注意：“Iris”数据集可在此处获取。

In [118]: from pandas.plotting import radviz

In [119]: data = pd.read_csv("data/iris.data")

In [120]: plt.figure();

In [121]: radviz(data, "Name");

绘图格式#

设置绘图风格#

从版本 1.5 及更高版本开始，matplotlib 提供了一系列预配置的绘图样式。设置样式可用于轻松地为绘图提供您想要的总体外观。设置样式就像matplotlib.style.use(my_plot_style)在创建绘图之前调用一样简单。例如，您可以编写matplotlib.style.use('ggplot')ggplot 风格的图。

您可以在此处看到各种可用的样式名称，matplotlib.style.available并且很容易尝试它们。

一般情节风格参数#

大多数绘图方法都有一组关键字参数，用于控制返回绘图的布局和格式：

In [122]: plt.figure();

In [123]: ts.plot(style="k--", label="Series");

对于每种绘图（例如line、bar、scatter），任何附加参数关键字都会传递给相应的 matplotlib 函数（ax.plot()、 ax.bar()、 ax.scatter()）。这些可用于控制 pandas 提供之外的其他样式。

控制传奇#

您可以将legend参数设置为False隐藏默认情况下显示的图例。

In [124]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD"))

In [125]: df = df.cumsum()

In [126]: df.plot(legend=False);

控制标签#

您可以设置xlabel和ylabel参数来为 x 轴和 y 轴提供绘图自定义标签。默认情况下，pandas 会将索引名称选择为 xlabel，而将 ylabel 保留为空。

In [127]: df.plot();

In [128]: df.plot(xlabel="new x", ylabel="new y");

秤#

您可以通过logy获取对数刻度 Y 轴。

In [129]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))

In [130]: ts = np.exp(ts.cumsum())

In [131]: ts.plot(logy=True);

另请参见logx和loglog关键字参数。

在辅助 y 轴上绘图#

要在辅助 y 轴上绘制数据，请使用secondary_y关键字：

In [132]: df["A"].plot();

In [133]: df["B"].plot(secondary_y=True, style="g");

要在 a 中绘制某些列DataFrame，请将列名称指定给secondary_y 关键字：

In [134]: plt.figure();

In [135]: ax = df.plot(secondary_y=["A", "B"])

In [136]: ax.set_ylabel("CD scale");

In [137]: ax.right_ax.set_ylabel("AB scale");

请注意，在辅助 y 轴上绘制的列在图例中自动标记为“（右）”。要关闭自动标记，请使用 mark_right=False关键字：

In [138]: plt.figure();

In [139]: df.plot(secondary_y=["A", "B"], mark_right=False);

时间序列图的自定义格式化程序#

pandas 为时间序列图提供自定义格式化程序。这些更改了日期和时间轴标签的格式。默认情况下，自定义格式化程序仅应用于 pandas 使用 DataFrame.plot()或来创建的绘图Series.plot()。要将它们应用于所有绘图，包括由 matplotlib 绘制的绘图，请设置选项或使用 .pd.options.plotting.matplotlib.register_converters = Truepandas.plotting.register_matplotlib_converters()

抑制刻度分辨率调整#

pandas 包括针对常规频率时间序列数据的自动刻度分辨率调整。对于 pandas 无法推断频率信息的有限情况（例如，在外部创建的twinx），您可以选择抑制此行为以进行对齐。

这是默认行为，请注意 x 轴刻度标签是如何执行的：

In [140]: plt.figure();

In [141]: df["A"].plot();

使用该x_compat参数，您可以抑制此行为：

In [142]: plt.figure();

In [143]: df["A"].plot(x_compat=True);

如果您有多个图需要抑制，则可以在语句中使用use中的方法：pandas.plotting.plot_paramswith

In [144]: plt.figure();

In [145]: with pd.plotting.plot_params.use("x_compat", True):
   .....:     df["A"].plot(color="r")
   .....:     df["B"].plot(color="g")
   .....:     df["C"].plot(color="b")
   .....: 

自动日期刻度调整#

TimedeltaIndex现在使用本机 matplotlib 刻度定位器方法，对于刻度标签重叠的图形，从 matplotlib 调用自动日期刻度调整非常有用。

有关更多信息，请参阅该autofmt_xdate方法和 matplotlib 文档。

次要情节#

Seriesa 中的每个都DataFrame可以使用关键字绘制在不同的轴上subplots：

In [146]: df.plot(subplots=True, figsize=(6, 6));

使用布局并定位多个轴#

子图的布局可以通过layout关键字指定。是可以接受的。关键字也可以用在 and中。如果输入无效，则会引发 a。(rows, columns)layouthistboxplotValueError

由指定的行 x 列可以包含的轴数layout必须大于所需子图的数量。如果布局可以包含多于所需的轴，则不会绘制空白轴。与 NumPy 数组的reshape方法类似，您可以使用-1一个维度来自动计算所需的行数或列数（给定另一个维度）。

In [147]: df.plot(subplots=True, layout=(2, 3), figsize=(6, 6), sharex=False);

上面的例子与使用相同：

In [148]: df.plot(subplots=True, layout=(2, -1), figsize=(6, 6), sharex=False);

所需的列数 (3) 是根据要绘制的系列数和给定的行数 (2) 推断出来的。

您可以通过关键字以类似列表的形式传递预先创建的多个轴ax。这允许更复杂的布局。传递的轴必须与正在绘制的子图的数量相同。

当通过关键字传递多个轴时ax，layout,sharex和sharey关键字不会影响输出。您应该显式传递sharex=False和sharey=False，否则您将看到警告。

In [149]: fig, axes = plt.subplots(4, 4, figsize=(9, 9))

In [150]: plt.subplots_adjust(wspace=0.5, hspace=0.5)

In [151]: target1 = [axes[0][0], axes[1][1], axes[2][2], axes[3][3]]

In [152]: target2 = [axes[3][0], axes[2][1], axes[1][2], axes[0][3]]

In [153]: df.plot(subplots=True, ax=target1, legend=False, sharex=False, sharey=False);

In [154]: (-df).plot(subplots=True, ax=target2, legend=False, sharex=False, sharey=False);

另一种选择是将ax参数传递给Series.plot()在特定轴上绘图：

In [155]: np.random.seed(123456)

In [156]: ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))

In [157]: ts = ts.cumsum()

In [158]: df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=list("ABCD"))

In [159]: df = df.cumsum()

In [160]: fig, axes = plt.subplots(nrows=2, ncols=2)

In [161]: plt.subplots_adjust(wspace=0.2, hspace=0.5)

In [162]: df["A"].plot(ax=axes[0, 0]);

In [163]: axes[0, 0].set_title("A");

In [164]: df["B"].plot(ax=axes[0, 1]);

In [165]: axes[0, 1].set_title("B");

In [166]: df["C"].plot(ax=axes[1, 0]);

In [167]: axes[1, 0].set_title("C");

In [168]: df["D"].plot(ax=axes[1, 1]);

In [169]: axes[1, 1].set_title("D");

用误差线绘图#

DataFrame.plot()和中支持使用误差线绘图Series.plot()。

水平和垂直误差线可以提供给xerr和yerr关键字参数plot()。可以使用多种格式指定错误值：

作为列名与绘图属性匹配或DataFrame与.dictcolumnsDataFramenameSeries
作为str指示绘图的哪一列DataFrame包含错误值。
作为原始值（list、tuple或np.ndarray）。必须与绘图DataFrame/ 的长度相同Series。

以下是一种轻松绘制组均值与原始数据标准差的方法的示例。

# Generate the data
In [170]: ix3 = pd.MultiIndex.from_arrays(
   .....:     [
   .....:         ["a", "a", "a", "a", "a", "b", "b", "b", "b", "b"],
   .....:         ["foo", "foo", "foo", "bar", "bar", "foo", "foo", "bar", "bar", "bar"],
   .....:     ],
   .....:     names=["letter", "word"],
   .....: )
   .....: 

In [171]: df3 = pd.DataFrame(
   .....:     {
   .....:         "data1": [9, 3, 2, 4, 3, 2, 4, 6, 3, 2],
   .....:         "data2": [9, 6, 5, 7, 5, 4, 5, 6, 5, 1],
   .....:     },
   .....:     index=ix3,
   .....: )
   .....: 

# Group by index labels and take the means and standard deviations
# for each group
In [172]: gp3 = df3.groupby(level=("letter", "word"))

In [173]: means = gp3.mean()

In [174]: errors = gp3.std()

In [175]: means
Out[175]: 
                data1     data2
letter word                    
a      bar   3.500000  6.000000
       foo   4.666667  6.666667
b      bar   3.666667  4.000000
       foo   3.000000  4.500000

In [176]: errors
Out[176]: 
                data1     data2
letter word                    
a      bar   0.707107  1.414214
       foo   3.785939  2.081666
b      bar   2.081666  2.645751
       foo   1.414214  0.707107

# Plot
In [177]: fig, ax = plt.subplots()

In [178]: means.plot.bar(yerr=errors, ax=ax, capsize=4, rot=0);

还支持不对称误差线，但在这种情况下必须提供原始误差值。对于Nlength Series，2xN应提供一个数组来指示下限和上限（或左和右）错误。对于 a MxN DataFrame，不对称错误应位于Mx2xN数组中。

以下是使用不对称误差线绘制最小/最大范围的一种方法的示例。

In [179]: mins = gp3.min()

In [180]: maxs = gp3.max()

# errors should be positive, and defined in the order of lower, upper
In [181]: errors = [[means[c] - mins[c], maxs[c] - means[c]] for c in df3.columns]

# Plot
In [182]: fig, ax = plt.subplots()

In [183]: means.plot.bar(yerr=errors, ax=ax, capsize=4, rot=0);

绘制表格#

现在支持使用关键字DataFrame.plot()来使用 matplotlib 表进行绘图。关键字可以接受,或。绘制表格的简单方法是指定。数据将被转置以满足 matplotlib 的默认布局。Series.plot()tabletableboolDataFrameSeriestable=True

In [184]: np.random.seed(123456)

In [185]: fig, ax = plt.subplots(1, 1, figsize=(7, 6.5))

In [186]: df = pd.DataFrame(np.random.rand(5, 3), columns=["a", "b", "c"])

In [187]: ax.xaxis.tick_top()  # Display x-axis ticks on top.

In [188]: df.plot(table=True, ax=ax);

另外，您可以将不同的DataFrameor传递Series给 table关键字。数据将按照打印方法中显示的方式绘制（不会自动转置）。如果需要，应手动转置，如下例所示。

In [189]: fig, ax = plt.subplots(1, 1, figsize=(7, 6.75))

In [190]: ax.xaxis.tick_top()  # Display x-axis ticks on top.

In [191]: df.plot(table=np.round(df.T, 2), ax=ax);

还有一个辅助函数，它从orpandas.plotting.table创建一个表，并将其添加到一个实例中。该函数可以接受 matplotlib表具有的关键字。DataFrameSeriesmatplotlib.Axes

In [192]: from pandas.plotting import table

In [193]: fig, ax = plt.subplots(1, 1)

In [194]: table(ax, np.round(df.describe(), 2), loc="upper right", colWidths=[0.2, 0.2, 0.2]);

In [195]: df.plot(ax=ax, ylim=(0, 2), legend=None);

注意：您可以使用属性获取轴上的表实例axes.tables以进行进一步装饰。有关更多信息，请参阅matplotlib 表文档。

色彩图#

绘制大量列时的一个潜在问题是，由于默认颜色的重复，可能很难区分某些系列。为了解决这个问题，DataFrame绘图支持使用colormap参数，该参数接受 Matplotlib颜色图或作为在 Matplotlib 中注册的颜色图名称的字符串。默认 matplotlib 颜色图的可视化可在此处获得。

由于 matplotlib 不直接支持基于线的绘图的颜色图，因此根据DataFrame.没有考虑背景颜色，因此某些颜色图会产生不易看见的线条。

要使用立方体螺旋颜色图，我们可以传递colormap='cubehelix'.

In [196]: np.random.seed(123456)

In [197]: df = pd.DataFrame(np.random.randn(1000, 10), index=ts.index)

In [198]: df = df.cumsum()

In [199]: plt.figure();

In [200]: df.plot(colormap="cubehelix");

或者，我们可以传递颜色图本身：

In [201]: from matplotlib import cm

In [202]: plt.figure();

In [203]: df.plot(colormap=cm.cubehelix);

颜色图也可以用于其他绘图类型，例如条形图：

In [204]: np.random.seed(123456)

In [205]: dd = pd.DataFrame(np.random.randn(10, 10)).map(abs)

In [206]: dd = dd.cumsum()

In [207]: plt.figure();

In [208]: dd.plot.bar(colormap="Greens");

平行坐标图：

In [209]: plt.figure();

In [210]: parallel_coordinates(data, "Name", colormap="gist_rainbow");

安德鲁斯曲线图：

In [211]: plt.figure();

In [212]: andrews_curves(data, "Name", colormap="winter");

直接用 Matplotlib 绘图#

在某些情况下，直接使用 matplotlib 准备绘图可能仍然更好或有必要，例如当 pandas（尚）不支持某种类型的绘图或自定义时。Series对象DataFrame 的行为类似于数组，因此可以直接传递给 matplotlib 函数，而无需显式转换。

pandas 还自动注册识别日期索引的格式化程序和定位器，从而将日期和时间支持扩展到 matplotlib 中几乎所有可用的绘图类型。尽管这种格式无法提供与通过 pandas 绘图时相同的细化级别，但在绘制大量点时它可以更快。

In [213]: np.random.seed(123456)

In [214]: price = pd.Series(
   .....:     np.random.randn(150).cumsum(),
   .....:     index=pd.date_range("2000-1-1", periods=150, freq="B"),
   .....: )
   .....: 

In [215]: ma = price.rolling(20).mean()

In [216]: mstd = price.rolling(20).std()

In [217]: plt.figure();

In [218]: plt.plot(price.index, price, "k");

In [219]: plt.plot(ma.index, ma, "b");

In [220]: plt.fill_between(mstd.index, ma - 2 * mstd, ma + 2 * mstd, color="b", alpha=0.2);

绘制后端#

pandas 可以通过第三方绘图后端进行扩展。主要思想是让用户选择一个与基于 Matplotlib 提供的绘图后端不同的绘图后端。

这可以通过将“backend.module”作为函数backend中的参数传递来完成。plot例如：

>>> Series([1, 2, 3]).plot(backend="backend.module")

或者，你也可以全局设置这个选项，这样就不需要在每次plot调用时都指定关键字了。例如：

>>> pd.set_option("plotting.backend", "backend.module")
>>> pd.Series([1, 2, 3]).plot()

或者：

>>> pd.options.plotting.backend = "backend.module"
>>> pd.Series([1, 2, 3]).plot()

这或多或少相当于：

>>> import backend.module
>>> backend.module.plot(pd.Series([1, 2, 3]))

然后，后端模块可以使用其他可视化工具（Bokeh、Altair、hvplot...）来生成绘图。生态系统页面上列出了一些实现 pandas 后端的库。

开发人员指南可以在https://pandas.pydata.org/docs/dev/development/extending.html#plotting-backends找到

图表可视化#

基本绘图：plot#

其他地块#

条形图#

直方图#

箱线图#

面积图#

散点图＃

六边形箱图#

饼图#

绘制缺失数据#

绘图工具#

散点矩阵图#

密度图#

安德鲁斯曲线#

平行坐标#

滞后图#

自相关图#

自举图#

RadViz #

绘图格式#

设置绘图风格#

一般情节风格参数#

控制传奇#

控制标签#

秤#

在辅助 y 轴上绘图#

时间序列图的自定义格式化程序#

抑制刻度分辨率调整#

自动日期刻度调整#

次要情节#

使用布局并定位多个轴#

用误差线绘图#

绘制表格#

色彩图#

直接用 Matplotlib 绘图#

绘制后端#

基本绘图：`plot`#