pandas库中数据结构DataFrame的绘制函数

本文主要是介绍pandas库中数据结构DataFrame的绘制函数，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在使用Canopy进行数据分析时，我们会用到pandas库，通过它我们可以灵活的对数据进行处理、转换和绘图等操作。其中非常重要的数据结构就是DataFrame。
本文主要整理一下对DataFrame对象进行plot操作的使用说明。

函数名称：
pandas.DataFrame.plot

函数参数列表及缺省值：
DataFrame.plot(data, x=None, y=None, kind=’line’, ax=None, subplots=False, sharex=True, sharey=False, layout=None, figsize=None, use_index=True, title=None, grid=None, legend=True, style=None, logx=False, logy=False, loglog=False, xticks=None, yticks=None, xlim=None, ylim=None, rot=None, fontsize=None, colormap=None, table=False, yerr=None, xerr=None, secondary_y=False, sort_columns=False, **kwds)

Make plots of DataFrame using matplotlib / pylab.

相关参数说明：

Parameters :

data : DataFrame

# 需要绘制的数据对象

x : label or position, default None

# x轴的标签值，缺省值是 None

y : label or position, default None

Allows plotting of one column versus another

# y轴的标签值，缺省值是 None

kind : str

‘line’ : line plot (default)

‘bar’ : vertical bar plot

‘barh’ : horizontal bar plot

‘hist’ : histogram

‘box’ : boxplot

‘kde’ : Kernel Density Estimation plot

‘density’ : same as ‘kde’

‘area’ : area plot

‘pie’ : pie plot

‘scatter’ : scatter plot

‘hexbin’ : hexbin plot

# 标识绘制方式的字符串，缺省值是 ‘line’

ax : matplotlib axes object, default None

# 当使用到subplots绘图时，会得到包含子图对象的参数，

再完善子图内容时需要指定该参数，缺省值是 None [可参照后面示例1]

subplots : boolean, default False

Make separate subplots for each column

# 所绘制对象数据 data 是否需要分成不同的子图，缺省值是 False [可参照后面示例2]

sharex : boolean, default True

In case subplots=True, share x axis

# 当参数subplots 为 True时，该值表示各子图是否共享x轴标签值，缺省值是 True

sharey : boolean, default False

In case subplots=True, share y axis

# 当参数subplots 为 True时，该值表示各子图是否共享x轴标签值，缺省值为 True

layout : tuple (optional)

(rows, columns) for the layout of subplots

figsize : a tuple (width, height) in inches

use_index : boolean, default True

Use index as ticks for x axis

title : string

# 图的标题

Title to use for the plot

grid : boolean, default None (matlab style default)

Axis grid lines

# 是否需要显示网格，缺省值是 None[需要留意的是，在Canopy中默认是显示网格的]

legend : False/True/’reverse’

Place legend on axis subplots

# 添加子图的图例，缺省值是True

style : list or dict

matplotlib line style per column

# 设置绘制线条格式，仅当参数kind 设置为 ‘line’ [可参照后面示例3]

logx : boolean, default False

Use log scaling on x axis

# 将x轴设置成对数坐标，缺省值是False

logy : boolean, default False

Use log scaling on y axis

# 将y轴设置成对数坐标，缺省值是False

loglog : boolean, default False

Use log scaling on both x and y axes

# 将x轴、y轴都设置成对数坐标，缺省值是False

xticks : sequence

Values to use for the xticks

# 指定 x轴标签的取值范围（或步长）

yticks : sequence

Values to use for the yticks

# 指定 y轴标签的取值范围（或步长）

xlim : 2-tuple/list

ylim : 2-tuple/list

rot : int, default None

Rotation for ticks (xticks for vertical,

yticks for horizontal plots)

fontsize : int, default None

Font size for xticks and yticks

# 字体大小，缺省值是 None

colormap : str or matplotlib colormap object,

default None

Colormap to select colors from. If string,

load colormap with that name from matplotlib.

# 指定具体颜色取值或对应对象名称，缺省值是 None

colorbar : boolean, optional

If True, plot colorbar (only relevant for

‘scatter’ and ‘hexbin’ plots)

# 是否显示颜色条，如果设为 True，则仅当参数kind 设置为 ‘scatter’、 ‘hexbin’时有效

position : float

Specify relative alignments for bar plot layout.

From 0 (left/bottom-end) to 1 (right/top-end).

Default is 0.5 (center)

layout : tuple (optional)

(rows, columns) for the layout of the plot

table : boolean, Series or DataFrame, default False

If True, draw a table using the data in the

DataFrame and the data will be transposed to meet

matplotlib’s default layout. If a Series or

DataFrame is passed, use passed data to draw a table.

yerr : DataFrame, Series, array-like, dict and str

See Plotting with Error Bars for detail.

xerr : same types as yerr.

stacked : boolean, default False in line and

bar plots, and True in area plot.

If True, create stacked plot.

# 参数kind 设置为 ‘line’、’bar’时，该值默认为False，

# 参数 kind 设置为’area’时，该值默认为True

# 当该参数设置为True时，生成对应的堆积图

sort_columns : boolean, default False

Sort column names to determine plot ordering

secondary_y : boolean or sequence, default False

Whether to plot on the secondary y-axis If a list/tuple,

which columns to plot on secondary y-axis

mark_right : boolean, default True

When using a secondary_y axis, automatically mark the

column labels with “(right)” in the legend

kwds : keywords

Options to pass to matplotlib plotting method

Returns : axes : matplotlib.AxesSubplot or np.array of them

示例：

示例1：

参照《Python 数据分析（三）［MAC］》中第7个分析任务—男孩女孩名字中各个末字母的比例

<pre>### 7. count the sum of each last letter of names of diferent 'sex' in each year
 
get_last_letter = lambda x: x[-1]
 
last_letters = names.name.map(get_last_letter)
 
last_letters.name = 'last_letter'
 
table = names.pivot_table('births', rows=last_letters, cols=['sex', 'year'], aggfunc=sum)
 
subtable = table.reindex(columns=[1910, 1960, 2010], level='year')
 
letter_prop = subtable / subtable.sum().astype(float)
 
import matplotlib.pyplot as plt
 
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
 
letter_prop['M'].plot(kind='bar', rot=0, ax=axes[0], title='Male')
 
letter_prop['F'].plot(kind='bar', rot=0, ax=axes[1], title='Female', legend=False)

说明：
先调用plt（matplotlib.pyplot）绘制两个空白子图，再通过对应数据对象（letter_prop[‘M’]、letter_prop[‘F’]）依次绘制不同的子图，这时调用plot函数时就需要设置ax参数，让其指定到待显示的子图对象。对应绘制结果如下。

示例2：

参照《Python 数据分析（三）［MAC］》中第4个分析任务—获取’John’、’Harry’、’Mary’、’Marilyn’随时间变化的使用数量

### 4. get the sum of names['John', 'Harry', 'Mary', 'Marilyn'] of diferent 'sex' in each year
 
subset = total_births[['John', 'Harry', 'Mary', 'Marilyn']]
 
subset.plot(subplots=True, figsize=(12, 10), grid=False, title="Number of births per year", xticks=range(1880, 2020, 10))

说明：
先获取含有不同子图所涉及的数据对象subset，再在调用plot时，设置参数 subplots = True。对应绘制结果如下。

示例3：

参照《Python 数据分析（三）［MAC］》中第4个分析任务—各年度使用包含’lesl’名字的男女比例

### 9. count the ratio of names[contain 'lesl'] of diferent 'sex' in each year
 
all_names = top1000.name.unique()
 
mask = np.array(['lesl' in x.lower() for x in all_names])
 
lesley_like = all_names[mask]
 
filtered = top1000[top1000.name.isin(lesley_like)]
 
filtered.groupby('name').births.sum()
 
table = filtered.pivot_table('births', rows='year', cols='sex', aggfunc='sum')
 
table = table.div(table.sum(1), axis=0)
 
table.plot(style={'M':'k-','F': 'k--'}, xticks=range(1880, 2020, 10))