pandas中的绘图函数---Seaborn/ seaborn.load_dataset/ matplotlib.pyplot/ matplotlib.pyplot.plot

1.Seaborn

Seaborn是基于matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形。更多运用了解Seaborn官方介绍

2.seaborn.load_dataset

seaborn.load_dataset(name, cache=True, data_home=None, **kws)从在线库中获取数据集(需要联网)。
参数说明：
name：字符串，数据集的名字 (name.csv on https://github.com/mwaskom/seaborn-data)。您可以通过 get_dataset_names() 获取可用的数据集
cache：boolean, 可选，如果为True，则在本地缓存数据并在后续调用中使用缓存
data_home：string, 可选，用于存储缓存数据的目录。默认情况下使用 ~/seaborn-data/
kws：dict, 可选，传递给 pandas.read_csv
关于此，更多可参考官网

在这里插入图片描述

3.matplotlib.pyplot

matplotlib.pyplot.acorr（x，hold = None，data = None，** kwargs ）
参数说明

x	标量序列
hold	布尔值，可选，不推荐使用，默认值：True
detrend	可调用，可选，默认：mlab.detrend_none
normed	布尔值，可选，默认值：True如果为True，则将输入向量归一化为单位长度。
usevlines	布尔值，可选，默认：True如果为True，则使用Axes.vlines绘制从原点到acorr的垂直线。否则，将使用Axes.plot
maxlags	整数，可选，默认：10；显示的滞后次数。如果为None，将返回所有2 * len（x）-1个滞后。
返回值	（滞后，c，行，b）：其中：lags 是长度2`maxlags + 1滞后向量。c 是2`maxlags + 1自相关向量line是由Line2D返回的实例 plot，b 是x轴。
更多	点此进入官网，了解更多示例

4.matplotlib.pyplot.plot

matplotlib.pyplot.acorr（x，hold = None，data = None，** kwargs ）

参数详解：
网搜一篇文章觉得写的挺有帮助的，自己就不写啦：
1.参考博客matplotlib.pyplot.plot()参数详解
2.参考官网：matplotlib.pyplot是matplotlib的基于状态的接口

5.示例运用：

(5.1)Series图表示例------线行图

now = pd.datetime.now()
index = pd.date_range(start=now,periods=6,freq='Q')
s = Series(data=np.random.randint(77,99,size=6),index= index,name='W')
s.plot(kind='line')

在这里插入图片描述

(5.1)DataFrame图表示例------线行图

now = pd.datetime.now()
index1 = pd.date_range(start=now,periods=6,freq='Q')
data1 = {
    'product':np.random.randint(25,45,size=6),
    'number_pen':np.random.randint(3,5,size=6)
       }
df = DataFrame(data=data1,index=index1)
df.plot(kind='line')

在这里插入图片描述
(5.2)Series图表示例------柱状图

s = Series(data=np.random.randint(24,79,size=3),index=list('ABC'))
s.plot(kind='bar/barh')

在这里插入图片描述
(5.2)DataFrame图表示例------柱状图

df = DataFrame(data=np.random.randint(3,9,size=(3,7)),columns=list('ABCDEFG'))
df.plot(kind='bar/barh')

在这里插入图片描述
(5.3)示例------直方图
统计在每个数据区间，数据出现的次数
normed：把次数转换成可能出现的概率(0-1)区间
density：seabon matplotlib
data.plot(kind=‘hist’,bins=5,normed=True)
核密度估计图，把每个数据区间可能出现的概率进行统计
data.plot(kind=‘kde’)

显示个数区别：

# 个数
data1 = Series(data=np.random.randn(827))
data1.plot(kind='hist')
data1.plot(kind='hist',bins=15)

在这里插入图片描述
normal的True和False

# normal
data1 = Series(data=np.random.randn(827))
data1.plot(kind='hist',bins=4,normed=False)
data1.plot(kind='hist',bins=4,normed=True)

在这里插入图片描述
kde使用

data1 = Series(data=np.random.randn(827))

data1.plot(kind='hist',bins=6,normed=True)
data1.plot(kind='kde')

data1.plot(kind='hist',bins=2,normed=True)
data1.plot(kind='kde')