Pandas的绘图函数
之前看的直接用matplotlib来绘图，画一张图还得配置各种标题，刻度标签等等。而pandas的DataFrame和Series都自带生成各类图表的plot方法，就可以省略去写行列标签，分组信息等。明显更简洁的多。
线形图
plot方法默认生成的就是线形图。
import numpy as np
from pandas import Series,DataFrame
%matplotlib inline
s = Series(np.random.randn(10).cumsum(),index=np.arange(0,100,10))
s.plot()该Series对象的索引会传给matplotlib，并用来绘制X轴。可以用use_index=False,然后用xticks和xlim，yticks和ylim调节。其他参数参考后面的plot的参数表查看。
DataFrame的plot方法会在一个subplot中为各列绘制一条线，并自动创建图例。
df = DataFrame(np.random.randn(10,4).cumsum(0),columns = ['A','B','C','D' ],index = np.arange(0,100,10))
df.plot()
Series.plot方法的参数如下：
| 参数 | 说明 |
|---|---|
| label | 用于图例的标签 |
| ax | 要在其上进行绘制的matplotlib subplot对象.如果没有设置，则使用当前matplotlib subplot |
| style | 将要传给matplotlib的风格字符串(如’ko–’) |
| alpha | 图表的填充不透明度(0到1之间) |
| kind | 可以是’line’, ‘bar’, ‘barh’, ‘kde |
| logy | 在y轴上使用对数标尺 |
| use index | 将对象的索引用作刻度标签 |
| rot | 旋转刻度标签(0到360) |
| xticks | 用作x轴刻度的值 |
| yticks | 用作y轴刻度的值 |
| xlim | x轴的界限(例如[0,101) |
| ylim | y轴的界限 |
| grid | 显示轴网格线(默认打开) |
专用于DataFrame.plot方法的参数如下：
| 参数 | 说明 |
|---|---|
| subplots | 将各个DataFrame列绘制到单独的subplot中 |
| sharex | 如果subplots=True，则共用同一个x轴，包括刻度和界限 |
| sharey | 如果subplots=True，则共用同一个Y轴 |
| figsize | 表示图像大小的元组 |
| title | 表示图像标题的字符串 |
| legend | 添加一个subplot图例(默认为True) |
| sort_columns | 以字母表顺序绘制各列，默认使用当前列顺序 |
柱状图
柱状图比较简单，在线形图生成的代码下，添加kind=’bar’(垂直柱状图)或kind=’barh’(水平柱状图)
DataFrame默认会将每行的数据分为一组。
当使用stacked = True参数时即可生成堆积柱状图，每行的值堆积在一起。
s.value_counts().plot(kind='bar')可用来显示Series各值的出现概率。
后面举了个例子不贴了，但是这个注解。。。
直方图和密度图
直方图(histogram)是一种可以对值频率进行离散化显示的柱状图。数据点被拆分到离散的、间隔均匀的面元中.绘制的是各面元中数据点的数量。简而言之，就是用来表明分布情况的柱状图。一般第一步是将值的范围分段，即将整个值的范围分成一系列间隔，然后计算每个间隔中有多少值。 这些值通常被指定为连续的，不重叠的变量间隔。 间隔必须相邻，并且通常是（但不是必须的）相等的大小。Serises的hist方法可以实现。
与此相关的一种图表类型是密度图，它是通过计算“可能会产生观测数据的连续概率分布的估计”而产生的。一般的过程是将该分布近似为一组核(即诸如正态(高斯)分布之类的较为简单的分布)。因此，密度图也被称作KDE (Kernel Density Estimate,核密度估计)图.调用plot时加kind=’kde’即可生成一张密度图（标准混合正态分布）。
这两种图表常常会被画在一起。直方图以规格化形式给出(以便给出面元化密度).然后再在其上绘制核密度估计。看一个由两个不同的标准正态分布组成的双峰分布(如图所示):
comp1 = np.random.normal(0,1,size=200) #N(0,1)
comp2 = np.random.normal(10,2,size=200) #N(10,4)
values = Series(np.concatenate([comp1,comp2]))
values.hist(bins=100,alpha=0.3,color='k',normed =True) #hist画直方图
values.plot(kind='kde',style='k--')
散布图
散布图(scatter plot)是观察两个一维数据序列之间的关系的有效手段。matplotlib的scatter方法是绘制散布图的主要方法。
DataFrame用plotting的scatter_matrix创建散布图矩阵，并且支持对角线上放置各变量的直方图或密度图(diagonal=’kde’)。
import pandas as pd
pd.plotting.scatter_matrix(df,diagonal='kde',color='k',alpha=0.3)
Python图形化工具生态系统
matplotlib是Python领域使用最广泛的绘图工具。虽然matplotlib可以为
Web应用创建漂亮的图表，但这通常需要耗费大量的精力，因为它原本是为印刷而设计的。先不管美不美观，至少它足以应付大部分需求.其他的还有Chaco（非常适合用复杂的图形化方式表达数据的内部关系。对交互的支持要好得多，而且渲染速度很快），mayavi（是一个基于开源C++图形库VTK的3D图形工具包。也能集成到Ipython实现交互）
最后，关于图形化工具的原话：基于Web技术(比如JavaScript)的图形化是必然的发展趋势。毫无疑问.许多基于Flash或JavaScript的静态或交互式图形化工具已经出现了很多年。而且类似的新工具包(如d3.js及其分支项目)一直都在不断涌现。相比之下，非Web式的图形化开发工作在近几年中减慢了许多。Python以及其他数据分析和统计计算环挽(如R)都是如此。于是，开发方向就变成了实现数据分析和准备工具（如pandas）与Web浏览器之间更为紧密的集成.
微信公众号：BrainZou
欢迎关注，一起学习。