【matplotlib绘图】Pandas绘图与matplotlib绘图的关联及异同

说到数据可视化绘图，我们先想到的应该是matplotlib库，可以对其中的axes对象等调用不同的绘图方法（如axes.plot()）。
作为数据分析用的pandas库提供了Series DataFrame等类型的对象，我们也可以调用上述对象来绘图（如Series.plot()）。

本文将介绍这个库之间的关联，以及他们画图之间的异同。

1.关联

1. Pandas库提供了Series DataFrame等类型的对象，可以在matplotlib画图中作为数据来源放入参数中，如axes.plot(Series)
2. 可以对Pandas的对象调用画图方法，如Series.plot(kind='line')，但说到底还是与matplotlib有关的，是pandas自动帮你生成了axes对象。
3. 我们可以把Pandas画出来的图回传给指定的axes对象，如Series.plot(kind='line', ax=ax1)就把这张折线图画在了ax1对象上。

下面我将用matplotlib绘图和Pandas绘图两种方法画出同样的一张多子图图表

---

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'])
#实例化fig1对象
fig1=plt.figure(figsize=(8,8),facecolor='w')
#实例化ax对象
ax1 = fig1.add_subplot(2,2,1)
ax2 = fig1.add_subplot(2,2,2)
ax3 = fig1.add_subplot(2,1,2)
#ax对象画图
  #画ax1
ax1.plot(data)#注意对象名是ax1，它是matplotlib中的axes对象类型
ax1.set_title('line chart')
ax1.set_xlabel('Year')
ax1.set_ylabel('Income')
  #画ax2
ax2.boxplot(data)
ax2.set_xticks([])
ax2.set_title('box plot')
ax2.set_xlabel('2012~2017')
ax2.set_ylabel('Income')
  #画ax3
ax3.bar(data.index, data)
ax3.set_title('bar chart')
ax3.set_xlabel('Year')
ax3.set_ylabel('Income')
#设置fig1标题
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'])
#实例化fig1对象
fig2=plt.figure(figsize=(8,8),facecolor='w')
#实例化ax对象
ax4 = fig2.add_subplot(2,2,1)
ax5 = fig2.add_subplot(2,2,2)
ax6 = fig2.add_subplot(2,1,2)
#用pandas绘图并将图像回传给ax对象
  #画ax4
data.plot(kind='line',ax=ax4)#注意对象名是data，它是Pandas中的Series对象类型
ax4.set_title('line chart')
ax4.set_xlabel('Year')
ax4.set_ylabel('Income')
  #画ax5
data.plot(kind='box',ax=ax5)
ax5.set_xticks([])
ax5.set_title('box plot')
ax5.set_xlabel('2012~2017')
ax5.set_ylabel('Income')
  #画ax6
data.plot(kind='bar',ax=ax6)
ax6.set_title('bar chart')
ax6.set_xlabel('Year')
ax6.set_ylabel('Income')
#设置fig2标题
fig2.suptitle('Using Pandas')

---

由上面的两个例子可以看出调用Pandas绘图和调用matplotlib绘图很多时候可以达到相同的效果

2.不同点

仔细分析画柱状图的两个语句ax3.bar(data.index, data)和data.plot(kind='bar',ax=ax6)
会发现在调用ax3画图的时候bar()方法里面有两个参量data.index和data，分别是这张图的x轴类别和y轴高度。
而用pandas画图的时候，我们只用把data对象放在前面，它就能自动识别出data里面的index和value。

从上面也可以看出来，对于用Series DataFrame这些用Pandas对象封装的多维的数据，调用Pandas绘图会有更方便和更好的支持。

下面再举一例：
我们有一个DataFrame类型的人员信息表格，每一行包含一个人的性别，收入等信息。现在我要按照性别分类，画出女性的收入的箱线图和男性收入的箱线图：

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绘图的话，就必须对DataFrame进行有条件的筛选切片，选出来所有女性的income列和男性的income列，然后再画箱线图：

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绘图的话，只需以df作为对象放在前面，调用boxplot()方法，并将'income',by='sex'填入参数里即可，相当于是Pandas自动帮你切片出income这一列，并以sex归类聚合了，比调用matplotlib方便不少，也直观很多：

fig8 = plt.figure(figsize=(6,6),facecolor='w')
ax8 = plt.axes()
df.boxplot('income', by='sex',ax=ax8)#对于多类别，需要聚合的数据，用pandas调用绘图要比axex调用绘图来得方便

3.总结

在大多数情况下我们可以选择Pandas绘图和matplotlib绘图去实现同样的功能，他们之间也有千丝万缕的联系。
在一些用Pandas封装的多维的数据（如DataFrame），调用Pandas绘图会有更方便和更好的支持，免去了手动切片、聚合数据等麻烦。

觉得有用的话，不要吝惜评论点赞分享哦，希望大家多多包涵，有任何问题欢迎指正、讨论。
本文基于CC-BY-SA 4.0协议，欢迎转载
（博客看累了？去我的B站瞧一瞧？）