matplotlib是一種比較低級的工具，要組裝一張圖表，你得用它得各種基礎組件才行：數據展示（即圖表類型：線型圖、柱狀圖、盒型圖、散布圖、等值線圖等）、圖例、標題、刻度標簽以及其它注釋型信息。
在pandas中，有行標簽、列標簽及分組信息，要繪制一張圖，需要很多matplotlib代碼。pandas有很多能夠利用DataFrame對象數據組織特點來創建標准圖表的高級繪圖方法。
1.1 線型圖
Series和DataFrame都有一個用於生成各類圖表的plot方法，默認情況下，生成的是線型圖。
1 >>> s = pd.Series(np.random.randn(10).cumsum(), index=np.arange(0, 100, 10)) 2 >>> s.plot() 3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F35B8A898> 4 >>> plt.show()
該Series對象的索引會傳給matplotlib，並用以繪制X軸，可通過use_index=False禁用該功能。X軸的刻度和界限可以通過xticks和xlim選項進行調節，Y軸就用yticks和ylim。plot參數完整列表如下所示：
| 參數 |
說明 |
| label |
用於圖例的標簽 |
| ax |
要在其上進行繪制的matplotlib subplot對象，如果沒有設置，則使用當前matplotlib subplot |
| style |
將要傳給matplotlib的風格字符串（如’ko--’） |
| alpha |
圖表的填充不透明度（0到1之間） |
| kind |
可以是’line’、’bar’、’barh’、’kde’ |
| logy |
在Y軸上使用對數標尺 |
| use_index |
將對象的的索引用作刻度標簽 |
| rot |
旋轉刻度標簽（0到360） |
| xticks |
用作X軸刻度的值 |
| yticks |
用作Y軸刻度的值 |
| xlim |
X軸的界限（例如[0, 10]） |
| ylim |
Y軸的界限 |
| grid |
顯示軸網格線（默認打開） |
pandas的大部分繪圖方法都有一個可選的ax參數，它可以是一個matplotlib的subplot對象。
DataFrame的plot方法會在一個subplot中為各列繪制一條線，並自動創建圖例。
1 >>> df = pd.DataFrame(np.random.randn(10, 4).cumsum(0), columns=['A', 'B', 'C', 'D'], index=np.arange(0, 100, 10)) 2 >>> df.plot() 3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F35B8AFD0> 4 >>> plt.show()
DataFrame還有一些用於對列進行靈活處理的選項。下表是專用於DataFrame的plot參數。
| 參數 |
說明 |
| subplots |
將各個DataFrame列繪制到單獨的subplot中 |
| sharex |
如果subplots=True，則共用同一個X軸，包括刻度和界限 |
| sharey |
如果subplots=True，則共用同一個Y軸 |
| figsize |
表示圖像大小的元組 |
| title |
表示圖像標題的字符串 |
| legend |
添加一個subplot實例（默認為True） |
| sort_columns |
以字母順序繪制各列，默認使用當前列順序 |
1.2 柱狀圖
在生成線性圖的代碼中加上kind=’bar’（垂直柱狀圖）或kind=’barh’（水平柱狀圖）即可生成柱狀圖。這時，Series和DataFrame的索引將會被當作X（bar）或Y（barh）刻度。
1 >>> fig, axes = plt.subplots(2, 1) 2 >>> data = pd.Series(np.random.rand(16), index=list('abcdefghijklmnop')) 3 >>> data.plot(kind='bar', ax=axes[0], color='k', alpha=0.7) 4 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37F3FE48> 5 >>> data.plot(kind='barh', ax=axes[1], color='k', alpha=0.7) 6 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37F794A8> 7 >>> plt.show()
對於DataFrame，柱狀圖會將每一行的值分為一組。
1 >>> df = pd.DataFrame(np.random.rand(6, 4), index=['one', 'two', 'three', 'four', 'five', 'six'], columns=pd.Index(['A', 'B', 'C', 'D'], name='Genus')) 2 >>> df 3 Genus A B C D 4 one 0.466419 0.388390 0.045920 0.188829 5 two 0.795635 0.566636 0.916473 0.944628 6 three 0.386224 0.993829 0.273204 0.573622 7 four 0.134991 0.591803 0.778073 0.150384 8 five 0.854561 0.058758 0.922147 0.764897 9 six 0.923109 0.324739 0.717597 0.682992 10 >>> df.plot(kind='bar') 11 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F37FB1F28> 12 >>> plt.show()
設置stacked=True即可生成堆積柱狀圖，每行的值會被堆積在一起。
1 >>> df.plot(kind='bar', stacked=True, alpha=0.5) 2 <matplotlib.axes._subplots.AxesSubplot object at 0x0000024F3A2F2048> 3 >>> plt.show()
1.1.3 直方圖和密度圖
直方圖（histogram）是一種可以對值頻率進行離散化顯示的柱狀圖。數據點被拆分到離散的、間隔均勻的面元中，繪制的是各面元中數據點的數量。
1 >>> s 2 0 -0.674014 3 1 0.342018 4 2 -0.189962 5 3 0.528294 6 4 1.597546 7 5 1.530765 8 6 2.699712 9 7 1.422388 10 8 -1.295660 11 9 -1.539913 12 dtype: float64 13 >>> s.hist(bins=5) 14 <matplotlib.axes._subplots.AxesSubplot object at 0x000002295B737978> 15 >>> plt.show()
與此相關的一種圖表類型是密度圖，它是通過計算“可能產生觀測數據的連續概率分布的估計”而產生的。一般的過程是將該部分近似為一組核（即諸如正態（高斯）分布之類的較為簡單的分布）。因此，密度圖也被稱為KDE（kernel density estimate核密度估計）圖。調用plot時加上kind=’kde’即可生成一張密度圖（標准混合正態分布KDE）。
1 >>> import scipy 2 >>> s.plot(kind='kde') 3 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959D0DA90> 4 >>> plt.show() 5 >>> s 6 0 -0.674014 7 1 0.342018 8 2 -0.189962 9 3 0.528294 10 4 1.597546 11 5 1.530765 12 6 2.699712 13 7 1.422388 14 8 -1.295660 15 9 -1.539913 16 dtype: float64
這兩種圖形常常畫在一起，直方圖以規格化形式給出（以便給出畫元化密度），然后再在其上繪制核密度估計。下面給一個由兩個不同的標准正態分布組成的雙峰分布。
1 >>> comp1 = np.random.normal(0, 1, size=200) 2 >>> comp2 = np.random.normal(10, 2, size=200) 3 >>> values = pd.Series(np.concatenate([comp1, comp2])) 4 >>> values.hist(bins=100, alpha=0.3, color='k', density=True) 5 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959CFC6D8> 6 >>> values.plot(kind='kde', style='k--') 7 <matplotlib.axes._subplots.AxesSubplot object at 0x0000022959CFC6D8> 8 >>> plt.show()
1.4 散布圖
散布圖（scatter plot）是觀察兩個一維數據序列之間關系的有效手段，matplotlib的scatter方法是繪制散布圖的主要方法。
1 >>> df = pd.DataFrame(np.random.rand(4, 2), index=[1, 2, 3, 4], columns=['one', 'two']) 2 >>> df 3 one two 4 1 0.658181 0.390797 5 2 0.443482 0.673915 6 3 0.188783 0.442284 7 4 0.048783 0.578914 8 >>> plt.scatter(df['one'], df['two']) 9 <matplotlib.collections.PathCollection object at 0x000002295D2D77B8> 10 >>> plt.title('test') 11 Text(0.5, 1.0, 'test') 12 >>> plt.show()
在探索式數據分析中，同時觀察一組變量的散布圖很有意義，這也被稱為散布矩陣（scatter plot matrix）。pandas提供了從DataFrame創建散布圖矩陣的scatter_matrix函數。還支持在對角線上放置各變量的直方圖和密度圖。
1 >>> df 2 one two 3 1 0.658181 0.390797 4 2 0.443482 0.673915 5 3 0.188783 0.442284 6 4 0.048783 0.578914 7 >>> pd.plotting.scatter_matrix(df, diagonal='kde', color='r', alpha=0.3) 8 array([[<matplotlib.axes._subplots.AxesSubplot object at 0x000002295D23D860>, 9 <matplotlib.axes._subplots.AxesSubplot object at 0x000002295D1A4940>], 10 [<matplotlib.axes._subplots.AxesSubplot object at 0x000002295D09EEF0>, 11 <matplotlib.axes._subplots.AxesSubplot object at 0x000002295D0DC4E0>]], 12 dtype=object) 13 >>> plt.show()
