一、基於Matplotlib的Pandas繪圖方法
Pandas繪制圖形相較於Matplotlib來說更為簡潔，基礎函數為df.plot(x,y)
例：
>>>df.plot('time','Money')
二、 基本數據圖形類型
通過kind可以設置圖形的類型，df.plot()默認繪制折線圖，df.plot(kind ='')用於設置各類圖形，如下表所示
| 參數 | 說明 |
| x | x軸數據 |
| y | y軸數據 |
| kind | 設置圖表類型（具體可見右表） |
| subplots | 判斷圖片是否有子圖 |
| figsize | 圖片尺寸大小 |
| label | 用於圖例的標簽 |
| style | 設置風格，傳入字符串（如:'ko-'） |
| alpha | 設置透明度（越靠近0越透明） |
| rot |
旋轉刻度標簽（rotation縮寫，取值0-360） |
| fontsize |
設置軸刻度的字體大小 |
| xticks | 用作x軸刻度的值 |
| yticks | 用作y軸刻度的值 |
| xlim | x軸的范圍 |
| ylim | y軸的范圍 |
| grid | 顯示刻度背景網格 |
| colormap | 設置圖形顏色 |
| layout | 設置子圖排列格式 |
| 參數kind | 圖形類型 |
| line | 折線圖 |
| bar/barh | 條形圖 |
| hist | 直方圖 |
| box | 箱線圖 |
| scatter | 散點圖 |
| pie | 餅圖 |
注意：若在繪制圖形時，對象是Series，那么Series對象的索引自動會設置為x軸，但是不會顯示刻度標簽
linestyle：設置線的樣式（簡寫：style）
marker：設置標記樣式
color：設置線的顏色（簡寫：c）
linewidth：設置顯得粗細（簡寫：lw）
樣式參數設置總結如下表：
三、條形圖
1、Series.plot(kind = 'bar')
Series繪制條形圖時，通常結合value_counts()顯示各值的出現頻率
除了傳入kind參數外，也可以簡寫為data.plot.bar()的形式，此類方法也適用於其他圖形。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
data = pd.read_csv('C:/Users/xhl/Desktop/input/train_sample_utf8.csv')
cg = data['分類'].value_counts()
cg
汽車 544
科技 511
旅游 510
健康 492
文化 491
房地產 480
財經 469
新聞 458
體育 437
教育 437
娛樂 370
女人 322
Name: 分類, dtype: int64
#兩種繪圖方式均可
#cg.plot(kind='bar',rot=45)
cg.plot.bar(rot=45)
plt.xlabel('分類')
plt.ylabel('頻數')
plt.title('新聞分類分布條形圖')
2、DataFrame.plot.bar()
DataFrame繪制條形圖時，會將每一行的值分為一組，各列名稱作為圖例
df = pd.read_excel('C:/Users/xhl/Desktop/input/class.xlsx')
df
class sex score_math score_music
0 A male 95 79
1 A female 96 90
2 B female 85 85
3 C male 93 92
4 B female 84 90
5 B male 88 70
6 C male 59 89
7 A male 88 86
8 B male 89 74
df_class = df.groupby('class').mean()
df_class
score_math score_music
class
A 93.0 85.00
B 86.5 79.75
C 76.0 90.50
df_class.plot.bar()
3、堆積條形圖
設置參數stacked=True，每行的值就堆積起來，更易於觀察比較各組的分數
df_class.plot.barh(stacked=True)
四、直方圖
1、Series.plot.hist()
2、DataFrame.plot.hist()
通過bins設置面元，表示將數據分為多少組；
當有多種類型進行數據可視化時（堆疊情況發生時）可以設置透明度alpha，將數據的可視化更加明顯
df['score_math'].plot.hist(bins=20) df[['score_math','score_music']].plot.hist(bins=25,alpha=0.5)
默認畫的是頻數圖，如果想畫頻率圖，可以修改參數density = True
調整參數cumulative = True繪制累積直方圖
3、繪制子圖
設置參數subplots=True，可將各列分布直方圖分別繪制在不同的子圖中
df.plot.hist(subplots=True,figsize = (7,5))
五、箱線圖
1、常規箱線圖
箱線圖是一種用作顯示數據分散情況的統計圖
用於考察數據之間的分布狀況，同時又用於考察數據之間的離散和分布程度，離散程度高表明數據之間的差異較大；
現繪制各科分數分布箱線圖：
color = dict(boxes='Green',whiskers='Orange',medians='Blue',caps='Gray')
df.plot.box(color=color,sym='r+')//sym表示離群點
plt.title('各科分布情況箱線圖')
可以通過修改箱線圖的return_type參數為dict使得繪圖函數返回一個字典，這可以讓我們方便地從圖中提取一些數據。
>>> box = df.plot.box(color=color,sym='r+',return_type='dict')
>>>box
{'whiskers': [<matplotlib.lines.Line2D object at 0x00000186969E8DD8>, <matplotlib.lines.Line2D object at 0x00000186969F3438>, <matplotlib.lines.Line2D object at 0x00000186969BA5F8>, <matplotlib.lines.Line2D object at 0x00000186960D2C18>],
'caps': [<matplotlib.lines.Line2D object at 0x00000186969F3780>, <matplotlib.lines.Line2D object at 0x00000186969F3AC8>, <matplotlib.lines.Line2D object at 0x00000186969FDC88>, <matplotlib.lines.Line2D object at 0x00000186969FDFD0>],
'boxes': [<matplotlib.lines.Line2D object at 0x00000186969E8C88>, <matplotlib.lines.Line2D object at 0x00000186969FD4E0>],
'medians': [<matplotlib.lines.Line2D object at 0x00000186969F3E10>, <matplotlib.lines.Line2D object at 0x0000018696A09358>],
'fliers': [<matplotlib.lines.Line2D object at 0x00000186969F3EB8>, <matplotlib.lines.Line2D object at 0x0000018696A096A0>],
'means': []}
>>> box.keys()
dict_keys(['whiskers', 'caps', 'boxes', 'medians', 'fliers', 'means'])
其中：'boxes'對應的是箱體部分，'fliers'對應的是異常值點，'whiskers'對應的是兩條須，可以通過提取列表的第一個元素獲得相應的圖塊，然后使用get_xydata()獲取其對應的數據點
例：查看異常值部分，使用get_xydata()獲取對應的異常值
>>> box['fliers'][0].get_xydata() array([[ 1., 59.]])
2、水平箱線圖
通過vert = False可設置箱線圖為水平方向展示
color = dict(boxes='Green',whiskers='Orange',medians='Blue',caps='Gray')
df.plot.box(color=color,sym='r+',vert=False)
plt.title('各科分布情況箱線圖')
3、分組繪圖by
箱線圖也可以使用df.boxplot()的方法，設置參數by根據某列的唯一值將數據進行分組繪圖;子圖先列進行分組，然后按照班級分類進行分組（即子圖的個數 = 列的個數）；當類別較多時，可以設定columns，也就是要分析的列
如按照班級分組：
df.boxplot(by='class',sym='r+')
當boxplot默認繪制了兩個標題時，可以通過suptitle和title進行調整，並設定grid參數為False不顯示刻度背景網格
4、分組繪圖groupby
使用df.groupby().boxplot()的方法，子圖先按照班級分類進行分組，然后每個子圖再按照各列進行分組（即子圖的個數 = 班級分類的個數）
df.groupby('class').boxplot(sym='r+',figsize=(7,5))
六、散點圖
1、基本散點圖
df.plot.scatter(x,y),繪制散點圖需要傳入參數x和y，分別設置x軸與y軸的數據。
基本的散點圖主要考察兩個散點圖之間的相互依存關系（相關關系）
df.plot.scatter(x = 'score_math',y = 'score_music')
plt.title('math與music分數散點圖')
plt.xlabel('math score')
plt.ylabel('music score')
設置點的樣式：
s ：設置點的大小
marker ：設置點的形狀
c：設置點的顏色
df.plot(kind = 'scatter', x = 'score_math',y = 'score_music',c='g',marker='*',s=200)
說明：在散點圖的繪制過程中，有些數據可能會重疊，可通過設置透明度alpha解決此類問題，但是散點圖本就是分析趨勢，所以一般情況下問題不大。
2、加入影響因素（分類散點圖）
將班級等級進行數值編碼，並存與新列grade中：
df['grade'] = df['class'].replace(['A','B','C'],[3,2,1]) df.plot(kind = 'scatter', x = 'score_math',y = 'score_music',c='grade',figsize=(7,4))
注意：參數c既可以傳入顏色，也可以傳入列名，不同值的顏色會發生漸變
3、氣泡圖（散點圖的變種）
散點圖可用於展示三個變量（不是單純的三個變量之間的關系，數據分析一般☞分析兩兩量變量之間的關系）之間的關系，現使用氣泡圖的形式加入班級等級影響因素。
為了便於觀察，將grade的編碼替換為等比數列。
df['grade'] = df['grade'].replace([1,2,3],[1,2,4])
df.plot.scatter(x='score_math',y='score_music',figsize=(7,4),c='c',alpha=0.3,s=100*df['grade'])
plt.title('math與music分數散點圖')
plt.xlabel('math score')
plt.ylabel('music score')
加入plt.colorbar()，可以給子圖添加colorbar（顏色條或漸變色條）
4、六邊箱圖
六邊箱圖又稱為高密度散點圖，df.plot.hexbin()，若數據點太密集，該圖效果優於散點圖
df.plot.hexbin(x='score_math',y='score_music',gridsize=20)
plt.title('math與music分數六邊箱圖')
plt.xlabel('math score')
plt.ylabel('music score')
注意：其中參數gridsize用於設置x軸方向的六邊形數量，默認為100個，使用時根據自身需求進行調整
七、餅圖
查看某特征的分布情況，df.plot.pie()會自動添加標題和各部分的名稱
df['class'].value_counts().plot.pie()
如何去除默認文字、添加圖例、添加每部分百分比數值、設置凸出部分、添加陰影？
labels = None：可去除餅圖外側每部分的名稱；
plt.ylabel('')：設置y軸標簽為空可以去掉默認標題；
legend = True：添加圖例（或者plt.legend()）；
bbox_to_anchor：用來移動圖例的位置，其中0.9表示左右，0.8表示上下；
labels：表示顯示的圖例文字；
autopct:控制圖內百分比設置，'%%'的表示輸出一個百分號，前一個%是轉義字符；
explode：設置每一塊餅圖離開中心的距離，如將比重最大的一塊凸出；
shadow = True：添加陰影。
explode=(0.1,0,0)#0表示默認不離開
df['class'].value_counts().plot.pie(figsize=(5,5),labels=None,
autopct='%.2f%%',fontsize=15,
explode = explode,shadow = True)
plt.ylabel('')
plt.legend(bbox_to_anchor=[0.9,0.8],labels=['class B','class A','class C'])
plt.title('班級分布餅圖')
