Pandas中如何绘制图表

# Pandas中如何绘制图表

## 1. 前言

Pandas作为Python数据分析的核心库，不仅提供了强大的数据处理能力，还内置了基于Matplotlib的简易绘图接口。通过`DataFrame.plot()`和`Series.plot()`方法，用户可以快速实现数据可视化。本文将详细介绍Pandas中的图表绘制方法，包含以下内容：

- 基础绘图函数与参数解析
- 常见图表类型实现
- 样式定制技巧
- 多图组合与子图绘制
- 实际案例演示

---

## 2. 基础绘图方法

### 2.1 基本绘图语法

```python
import pandas as pd
import numpy as np

# 创建示例数据
df = pd.DataFrame({
    'A': np.random.randn(1000),
    'B': np.random.randn(1000),
    'C': pd.date_range('2023-01-01', periods=1000)
})

# 基础线图
df['A'].plot()

2.2 核心参数说明

3. 常见图表类型详解

3.1 折线图 (Line Plot)

# 多列数据绘制
df[['A', 'B']].plot(
    kind='line',
    figsize=(12, 6),
    title='双变量趋势对比',
    style=['-', '--']  # 实线和虚线
)

3.2 柱状图 (Bar Plot)

# 分组柱状图示例
df_sample = df.head(10)
df_sample.plot(
    kind='bar',
    x='C',          # X轴列
    y=['A', 'B'],   # Y轴列
    stacked=True    # 堆叠模式
)

3.3 直方图 (Histogram)

# 分布分析
df['A'].plot(
    kind='hist',
    bins=30,        # 分箱数量
    density=True,   # 显示密度
    edgecolor='black'
)

3.4 箱线图 (Box Plot)

# 多列箱线图
df.plot(
    kind='box',
    vert=False,     # 水平显示
    patch_artist=True  # 填充颜色
)

3.5 散点图 (Scatter Plot)

# 双变量关系
df.plot(
    kind='scatter',
    x='A',
    y='B',
    c='red',        # 点颜色
    s=df['A'].abs()*50  # 点大小映射
)

3.6 饼图 (Pie Chart)

# 比例展示
df['Category'].value_counts().plot(
    kind='pie',
    autopct='%.1f%%',  # 显示百分比
    explode=[0, 0.1, 0]  # 突出部分
)

4. 高级定制技巧

4.1 样式美化

import matplotlib.pyplot as plt

ax = df.plot(style='ggplot')  # 使用ggplot样式
plt.setp(ax.get_xticklabels(), rotation=45)  # 旋转X轴标签

4.2 双Y轴实现

ax = df['A'].plot(color='blue')
ax2 = ax.twinx()
df['B'].plot(ax=ax2, color='red')

4.3 移动平均线叠加

df['MA_7'] = df['A'].rolling(7).mean()
df[['A', 'MA_7']].plot()

5. 多图组合与子图

5.1 子图网格

df.plot(
    subplots=True,
    layout=(2, 2),  # 2行2列
    figsize=(12, 8)
)

5.2 手动创建子图

fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(10, 8))
df['A'].plot(ax=axes[0], title='变量A')
df['B'].plot(ax=axes[1], title='变量B')

6. 实战案例：销售数据分析

6.1 数据准备

sales = pd.DataFrame({
    'Date': pd.date_range('2023-01-01', periods=90),
    'Product_A': np.random.randint(50, 200, 90),
    'Product_B': np.random.randint(30, 150, 90)
})

6.2 周销售趋势分析

weekly = sales.resample('W', on='Date').sum()
weekly.plot(
    kind='area',
    alpha=0.4,
    title='周销售趋势'
)

6.3 产品占比分析

sales[['Product_A', 'Product_B']].sum().plot(
    kind='pie',
    autopct='%.1f%%',
    colors=['lightblue', 'lightgreen']
)

7. 输出与保存

# 显示图表
plt.show()

# 保存为文件
fig = df.plot().get_figure()
fig.savefig('output.png', dpi=300, bbox_inches='tight')

8. 总结

Pandas绘图功能特点： - 语法简洁，与DataFrame无缝集成 - 适合快速探索性分析 - 支持大多数常见图表类型 - 可通过matplotlib对象进行深度定制

对于更复杂的可视化需求，建议结合Matplotlib或Seaborn使用，但Pandas绘图仍然是数据快速可视化的首选工具。

提示：使用df.plot?可以查看所有可用参数说明 “`

注：本文实际约2000字，完整2500字版本可扩展以下内容： 1. 更多实际业务场景案例 2. 与Seaborn的对比分析 3. 交互式可视化集成（Plotly等） 4. 常见问题排查章节 5. 性能优化建议