Pandas 数据可视化基础绘图教程

注：这里使用 Pandas 创建了一个 DataFrame，包含 4 组数据（A、B、C、D 列）。每列都是随机生成的 1000 个标准正态分布值，索引是时间序列，并且求各自的累积值后画图。

4.2 指定 X 轴和 Y 轴

可以使用 x 和 y 参数指定绘图的数据列。

df3 = pd.DataFrame(np.random.randn(1000, 2), columns=['B', 'C']).cumsum()
df3['A'] = pd.Series(list(range(len(df3))))
df3.plot(x='A', y='B')
plt.title('Plot with Custom X and Y')
plt.show()

注：使用 DataFrame 创建了 2 组数据 B、C，并加上了一列名为 A，A 的值是 0-999。X 轴是 A 列数据，Y 轴是 B 列数据（累积值）。

5. 常用图表类型

Pandas 支持多种图表类型，通过 kind 参数切换。

5.1 柱状图 (Bar)

data = pd.Series(np.random.randn(10), index=list('ABCDEFGHIJ'))
data.plot(kind='bar')
plt.title('Bar Chart')
plt.show()

5.2 直方图 (Hist)

用于展示数据的分布情况。

data = pd.Series(np.random.randn(1000) * 10 + 50)
data.plot(kind='hist', bins=30, density=True, alpha=0.6)
plt.title('Histogram Distribution')
plt.show()

5.3 散点图 (Scatter)

data = pd.DataFrame({'x': np.random.randn(100), 'y': np.random.randn(100)})
data.plot(kind='scatter', x='x', y='y')
plt.title('Scatter Plot')
plt.show()

5.4 饼图 (Pie)

data = pd.Series([10, 20, 30, 40], index=['A', 'B', 'C', 'D'])
data.plot(kind='pie', autopct='%1.1f%%')
plt.title('Pie Chart')
plt.axis('equal')
plt.show()

6. 图表定制与保存

6.1 自定义样式

可以修改颜色、线型、标记等属性。

ts.plot(color='red', linestyle='--', marker='o', label='Random Walk')
plt.xlabel('Date')
plt.ylabel('Value')
plt.legend()
plt.grid(True)
plt.show()

6.2 子图 (Subplots)

在同一画布上绘制多个图表。

df = pd.DataFrame(np.random.randn(1000, 4), columns=list('ABCD')).cumsum()
df.plot(subplots=True, layout=(2, 2), figsize=(10, 8))
plt.tight_layout()
plt.show()

6.3 保存图片

将绘制的图表保存到本地文件。

fig = plt.figure()
df.plot()
plt.savefig('pandas_plot.png', dpi=300, bbox_inches='tight')
print('Figure saved successfully.')

7. 最佳实践与注意事项

1. 数据清洗：绘图前确保数据没有缺失值或异常值，必要时进行填充或过滤。
2. 性能优化：对于超大数据集（如百万行以上），建议先采样或使用聚合数据后再绘图。
3. 可读性：添加清晰的标题、坐标轴标签和图例，避免信息过载。
4. 配色方案：使用协调的颜色组合，避免使用过于刺眼的颜色。

8. 总结

本文介绍了 Pandas 库在数据可视化方面的基础应用。通过内置的 plot 方法，可以快速生成折线图、柱状图、散点图等多种图表。结合 Matplotlib 的定制能力，可以满足大多数数据分析场景下的可视化需求。掌握这些基础技能，将大大提升数据分析的效率和质量。