Pandas 绘图模块中的五个常用方法：lag_plot 用于时间序列滞后图绘制，parallel_coordinates 用于多维数据平行坐标可视化，plot_params 用于全局绘图参数设置，radviz 用于高维数据径向坐标展示，register_matplotlib_converters 用于注册日期时间转换器以兼容 Matplotlib。通过代码示例展示了各方法的语法、参数及实际应用效果，适用于数据分析与可视化场景。
pandas.plotting.lag_plot(series, lag=1, ax=None, **kwds)
Lag plot for time series.
Parameters:
series (Series): The time series to visualize.lag (int, default 1): Lag length of the scatter plot.ax (Matplotlib axis object, optional): The matplotlib axis object to use.**kwds: Matplotlib scatter method keyword arguments.Returns: matplotlib.axes.Axes.
滞后图通过绘制序列的当前值 (y 轴) 与其滞后值 (x 轴) 的散点图来工作，如果数据中存在某种模式 (如周期性或趋势)，则这些模式可能会在滞后图中表现为某种形状 (如直线、曲线或循环)。
返回包含滞后图的 matplotlib 轴对象，这允许用户进一步自定义图形，如添加标题、标签或调整轴的范围。
无
import pandas as pd
import matplotlib.pyplot as plt
# 创建一个示例时间序列数据
data = pd.Series([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
# 使用 lag_plot 绘制滞后图，滞后量为 1
pd.plotting.lag_plot(data, lag=1)
# 显示图形
plt.show()
pandas.plotting.parallel_coordinates(frame, class_column, cols=None, ax=None, color=None, use_columns=False, xticks=None, colormap=None, axvlines=True, axvlines_kwds=None, sort_labels=False, **kwargs)
Parallel coordinates plotting.
Parameters:
frame (DataFrame): Data to plot.class_column (str): Column name containing class names.cols (list, optional): A list of column names to use.ax (matplotlib.axis, optional): Matplotlib axis object.color (list or tuple, optional): Colors to use for the different classes.use_columns (bool, optional): If true, columns will be used as xticks.xticks (list or tuple, optional): A list of values to use for xticks.colormap (str or matplotlib colormap, default None): Colormap to use for line colors.axvlines (bool, optional): If true, vertical lines will be added at each xtick.axvlines_kwds (keywords, optional): Options to be passed to axvline method.sort_labels (bool, default False): Sort class_column labels.**kwargs: Options to pass to matplotlib plotting method.Returns: matplotlib.axes.Axes.
平行坐标图主要用于多维数据的可视化，通过连接不同维度上的数据点来揭示数据之间的关联和模式，它可以用于数据探索、聚类分析、特征选择等场景。
返回包含平行坐标图的 matplotlib 轴对象，这允许用户进一步自定义图形，如添加标题、标签、图例或调整轴的范围和刻度。
无
import pandas as pd
import matplotlib.pyplot as plt
from pandas.plotting import parallel_coordinates
# 创建一个示例数据框
data = {
'feature1': [1, 2, 3, 4, 5],
'feature2': [5, 4, 3, 2, 1],
'feature3': [2, 3, 4, 5, 6],
'class': ['A', 'A', 'B', 'B', 'C']
}
df = pd.DataFrame(data)
# 绘制平行坐标图
parallel_coordinates(df, 'class', colormap='viridis')
# 显示图形
plt.show()
pandas.plotting.plot_params = {'xaxis.compat': False}
Stores pandas plotting options. Allows for parameter aliasing so you can just use parameter names that are the same as the plot function parameters, but is stored in a canonical format that makes it easy to breakdown into groups later.
允许用户全局设置绘图参数，从而简化了绘图过程，通过修改这个字典中的值，用户可以改变 Pandas 绘图函数的默认行为，而无需在每次调用时都传递额外的参数。
用于存储全局绘图参数，修改这个字典不会返回任何值；相反，它会改变 Pandas 绘图函数的默认行为。
无
import pandas as pd
import matplotlib.pyplot as plt
# 设置全局绘图参数
pd.plotting.plot_params['xaxis.compat'] = False
# 创建一个示例数据框
df = pd.DataFrame({
'Date': pd.date_range(start='2024-01-01', periods=10, freq='D'),
'Value': range(10)
})
# 将日期列设置为索引
df.set_index('Date', inplace=True)
# 绘制折线图
df.plot()
# 显示图形
plt.show()
pandas.plotting.radviz(frame, class_column, ax=None, color=None, colormap=None, **kwds)
Plot a multidimensional dataset in 2D. Each Series in the DataFrame is represented as a evenly distributed slice on a circle. Each data point is rendered in the circle according to the value on each Series. Highly correlated Series in the DataFrame are placed closer on the unit circle. RadViz allow to project a N-dimensional data set into a 2D space where the influence of each dimension can be interpreted as a balance between the influence of all dimensions.
Parameters:
frame (DataFrame): Object holding the data.class_column (str): Column name containing the name of the data point category.ax (matplotlib.axes.Axes, optional): A plot instance to which to add the information.color (list[str] or tuple[str], optional): Assign a color to each category.colormap (str or matplotlib.colors.Colormap, default None): Colormap to select colors from.**kwds: Options to pass to matplotlib scatter plotting method.Returns: matplotlib.axes.Axes.
通过径向坐标系展示高维数据，使得不同类别的样本可以通过颜色和分布形状直观区分，它可以揭示数据的模式、聚类情况及类别之间的关系。
返回绘制图形的 Axes 对象，便于后续的进一步操作和调整。
无
import pandas as pd
import matplotlib.pyplot as plt
# 示例数据
data = {
'feature1': [1, 2, 3, 4],
'feature2': [4, 3, 2, 1],
'class': ['A', 'B', 'A', 'B']
}
df = pd.DataFrame(data)
# 使用 radviz 可视化
ax = pd.plotting.radviz(df, 'class', color=['red', 'blue'])
plt.show()
pandas.plotting.register_matplotlib_converters()
Register pandas formatters and converters with matplotlib. This function modifies the global matplotlib.units.registry dictionary. pandas adds custom converters for pd.Timestamp, pd.Period, np.datetime64, datetime.datetime, datetime.date, datetime.time.
无
自动注册 pandas 的日期时间转换器，以便在 Matplotlib 中正确渲染时间序列数据。这样，日期和时间类型的数据可以分配到合适的轴上，通过调用这个函数，可以确保在使用 Matplotlib 绘制含有日期时间数据的图表时，绘图函数能够正确处理 pandas 的 Timestamp 或 DatetimeIndex 类型，而不会出现类型不匹配的问题。
该函数不返回任何值，它的效果是通过修改全局环境来确保后续的绘图操作与时间序列数据保持良好的兼容性。
无
import pandas as pd
import matplotlib.pyplot as plt
# 注册时间序列转换器
pd.plotting.register_matplotlib_converters()
# 示例数据
dates = pd.date_range('2024-01-01', periods=5)
values = [1, 2, 3, 4, 5]
data = pd.Series(values, index=dates)
# 绘制图形
data.plot()
plt.show()
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online